要約
この論文では、筋電図 (EMG) 分類アルゴリズムの分布外パフォーマンスを評価するための機械学習を使用した最初の一般化および適応ベンチマークを紹介します。
トレーニング分布とは異なる分布から抽出された入力を処理する EMG 分類器の機能は、制御インターフェイスとして現実世界に展開する場合に重要です。
EMG 信号を使用してユーザーの意図するジェスチャーを予測することで、コンピューター、義肢、移動マニピュレーター ロボットなどの支援技術を制御するウェアラブル ソリューションを作成できます。
この新しい分布外ベンチマークは、堅牢で適応性のある制御インターフェイスを構築するのに有用な 2 つの主要なタスクで構成されています。1) 被験者間の分類と 2) 時系列のトレーニングとテストの分割を使用した適応です。
このベンチマークは 9 つのデータセットにまたがっており、これはベンチマーク内の EMG データセットの最大のコレクションです。
その中には、データ収集用の斬新で簡単に装着できる高密度 EMG ウェアラブルを特徴とする新しいデータセットが紹介されています。
オープンソースのベンチマークが不足しているため、EMG 研究コミュニティにとって論文間の精度結果を比較することが困難になっています。
この新しいベンチマークは、EMG データセットの分布外パフォーマンスの実践的な測定を分析するための貴重なリソースを研究者に提供します。
新しいデータセットのコードとデータは、emgbench.github.io にあります。
要約(オリジナル)
This paper introduces the first generalization and adaptation benchmark using machine learning for evaluating out-of-distribution performance of electromyography (EMG) classification algorithms. The ability of an EMG classifier to handle inputs drawn from a different distribution than the training distribution is critical for real-world deployment as a control interface. By predicting the user’s intended gesture using EMG signals, we can create a wearable solution to control assistive technologies, such as computers, prosthetics, and mobile manipulator robots. This new out-of-distribution benchmark consists of two major tasks that have utility for building robust and adaptable control interfaces: 1) intersubject classification and 2) adaptation using train-test splits for time-series. This benchmark spans nine datasets–the largest collection of EMG datasets in a benchmark. Among these, a new dataset is introduced, featuring a novel, easy-to-wear high-density EMG wearable for data collection. The lack of open-source benchmarks has made comparing accuracy results between papers challenging for the EMG research community. This new benchmark provides researchers with a valuable resource for analyzing practical measures of out-of-distribution performance for EMG datasets. Our code and data from our new dataset can be found at emgbench.github.io.
arxiv情報
著者 | Jehan Yang,Maxwell Soh,Vivianna Lieu,Douglas J Weber,Zackory Erickson |
発行日 | 2024-11-04 17:27:53+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google