ReactEMG: マスクドモデリングによるsEMGからの安定・低遅延な意図検出
ReactEMG: Stable, Low-Latency Intent Detection from sEMG via Masked Modeling
表面筋電位(sEMG)からユーザの意図をリアルタイムに検出するため、マスクドモデリングで筋活動と意図を対応付ける学習法を提案し、キャリブレーション不要で低遅延・安定なゼロショット検出を実現した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Runsheng Wang, Xinyue Zhu, Ava Chen, Jingxi Xu, Lauren Winterbottom, Dawn M. Nilsen, Joel Stein, Matei Ciocarlie
分類: cs.RO
原文アブストラクト
Surface electromyography (sEMG) signals show promise for effective human-machine interfaces, particularly in rehabilitation and prosthetics. However, challenges remain in developing systems that respond quickly to user intent, produce stable flicker-free output suitable for device control, and work across different subjects without time-consuming calibration. In this work, we propose a framework for EMG-based intent detection that addresses these challenges. We cast intent detection as per-timestep segmentation of continuous sEMG streams, assigning labels as gestures unfold in real time. We introduce a masked modeling training strategy that aligns muscle activations with their corresponding user intents, enabling rapid onset detection and stable tracking of ongoing gestures. In evaluations against baseline methods, using metrics that capture accuracy, latency and stability for device control, our approach achieves state-of-the-art performance in zero-shot conditions. These results demonstrate its potential for wearable robotics and next-generation prosthetic systems. Our project website, video, code, and dataset are available at: https://reactemg.github.io/
関連論文
- Koopman理論に基づくEMGセンシングからの把持力予測筋電インターフェース
- 伸縮可能な高密度筋電図アレイの設計・作製・評価筋電インターフェース
- 高密度筋電図による物理的支援移動マニピュレータの効果的なジェスチャ制御筋電インターフェース
- 被験者埋め込み転移学習による過渡的高密度筋電図の手ジェスチャー認識のための深層学習逐次デコーダ筋電インターフェース
- 不安定な接触から安定した制御へ：ニューロロボティクス向けHD-sEMGのための深層学習パラダイム筋電インターフェース
