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．
2. 先行研究と比べてどこがすごいの？
● 深層学習
特徴工学から特養学習へのパラダイムシフト
● 学習時間
一人のユーザーから何万ものデータを学習させることは現実的でないが，事前学習を行なったモデルを用いるTLによって，簡易的な学習で同精度の成果を出すことができる．
● CWT
計算量はDWTとWPTの方が少ないもののConvNetを活用するための魅力的な画像的表現を提供することができ,組み込みシステムで効率的に実装することができる．
3. 技術や手法の"キモ"はどこにある？
● CNNアーキテクチャ
slow-fusion ConvNet architectureを用いている.
●Transfer learning
もっともアクティブなチャンネルを特定し，アライメントを行う.
Fine-tuningにはcotastrophic fogettingが存在し，タスクにうまく適用しないネットワークに偏る可能性があるためPNNを用い重みを凍結することで解消する．
Source NetworkとSecond Networkを組み合わせたTargetNetworkを構築する．
● Continuous Wavelet Transform (CWT)
入力はCWTの場合は時間×空間×スケールで構成することができる。このように、低速融合アーキテクチャに基づくConvNetを用いる動機は、動画データと提案するsEMG信号の特徴付けが類似した構造を持ち（動画の場合は時間×空間×空間）、非定常情報を記述できることに起因している．
4. どうやって有効だと検証した？
● それぞれのデータセットに対し，TLとの比較，state of artとの比較，サンプル外のジェスチャーの比較をし，TLConvNetsは訓練サイクル数に関係なく、非拡張バージョンを有意に上回ったことを示している．
5. 議論はあるか？
● 提案するTL方式の限界は、新しいユーザーが事前トレーニングに使用したグループと同じ量の電極を装着できない場合、適応が難しい