SRM: クロスデーsEMGジェスチャー認識のためのソース再投影モジュール

• 公開データセットでの検証で、参照MU 135個中106個を一致させ、一致MU間の中央合意率0.98を達成
• 健常ボランティア9名から収集した276個のHD-sEMG信号で評価し、MUパラメータの生理学的妥当性と電極再配置後の再現性を確認
• BSSベース分解、ソース検証・スパイク列選択の自動化、DR・RT・MUCV推定の自動パイプラインを開発

• RTGNetは、リカレントプロットベース表現と時系列シーケンスの2つの特徴ビューを統合したデュアルブランチ深層学習フレームワークで、歩行時MAE 3.87°、階段上りMAE 4.53°を達成した。

• 深部感受性光学センサーが開発され、12mm〜48mmの6つの光源・検出器間距離(SDD)を持つコンパクトウェアラブルモジュールが実現した
• 前腕装着時の9種類のハンド・リスト運動の分類で、LDA機械学習モデルが10名平均87.5%の分類精度を達成した
• 複数のSDDチャンネルを含めることで分類性能が系統的に向上し、異なる深さからの測定値が補完的情報を提供することが示された

本研究では、脳卒中生存者を対象とした上肢運動トレーニング中に、新規の筋ネットワーク分析フレームワークを適用した。このアプローチにより、屈筋および伸筋駆動ネットワークの多様な生体力学的役割を反映する、冗長および協調的な筋相互作用の異なるパターンが明らかになった。これらのパターンから、重度の運動障害および治療反応性によって患者を層別化する新しいバイオマーカーが導き出され、それぞれが独自の生理学的シグネチャと関連していた。特に、効果的な運動回復の兆候として、冗長性から協調性への筋協調の変化が特定され、これは従来の評価方法よりも精密な障害評価によって裏付けられた。この発見は、脳卒中後の運動回復の詳細…

• 1D CNN-LSTMハイブリッドモデルが、人間-ロボット協調製造環境でのオペレーター疲労予測において、3クラス分類で89.3%、バランス精度87.1%を達成した。
• 疲労予測モデルは73.9kパラメータでJetson Nano上において22msの推論速度を実現し、エッジデバイスでのリアルタイム動作が可能であることを示した。
• アラートに基づくタスク再配分により、肩へのピーク負荷が43%削減され、スループットはベースラインの94%を維持した。