Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode Subsets

要約

sEMG パターン認識アルゴリズムは、動作の意図を解読する際に広く研究されてきましたが、記録条件の変化に対して脆弱であり、被験者間、さらにはセッション間でさえパフォーマンスが大幅に低下することが知られています。
高密度 sEMG (HD-sEMG) システムとも呼ばれるマルチチャネル表面 EMG は、追加の電極の使用を通じて収集された情報によってパフォーマンスを向上させるために使用されてきました。
ただし、データセットが限られていることと、電極の配置などの変動の原因に対処することが難しいため、堅牢性が常に不足しています。
この研究では、入力チャネルのサブセットのコレクションでトレーニングし、さまざまな電極位置からのデータでトレーニング分布を強化し、同時に電極シフトをターゲットにして入力次元を削減することを提案します。
私たちの方法では、電極の移動に対する堅牢性が向上し、被験者および分類アルゴリズム全体でセッション間のパフォーマンスが大幅に向上します。

要約(オリジナル)

sEMG pattern recognition algorithms have been explored extensively in decoding movement intent, yet are known to be vulnerable to changing recording conditions, exhibiting significant drops in performance across subjects, and even across sessions. Multi-channel surface EMG, also referred to as high-density sEMG (HD-sEMG) systems, have been used to improve performance with the information collected through the use of additional electrodes. However, a lack of robustness is ever present due to limited datasets and the difficulties in addressing sources of variability, such as electrode placement. In this study, we propose training on a collection of input channel subsets and augmenting our training distribution with data from different electrode locations, simultaneously targeting electrode shift and reducing input dimensionality. Our method increases robustness against electrode shift and results in significantly higher intersession performance across subjects and classification algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google