Instance-based Learning with Prototype Reduction for Real-Time Proportional Myocontrol: A Randomized User Study Demonstrating Accuracy-preserving Data Reduction for Prosthetic Embedded Systems

要約

この研究では、義足制御におけるジェスチャ検出のための kNN スキームに基づく学習技術の設計、実装、検証について説明します。
インスタンスベースの予測における高い計算需要に対処するために、バッテリー駆動のポータブル デバイスへの信頼性の高い統合を可能にするリアルタイムの決定論を考慮してデータセット削減の方法が評価されます。
8 チャネル sEMG アームバンドを利用して、パラメータ化とさまざまな比例スキームの影響が分析されます。
オフラインの相互検証の精度に加えて、リアルタイムのパイロット実験 (オンライン目標達成テスト) の成功率も測定されます。
精度とタイミング動作に関する組み込み制御アプリケーションに対する特定のデータセット削減技術の適切性の評価に基づいて、決定曲面マッピング (DSM) は、削減されたセットに kNN を適用する場合に有望であることが証明されています。
ランダム化二重盲検ユーザー研究を実施し、リッジ回帰 (RR) およびランダム フーリエ特徴を使用した RR (RR-RFF) に対してそれぞれの手法 (kNN および DSM リダクションを使用した kNN) を評価しました。
kNN ベースの手法は、回帰手法よりも大幅に優れたパフォーマンスを示しました (p<0.0005)。 DSM-kNN と kNN の間に統計的に有意な差はありませんでした (有意水準 0.05)。 これは、縮小セット内のクラスごとにサンプルが 1 つだけであることを考慮すると顕著であり、成功率を維持しながら 99% 以上の縮小率が得られます。 広範なユーザー調査でも同じ動作が確認された可能性があります。 k=1 を使用すると、これは優れた選択であることが判明し、kNN (すべての予測ステップにおける) と DSM-kNN (トレーニング段階における) の両方の実行時の複雑さは、元のサンプルの数に関して線形になり、信頼性の高いウェアラブルに有利になります。 プロテーゼの用途。

要約(オリジナル)

This work presents the design, implementation and validation of learning techniques based on the kNN scheme for gesture detection in prosthetic control. To cope with high computational demands in instance-based prediction, methods of dataset reduction are evaluated considering real-time determinism to allow for the reliable integration into battery-powered portable devices. The influence of parameterization and varying proportionality schemes is analyzed, utilizing an eight-channel-sEMG armband. Besides offline cross-validation accuracy, success rates in real-time pilot experiments (online target achievement tests) are determined. Based on the assessment of specific dataset reduction techniques’ adequacy for embedded control applications regarding accuracy and timing behaviour, Decision Surface Mapping (DSM) proves itself promising when applying kNN on the reduced set. A randomized, double-blind user study was conducted to evaluate the respective methods (kNN and kNN with DSM-reduction) against Ridge Regression (RR) and RR with Random Fourier Features (RR-RFF). The kNN-based methods performed significantly better (p<0.0005) than the regression techniques. Between DSM-kNN and kNN, there was no statistically significant difference (significance level 0.05). This is remarkable in consideration of only one sample per class in the reduced set, thus yielding a reduction rate of over 99% while preserving success rate. The same behaviour could be confirmed in an extended user study. With k=1, which turned out to be an excellent choice, the runtime complexity of both kNN (in every prediction step) as well as DSM-kNN (in the training phase) becomes linear concerning the number of original samples, favouring dependable wearable prosthesis applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google