The Role of Functional Muscle Networks in Improving Hand Gesture Perception for Human-Machine Interfaces

要約

正確なハンドジェスチャ認識モデルの開発は、さまざまなロボット応用にとって重要であり、人間と機械の間の効果的なコミュニケーションを可能にし、ニューロロボティクスや対話型ロボットに直接影響を与えます。
最近、表面筋電図検査 (sEMG) は、高度な機械学習アプローチやウェアラブル システムと組み合わせた場合の、豊富な情報コンテキストとアクセシビリティが研究されています。
文献には、sEMG を使用してニューロロボットの堅牢性を確保しながらパフォーマンスを向上させるための多数のアプローチが紹介されていますが、多くの場合、モデルには高い処理能力、大規模なデータセットが必要となり、スケーラビリティの低いソリューションが必要になります。
この論文では、個々の筋肉の活性化ではなく筋肉の同期を解読することを提案することで、この課題に取り組んでいます。
私たちは、知覚モデルの中核としてコヒーレンスベースの機能的な筋肉ネットワークを研究し、筋肉間の機能的同期と筋肉の接続性のグラフベースのネットワークが、意図された手のジェスチャーに関するコンテキスト情報をエンコードしていると提案しています。
これは、深い時間ネットワークを必要とせずに、浅い機械学習アプローチを使用してデコードできます。
私たちの技術は、計算負荷を軽減し、効率を高めることでニューロロボットの筋電制御に影響を与える可能性があります。
このアプローチは、17 の手ジェスチャーを実行する 40 人の被験者からの 12 個の EMG 信号を含む Ninapro データベースでベンチマークされます。
85.1% の精度を達成し、既存の方法と比較してパフォーマンスが向上していると同時に、必要な計算能力も大幅に削減できます。
この結果は、コヒーレンスベースの機能的筋肉ネットワークがジェスチャーの実行に関連する重要な情報をエンコードし、ニューロロボットシステムや対話型マシンへの応用の可能性により手のジェスチャーの知覚を大幅に強化するという仮説を裏付けています。

要約(オリジナル)

Developing accurate hand gesture perception models is critical for various robotic applications, enabling effective communication between humans and machines and directly impacting neurorobotics and interactive robots. Recently, surface electromyography (sEMG) has been explored for its rich informational context and accessibility when combined with advanced machine learning approaches and wearable systems. The literature presents numerous approaches to boost performance while ensuring robustness for neurorobots using sEMG, often resulting in models requiring high processing power, large datasets, and less scalable solutions. This paper addresses this challenge by proposing the decoding of muscle synchronization rather than individual muscle activation. We study coherence-based functional muscle networks as the core of our perception model, proposing that functional synchronization between muscles and the graph-based network of muscle connectivity encode contextual information about intended hand gestures. This can be decoded using shallow machine learning approaches without the need for deep temporal networks. Our technique could impact myoelectric control of neurorobots by reducing computational burdens and enhancing efficiency. The approach is benchmarked on the Ninapro database, which contains 12 EMG signals from 40 subjects performing 17 hand gestures. It achieves an accuracy of 85.1%, demonstrating improved performance compared to existing methods while requiring much less computational power. The results support the hypothesis that a coherence-based functional muscle network encodes critical information related to gesture execution, significantly enhancing hand gesture perception with potential applications for neurorobotic systems and interactive machines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google