文献

J-GLOBAL ID：202102234358936242   整理番号：21A0152570

FMG信号を用いた手把持認識における深層学習技術【JST・京大機械翻訳】

Deep Learning Technique in Recognizing Hand Grasps using FMG signals

著者 (3件)： Zakia Umme (Menrva Research Group, Schools of Mechatronic systems Engineering and Engineering Science, Simon Fraser University,Metro Vancouver,BC,Canada) ,  Jiang Xianta (Memorial University of Newfoundland,Dept. of Computer Science,St. John’s,NL,Canada) ,  Menon Carlo (Menrva Research Group, Schools of Mechatronic systems Engineering and Engineering Science, Simon Fraser University,Metro Vancouver,BC,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IEMCON  ページ： 0546-0552  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 把持対象は日常の人間活動で一般的な現象である。力筋造影(FMG)信号,非侵襲的技法は筋肉運動を記録し,一方,ヒト参加者は異なる物体を把持し,機械学習(ML)アルゴリズムを用いて分類される。本論文では,手把持認識のための一般的な深層学習技術を提示した。新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを,力ミオグラフィーによる把握の学習に実装した。利き手の前腕にFMGバンドを装着した12人の参加者は,6つの手把持を実施した。訓練データセットは,異なる形状およびサイズの異なるアーム姿勢を有する指を包むか,またはピンチングのいずれかの片手把持小物体から成る。提案したFMGベースのCNNモデルは,96%(個体群平均)の交差試行分類精度を得て,他のML技術に匹敵することを見出した。転送学習による事前転送Alexnet(ImageNetデータセット)を,比較のために手把持を分類するために実行した。提案モデルは,検証精度,損失,訓練時間に関して,事前訓練されたAlexnetを凌駕した。将来のFMGベースの実用化のために,比較的小さなデータセットが訓練目的に望ましい移動学習のためのモデルを使用することは有利である。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  ヒト ,  前腕 ,  個体群 ,  アーム ,  計算機アーキテクチャ ,  機械学習
準シソーラス用語： 筋運動描記法 ,  人間活動 ,  利き手 ,  訓練データ ,  分類精度 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 手 ,  把持 ,  深層学習