抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
筋電制御は,機械との直感的なインタフェイスを可能にするために,人間由来の入力として筋電図(EMG)信号を使用する。そのようなように,最近のリハビリテーションロボットは,機械学習を用いてユーザ意図または操作モードを自律的に分類するために,筋電制御を採用する。しかし,このような応用における性能は,測定条件にわたるEMG信号の非定常性に本質的に悩まされている。現在の実験室ベースの解決策は,記録または周期的再キャリブレーションの注意深い時間消費制御に依存し,実世界の配置を妨げる。ロバストだがシームレスな筋電制御は,教師なし転送学習と組み合わせた,低エンド,容易から”ドロー”および”オフ”ウェアラブルEMGセンサを用いて達成できることを提案した。ここでは,既存のデータセット,即ち5ユーザx10日x3センサ位置を用いて,測定条件にわたるジェスチャ分類のために,消費者グレードセンサ(Myoアームバンド,8EMGチャネル@200Hz)を用いて,そのようなアプリケーションの実現可能性を試験した。特に,著者らは,任意の特定のユーザ,日,または位置からラベル付きソースデータによる時間-空間記述(TSD)を用いて,まず深層ニューラルネットワークを訓練する。次に,異なるユーザ,日,またはセンサ位置からのラベルなしターゲットデータのための分類性能を改善するために,訓練されたTSDを自動的に調整する自己較正非同期ドメイン敵対ニューラルネットワーク(SCADANN)を適用した。元のTSDと比較して,SCADANNは,すべての可能なユーザ対ユーザ,日対日,および位置から位置へのケースにわたって,それぞれ12{+/-}5.2%(avg{+/-}sd),9.6{+/-}5.0%,および8.6{+/-}3.3%の精度を改善する。1つの最良ケースシナリオにおいて,精度は26%(67%から93%まで)改善されたが,時には利得は中程度であった(例えば76%から78%)。また,”良い”(例えば,増分)ソースデータで訓練された”better”モデルを用いて,転送学習の性能を改善できることも示した。提案した手法は実行可能で有望であり,動力補綴または外骨格のシームレス筋電制御のためにさらに調整できると仮定した。【JST・京大機械翻訳】