Here is a summary of papers on gesture recognition and myoelectric prosthetic hands using sEMG.
Deep Learning for Electromyographic Hand Gesture Signal Classification Using Transfer Learning
1. どんなもの？
Tlを用いて，複数のユーザー間から取得されたデータを用いて，簡易的にジェスチャー分類タスクの学習を行う手法を提示している．
タスクとしては2つのデータセットを取得し，Ninaproを合わせた3つのデータベースで,CWT,rawEMG,スペクトログラムのそれぞれ3つの異なる入力のネットワークを用い，その有用性を示している．
また，real-time feedbackをもちいたユースケースにおいて，精度劣化を軽減させることを示している．
Forearm Motion Discrimination Technique Using Real Time EMG Signals
1. どんなもの？
300m/s以下のレスポンス速度についてReal-time Pattern Recognition for Hand Gesture Based on ANN and Surface EMGで明記されていた理由として紹介されていたが，本文ではその理由に対するエビデンスは示されていない．
本文ではhyper - spheremodel といったみたことのない特徴を用いており，異常値をrestとみなすアプローチがされている.
また移動平均フィルタのデータ数が増えると遅延量が多くなりレスポンス速度が遅くなるという結果明記がされている．
Real Time Pattern Recognition for Hand Gesture Based on ANN and Surface EMG
1. どんなもの？
フィードフォワードの3層ANNを用いた5クラスのジェスチャーのリアルタイム分類について記述されている．手法として，スライドウィンドウ法をもちいて，4つの時間的特徴とHjorthParametersを元に特徴量ベクトルを作成し，平均応答速度を300msに押さえ分類精度は96％を示している．またそれぞれの特徴の筋電的な意味についても述べられている．
Investigation of Different Approaches to Real Time Control of Prosthetic Hands With Electromyography Signals
1. どんなもの？
ACCを用いたマルチモーダルによる筋電パターン認識システムの評価と感覚フィードバックの考案をしている．筋電パターン認識では300msで応答するソフトウェアハードウェアシステムを開発しており，従来の分類精度と同等の結果を得られている，またフィードバックシステムにおいても把持する物体の質量が変わっても把持し続けられる結果を得ている．
Design of Continuous EMG Classification Approaches Towards the Control of a Robotic Exoskeleton in Reaching Movements
1. どんなもの？
実用段階では連続的なオンライン制御が行われていない中，8人の健常者の上腕の筋電図を用いて８種類の動きを分類する擬似オンラインアプリケーションを開発し，その精度を70％以上としている．またこの論文では3つのウィンドウサイズによる分類精度の影響についても述べられている．
Determining the Optimal Window Length for Pattern Recognition Based Myoelectric Control: Balancing the Competing Effects of Classification Error and Controller Delay
1. どんなもの？
筋電図のパターン認識において，分類誤差とコントローラの遅延とリアルタイムの制御性から解析ウィンドウの長さを50ms-550msの中でどの値が最適かを調べている．実験はTarget Achievement Controlによって評価され，ユーザーのパフォーマンスは分類誤差が小さいほど，向上し，遅延量が大きくなるほど低下するトレードオフの関係であることがわかっている．その上でこの研究で用いたシステムでの最適な解析ウィンドウの長さは150-250msであることがわかった．
An Online SEMG Motion Classification Framework for Tele Operating the Robotic Hand
1. どんなもの？
ロボットハンドを動かすためのオンラインsEMG動作分類のフレームワークを提案している．オフライン学習とオンライン認識フェーズで構成されており，オフラインフェーズでは3つの分類器を比較し，オンラインフェーズでは2つの閾値を用いたデータセグメンテーションが設計されている．5つ分類において73.56%の総合精度を示した．
A Preliminary Analysis of Analysis Window Size and Voting Size With a Time Delay for a Robust Real Time SEMG Pattern Recognition
1. どんなもの？
動作の開始時と終了時の不安定なEMGにおいて，分類精度と速度はトレードオフの関係であり，信号処理の解析ウィンドウサイズと分類の投票サイズのパラメータから，パターン認識の精度の限界を調べたものである．またGoogleEarthを用いたパイロット試験を通じて解析ウィンドウサイズと投票サイズの有用なガイドラインを提案している．
Gesture Recognition by Instantaneous Surface EMG Images
1. どんなもの？
特定の瞬間のHD-sEMGによるジェスチャー認識法.高密度のsEMGから画像データを生成しDeepLearningによって識別する実験をおこなったところ，窓付き特徴量を用いず8つのジェスチャー識別において，89.3%の識別精度が得られ，52個のジェスチャー分類においても先行研究より優れた結果を得られた．
Artificial Neural Network Classifier in Comparison With LDA and LS SVM Classifiers to Recognize 52 Hand Postures and Movements
1. どんなもの？
NINAPRO5のデータを使って，MLPとLDAとLS-SVMの分類器に対してMAV, IAV, RMS, WL, E, ER1, ER2, CCなどと言った時間的特徴を入力し，それぞれの組み合わせの52種類のジェスチャ分類を比較している．全ての特徴を用いてMLPでは96.34%の平均精度，LDAに対してMAVとCCを用いた分類で平均精度84.23%，LS-SVMに対してIAV+MAV+RMS+WLで85.19%の平均精度が算出された．
またE，ER1，ER2のような単一の特徴量を用いた場合，MLPは他の2つの分類器と比較して性能が低下すると言った結果も示している．