[論文レビュー] A wearable electromyography-based hand gesture recognition system with real-time on-board incremental learning and classification

Ali Moin, Andy Zhou+12 more|arXiv (Cornell University)|Jan 2, 2019

Ferroelectric and Negative Capacitance Devices被引用数 1

ひとこと要約

本論文は、筋収縮レベルの変動に対して頑健性を発揮するリアルタイム内蔵段階的学習を可能にする脳にインspiredされたハイパーサイニクルコンピューティングを用いたウェアラブルEMGベースのハンドジェスチャー認識システムを提案する。筋収縮レベルの変動に対する精度低下を39.17%から30.35%に回復させることに成功し、頑健性とマルチレベルの努力レベル認識を両立する。

ABSTRACT

Varying contraction levels of muscles is a big challenge in electromyography-based gesture recognition. Some use cases require the classifier to be robust against varying force changes, while others demand to distinguish between different effort levels of performing the same gesture. We use brain-inspired hyperdimensional computing paradigm to build classification models that are both robust to these variations and able to recognize multiple contraction levels. Experimental results on 5 subjects performing 9 gestures with 3 effort levels show up to 39.17% accuracy drop when training and testing across different effort levels, with up to 30.35% recovery after applying our algorithm.

研究の動機と目的

• EMGベースのジェスチャー認識における筋収縮レベルの変動が分類器の性能を低下させることの課題に対処する。
• 同じジェスチャー内で明確なジェスチャーと異なる努力レベルを両方認識できるシステムを開発する。
• 外部の再トレーニングやクラウド処理に依存せずに、ウェアラブルデバイス上でリアルタイムで適応可能であることを実現する。
• 標準の分類器と比較して、異なる力のレベルでテストした際のモデルの頑健性を向上させる。

提案手法

• EMG信号を高次元ベクトルに変換することで、頑健な表現を実現する脳にインspiredされたハイパーサイニクルコンピューティング（HDC）パラダイムを採用する。
• 新しいデータが到着する度にリアルタイムで分類器を更新する内蔵段階的学習メカニズムを設計する。
• バインディングやスーパーポジションなどのベクトル演算を用いて、ジェスチャーと努力レベルを同時に学習・分類する。
• ウェアラブル埋め込みシステムに適した軽量で低消費電力の分類パイプラインを実装する。
• 初期セットアップ時に複数の努力レベルでモデルを訓練し、展開中に分布シフトに対応するために段階的に適応する。
• 完全な再トレーニングなしに分類精度を時間経過とともに改善するための誤差フィードバックメカニズムを適用する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーサイニクルコンピューティングは、異なる筋収縮レベルでテストした際にEMG分類器が頑健性を維持できるか？
• RQ2 内蔵段階的学習は、ウェアラブルリアルタイムシステムにおいて力の変動に起因する性能低下をどの程度低減できるか？
• RQ3 別々にトレーニングを必要とせずに、1つのモデルが同時にジェスチャーと努力レベルを認識できるか？
• RQ4 展開中に異なる力のレベルに移行する際、提案されたシステムが高い精度を維持する効果はどの程度か？

主な発見

• 標準モデルを用いた場合、異なる筋収縮レベル間でトレーニングとテストを実施した際、39.17%の精度低下が発生した。
• 提案された段階的学習アルゴリズムを適用した後、失われた精度のうち30.35%が回復され、顕著な頑健性の向上が達成された。
• ハイパーサイニクルコンピューティングフレームワークにより、外部の再トレーニングやクラウド依存なしにリアルタイムで内蔵適応が可能となった。
• システムは、3つの異なる努力レベルで実行された9つの異なるハンドジェスチャーを明確に区別できた。
• 段階的学習メカニズムにより、展開中に新しい収縮レベルにモデルが最小限の遅延で適応できた。
• 被験者全員（5名）で一貫したパフォーマンス向上が得られ、本アプローチは被験者間で優れた一般化性能を示した。