Evaluating Classifier Confidence for Surface EMG Pattern Recognition

要約

タイトル：表面筋電図パターン認識のための分類器の確信度評価

要約：表面筋電図（EMG）は、パターン認識を介してさまざまなデバイスやソフトウェアのインターフェース信号として使用できます。 EMGベースのパターン認識では、分類器は正確であるだけでなく、予測の適切な確信度（すなわち、正しさの確率）も出力する必要があります。 確信度が真の正確性の可能性を正確に反映する場合、動作の拒否やオンライン適応など、さまざまなアプリケーションタスクで役立ちます。 本論文の目的は、EMGパターン認識において高い精度とより良い確信度を提供する分類器の種類を特定することです。 様々な識別的および生成的な分類器の性能を視覚的および量的に4つのEMGデータセットについて評価します。 分析結果は、深層ニューラルネットワークに基づく識別的分類器は高い精度を示しますが、真の確率とは異なる確信度を出力することを示しています。対照的に、EMG分散の不確実性を考慮することができる生成的分類器であるスケール混合モデルベースの分類器は、精度と確信度の両方の面で優れた性能を発揮することが示されています。

– EMGは、パターン認識を介してインターフェース信号として使用される。
– EMGに基づくパターン認識のために、分類器は正確性だけでなく、適切な確信度を提供する必要がある。
– 確信度が真の正確性の可能性を正確に反映する場合、さまざまなアプリケーションタスクで役立つ。
– 本論文の目的は、高い精度とより良い確信度を提供する分類器の種類を特定することである。
– 分析結果は、スケール混合モデルベースの生成的分類器が、高い精度とよりよい確信度を提供することを示している。

要約(オリジナル)

Surface electromyogram (EMG) can be employed as an interface signal for various devices and software via pattern recognition. In EMG-based pattern recognition, the classifier should not only be accurate, but also output an appropriate confidence (i.e., probability of correctness) for its prediction. If the confidence accurately reflects the likelihood of true correctness, then it will be useful in various application tasks, such as motion rejection and online adaptation. The aim of this paper is to identify the types of classifiers that provide higher accuracy and better confidence in EMG pattern recognition. We evaluate the performance of various discriminative and generative classifiers on four EMG datasets, both visually and quantitatively. The analysis results show that while a discriminative classifier based on a deep neural network exhibits high accuracy, it outputs a confidence that differs from true probabilities. By contrast, a scale mixture model-based classifier, which is a generative classifier that can account for uncertainty in EMG variance, exhibits superior performance in terms of both accuracy and confidence.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI