文献

J-GLOBAL ID：202202234261675358   整理番号：22A1051522

機械学習法を用いた筋腕帯により獲得した指ジェスチャの表面筋電図とジャイロスコープ信号の分類【JST・京大機械翻訳】

Classification of surface electromyography and gyroscopic signals of finger gestures acquired by Myo armband using machine learning methods

著者 (2件)： Tepe Cengiz (Department of Electrical and Electronics Engineering, Ondokuz Mayis University, Samsun, Turkey) ,  Erdim Muhammed (Department of Electrical and Electronics Engineering, Ondokuz Mayis University, Samsun, Turkey)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 75  ページ： Null  発行年： 2022年 
JST資料番号： W3347A  ISSN： 1746-8094  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 表面筋電図(sEMG)信号の処理を通して,ヒト手の組織を同定できる。ヒト手は指の操作により多くのジェスチャーを行うことができる。指ジェスチャの正しい分類によって,人工手の移動性は増加でき,より大きな機能を提供する。本研究では,低前腕に設置したMyo腕帯から得たsEMG指データについて,信頼できる分類を得た。分類を改善するために,他の研究で以前に使用されていないジャイロスコピック信号をsEMGフィンガーデータで調べた。データをMyo腕帯を用いて10人の正常被験者から取得し,6つの指のジェスチャーを同定した:親指,中指,小指,リング指,および休息。各ジェスチャー30回sEMG信号を反復し,特徴を抽出した。17の特徴を特徴マトリックスに用いた。逐次フォワード特徴選択法を用いて,最高の性能特徴集合を決定した。サポートベクトルマシン,K最近傍および多層人工ニューラルネットワークを分類アルゴリズムとして使用した。分類は,Matlabにおける分類学習者応用とニューラルネットワークパターン認識ツールを使用して行った。sEMGデータからのみ抽出された特徴を有する最良の性能は人工ニューラルネットワーク(ANN)法を用いて94.40%であった。sEMGとジャイロスコープデータの両方から抽出した特徴を有する最良の性能はANN法で96.30%(p値<0.05)であった。ジャイロスコピック信号が分類性能を増加できることがわかる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 行列 ,  パターン認識 ,  *筋肉 ,  ニューラルネットワーク ,  ヒト ,  特徴選択 ,  *筋電図 ,  前腕 ,  *ジャイロスコープ ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： *身振り ,  被験者 ,  分類アルゴリズム ,  MATLAB ,  *表面筋電図 , 【Automatic Indexing@JST】

著者キーワード (5件)： sEMG ,  ジャイロスコープ ,  指ジェスチャ ,  データ処理と分類 ,  筋腕帯

分類 (3件)： 生体計測  (EL03020C) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (9件)： 機械学習 ,  筋 ,  腕帯 ,  獲得 ,  指 ,  ジェスチャ ,  表面筋電図 ,  ジャイロスコープ ,  分類