[論文レビュー] Deep Residual Shrinkage Networks for EMG-based Gesture Identification

Yueying Ma, Chengbo Wang+2 more|arXiv (Cornell University)|Feb 7, 2022

Muscle activation and electromyography studies被引用数 4

ひとこと要約

本稿では、高精度な筋電図（EMG）ベースのジェスチャー認識のためのディープリーダーマンスハイドレーションネットワーク（DRSN）を提案する。ネットワークの全結合層にリーマン学習とソフトスレッショルド処理を統合することで、DRSNはノイズを効果的に抑制し、特徴の識別能を向上させ、EMG信号データセットにおいて従来のニューラルネットワークよりも優れた分類精度を達成した。

ABSTRACT

This work introduces a method for high-accuracy EMG based gesture identification. A newly developed deep learning method, namely, deep residual shrinkage network is applied to perform gesture identification. Based on the feature of EMG signal resulting from gestures, optimizations are made to improve the identification accuracy. Finally, three different algorithms are applied to compare the accuracy of EMG signal recognition with that of DRSN. The result shows that DRSN excel traditional neural networks in terms of EMG recognition accuracy. This paper provides a reliable way to classify EMG signals, as well as exploring possible applications of DRSN.

研究の動機と目的

• 信号のノイズやばらつきのため、EMGベースのジェスチャー同定の認識精度が低いという課題に対処する。
• 適応的ノイズ抑制メカニズムを組み込むことで、EMG信号の特徴表現を向上させる。
• より高いロバスト性と一般化性能を備えたEMG信号分類に特化したディープラーニングアーキテクチャを開発する。
• 従来のニューラルネットワークと比較して、DRSNがEMG信号認識タスクにおいて優れていることを実証する。

提案手法

• 全結合層にスリーミングモジュールを統合したリーマンネットワーク（ResNet）アーキテクチャを採用する。
• 特徴マップのソフトスレッショルド処理を実行するため、スリーミングモジュール内に学習可能なしきい値を導入する。
• 訓練の安定性と深層ネットワークにおける勾配の流れの改善を図るため、リーマン接続を適用する。
• 適応的学習率とバッチ正規化を用いたバックプロパゲーションでネットワークを最適化する。
• 過学習を防ぐために、ReLU活性化関数とドロップアウト層を適用する。
• 分類性能を最適化するため、EMG信号データ上でネットワークをファインチューニングする。

実験結果

リサーチクエスチョン

• RQ1 標準的なディープニューラルネットワークと比較して、ディープリーダーマンスハイドレーションネットワークはEMG信号分類精度を向上させることができるか？
• RQ2 リーマンネットワークにソフトスレッショルド処理を統合することで、EMG信号のノイズ抑制にどの程度効果的か？
• RQ3 提案されたDRSNアーキテクチャは、EMGデータの異なるジェスチャークラスにわたって良好に一般化できるか？
• RQ4 認識精度の観点から、DRSNは従来のニューラルネットワークに対してどの程度の性能向上を達成するか？
• RQ5 リーマン学習とスリーミングモジュールの統合は、モデルの収束性とロバスト性にどのように影響するか？

主な発見

• DRSNは、従来のニューラルネットワークと比較して、EMG信号データセットにおいて顕著に高い分類精度を達成した。
• 全結合層におけるソフトスレッショルド処理の統合により、ノイジーな特徴の影響が軽減され、モデルのロバスト性が向上した。
• リーマン接続のおかげで、より深いネットワークの安定した訓練が可能になり、より良い特徴学習が実現した。
• 提案手法は、3つのベースラインアルゴリズムと比較して認識精度において優れた性能を示し、その有効性を裏付けた。
• 過学習を最小限に抑えながら、多様なEMGジェスチャーパターンに対して優れた一般化能力を示した。
• 結果から、リーマン学習と適応的しきい値処理を組み合わせることが、EMGベースのジェスチャー認識において極めて有効であることが確認された。