表面筋電図に基づくジェスチャー認識のための高精度軽量ディープラーニング手法

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Comput Methods Programs Biomed.2020 Jul;195:105643. S0169-2607(20)31476-0. doi: 10.1016/j.cmpb.2020.105643.Epub 2020-07-03.

表面筋電図に基づくジェスチャー認識のための高精度軽量ディープラーニング手法

High accurate lightweight deep learning method for gesture recognition based on surface electromyography.

Ali Bahador
Moslem Yousefi
Mehdi Marashi
Omid Bahador

PMID: 32650088 DOI: 10.1016/j.cmpb.2020.105643.

抄録

背景と目的:

表面筋電図(sEMG)は、主に神経筋の診断、支援技術、身体リハビリテーション、人間とコンピュータの相互作用のために使用されています。しかし，ジェスチャー認識のための高精度・軽量で低遅延な手法を実現することは，リハビリテーションや支援ロボットを中心とした実生活での課題となっている．本研究では，ジェスチャー認識のための高精度・軽量な深層学習手法の導入を目指している．

BACKGROUND AND OBJECTIVES: Surface Electromyography (sEMG) is used mostly for neuromuscular diagnosis, assistive technology, physical rehabilitation, and human-computer interactions. Achieving a precise and lightweight method along with low latency for gesture recognition is still a real-life challenge, especially for rehabilitation and assistive robots. This work aims to introduce a highly accurate and lightweight deep learning method for gesture recognition.

方法:

高密度sEMGは、スパースsEMGと異なり、正確な電極配置を必要とせず、より多くの生理情報を提供する。次に、先行研究によれば、高密度sEMGを適用することで、sEMG画像が得られる。本研究では、sEMG信号の性質や畳み込みネットワークの構造との親和性が高いため、sEMG画像法に比べて特徴抽出能力が高いSensor-Wise法を紹介する。

METHODS: High-density sEMG, unlike sparse sEMG, does not require accurate electrode placement and provides more physiological information. Then we apply high-density sEMG, which, according to previous studies, leads to sEMG images. In this study, we introduce the Sensor-Wise method, which has a higher capability to extract features compared to the sEMG image method due to its high compatibility with the nature of sEMG signals and the structure of convolutional networks.

結果:

提案手法は、隠れ層を 2 層のみとした最適な構造と高い親和性から、オーバーフィッティングの兆候がなく、96 個の電極を介して CapgMyo DB-a データベースで評価したところ、ほぼ 100%(99.99%)の精度に到達することができた。この方法では、16本の電極を用いても99.8％の精度を達成することができ、これはこれまでの研究で報告された精度よりも高かった。また、CSL-HDEMGデータベースで評価したところ、99.55%の精度が得られた。これまでの研究では、オーバーフィットを伴う高価な計算手法を導入していたか、本研究と比較して精度が低いと報告されていた。

RESULTS: The proposed method, because of its optimal structure with only two hidden layers and its high compatibility, has shown no sign of overfitting and was able to reach an accuracy of almost 100% (99.99%) when it was evaluated by CapgMyo DB-a database through 96 electrodes. Using this method, even with 16 electrodes, we were able to reach an accuracy of 99.8%, which was higher than the accuracies reported in the previous studies. Additionally, the method was evaluated by the CSL-HDEMG database, where the accuracy reached 99.55%. Previous studies either introduced expensive computational methods with overfitting or reported lower accuracies compared to this study.

結論:

Sensor-Wise法は、sEMG信号の性質や畳み込みネットワークの構造との親和性が高い。2つの隠れ層のみを持つこの手法の高精度で軽量な構造は、ハードウェア実装のための適切なオプションとなっています。

CONCLUSIONS: The Sensor- Wise method has high compatibility with the nature of sEMG signals and the structure of convolutional networks. The high accuracy and lightweight structure of this method with only two hidden layers make it a proper option for hardware implementation.