Here is a summary of papers on gesture recognition and myoelectric prosthetic hands using sEMG.

A 3D Printed, Adjustable Armband for Electromyography Based Finger Movement Classification With Haptic Feedback

1. どんなもの?

1本の指のタッピング動作を検出するために,電極の配置を完全に調整できる3Dプリントされた低コストのアームバンドの提案。9本の指の動きを検出するために,8チャンネルのSEMG信号から抽出した特徴量を用いて機械学習を行い、500msウィンドウの特徴量を用いたKNNでは71%、200msのきれいなデータのサブセットから抽出した特徴量を用いたKNNでは93%の精度を記録した。

Building the Ninapro Database: A Resource for the Biorobotics Community

1. どんなもの?

筋電図のデータセットで、ASCIIフォーマットで27人の健常者の52のジェスチャーの運動データのsEMGデータが含まれており、数年に渡って100人以上の健常者と50人以上の切断者のデータが追加されることが計画されているため、撮影設定,実験プロトコル,データの保存形式などが示されている。またこのデータベースに対してLeast-Squares SVMによる分類評価も行っている。

A Low-Cost, Wireless, 3-D-Printed Custom Armband for sEMG Hand Gesture Recognition

1. どんなもの?

1000Hzのサンプリングレートで10チャンネルの計測能力を持ち、60gで製作費が150ドルの安価なEMGアームバンドの提案。市販されているMyoアームバンドとLDA(Hudins' Time-Domain Featureset)による分類性能と生データ周波数データによってアームバンドの性能を比較している。また比較の際には22人の健常者に11のジェスチャーをそれぞれ4セット取得したデータセットを作っている。

Deep Learning for Electromyographic Hand Gesture Signal Classification Using Transfer Learning

1. どんなもの?

転移学習を利用し、推定精度を向上させる手法の提案。深層学習に用いる2つのデータセットは19人,17人の健常者から取得し、NinaProDB5 を活用しており、それぞれに対してraw EMG, spectrograms,continuous wavelet transform (CWT)を用いたネットワークを構築し推定精度を比較したところ、 CWTベースのConvNetでは17人の参加者の7つのジェスチャーに対して98.31%、生のEMGベースのConvNetでは10人の参加者の18のジェスチャーに対して68.98%のオフライン精度を達成している。 またこの論文ではConvNetの性能を体系的かつ大幅に向上させる新しい転移学習スキームを紹介している。

An Investigation of Temporally Inspired Time Domain Features for Electromyographic Pattern Recognition

1. どんなもの?

ピーク検出から導出された時間的な新しい特徴量について2つ紹介しており、この時間的特徴量精度は自己回帰係数,ヒストグラム,ゼロクロスなどといった一般的に用いられる時間的特徴よりも,それぞれ8%,11%,17%優れている分類精度を示している。またHudginsの時間領域の特徴と比較して,ロバストな特徴セットの一部として追加情報を提供することが示されている。

A versatile embedded platform for EMG acquisition and gesture recognition

1. どんなもの?

ハイエンドなアクティブ筋電精度と同等の精度を示すリアルタイムジェスチャー認識のためのEMG信号の取得と処理が可能で安価なウェアラブルデバイスを開発. デバイスはCerebroとCoretexが統合されており、SVM認識アルゴリズムを実装し,オフラインでの最先端の結果と同等の90%の精度で29.7 mWの消費電力性能を示している。

Learning Effective Spatial–Temporal Features for sEMG Armband-Based Gesture Recognition

1. どんなもの?

時間的に非定常信号であるsEMGを空間-時間特徴に基づく、ジェスチャー認識法(STF-GR)の提案。非定常多チャンネルのsEMGを分解し、定常副信号に合同変換したのち、空間的独立性と時間的定常性を生み出す。その後負の対数尤度ベースのコスト関数を用いて,最終的なジェスチャーの判定する。STF-GRはsEMGアームバンドのために設計されたもの。

Page 2 of 3