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。
2. 先行研究と比べてどこがすごいの？
● これまでの一般的な深層学習では一人のユーザーが一度に何万もの例を生成する必要があり、これは現実的ではない
● CWTは筋電信号の分析のために提案されているがsEMGに基づく手のジェスチャー認識の分類のための特徴として採用されたのは初めてらしい
2.1 わからないこと
● ウィンドウサイズ、ウィンドウオーバーラップについて
● 時間的特徴におけるSkewnessについて
● ファインチューリング
3. 技術や手法の"キモ"はどこにある？
● Myoの2つの新しいデータセット
デバイスはMyoを使い,260msのウィンドウサイズの2つのデータセットのうち、一つは事前学習用のデータセットで、もう一つは評価用のデータセット
● NinaPro DB5
合計53種類の動作
● クラシックなsEMG分類
本実験で用いられる分類器はSVM,ANN,RF,KNN,LDAで、ハイパーパラメータはランダム検索と並行して3回のクロスバリデーションを行い，各参加者のデータセットについて，各分類器のハイパーパラメータの50種類の組み合わせをテストすることで選択している。また、使用されている特徴量は
MAV,ZC,SSC,WLのTDと、RMS,IEMG,AR,SkewnessのETDと、ninaproにおいて、RMS,mDWT,HISTと時間的特徴,SampEn Pipelineのパラメータを用いている。
● Deep Learning Classifiers Overview
slow-fusionモデルのCNNでオーバーフィッティングの問題に対処するため、MC Dropout,バッチの正規化および早期停止をする。
● Transfer Learning
PNNをもちいて、ファインチューリングにおけるcatastrophic forgettingを防いでいる。
4. どうやって有効だと検証した？
●
5. 議論はあるか？
● 上肢切断者に適用してテストすること
● オンライン制御
6. 次に読むべき論文はあるか？
● 筋電義手における非深層学習のTLハイパーパラメータなど
V. Gregori, A. Gijsberts and B. Caputo, “Adaptive learning to speed-up control of prosthetic hands: A few things everybody should know,” 2017 International Conference on Rehabilitation Robotics (ICORR), 2017, pp. 1130-1135, doi: 10.1109/ICORR.2017.8009401.
● ビッグデータと深層学習を用いた筋電図パターン認識について
Phinyomark, A.; Scheme, E. EMG Pattern Recognition in the Era of Big Data and Deep Learning. Big Data Cogn. Comput. 2018, 2, 21. https://doi.org/10.3390/bdcc2030021
● ウェアラブル筋電センサの特徴抽出の選択
A. Phinyomark, R. N. Khushaba and E. Scheme, “Feature extraction and selection for myoelectric control based on wearable EMG sensors”, Sensors, vol. 18, no. 5, pp. 1615, 2018.