PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.17194v2cs.LG

MyoFlow: 세션 및 피험자 간 HD-sEMG 제스처 인식을 위한 앵커 결합 정류 흐름(rectified flow)

MyoFlow: Anchor-Tied Rectified Flow for HD-sEMG Gesture Recognition Across Sessions and Subjects

고밀도 표면 근전도(HD-sEMG) 제스처 인식은 의수 제어, 보조 로봇, 재활을 지원하지만, 전극 재착용과 생리적 변동성이 분포 이동(distribution shift)을 일으켜 세션 및 피험자 간 정확도를 저하시킨다. 생성형 HD-sEMG 모델은 주로 증강을 위해 신호를 합성하며, 확산(diffusion) 모델이 표현 학습(representation learning)을 향상시키더라도 예측은 여전히 별도의 분류기에 의존한다. 학습된 역학을 결정 규칙에 연결하기 위해, 세션 및 피험자 간 HD-sEMG 인식을 위한 최초의 판별적 flow-matching 프레임워크인 MyoFlow를 제안한다. 분류(classification)를 앵커 결합 수송(anchor-tied transport)으로 재구성한다. 도메인 조건 정류 흐름(rectified flow)이 인코딩된 윈도우를 수송 목표이자 최근접 앵커 결정 기하를 정의하는 제스처 앵커 쪽으로 이동시켜, 독립적인 헤드(head) 없이 제로샷(zero-shot) 인식을 가능하게 한다. Hyser 데이터셋(dataset)에서 MyoFlow는 가장 강력한 확산 기반 기준선(baseline) 대비 평균 교차 세션 및 교차 피험자 정확도를 각각 4.24% 및 6.37% 향상시키며, CEMHSEY 데이터셋에서 여러 날에 걸친 평균 제로샷 정확도 91.71%와 평균 퓨샷(few-shot) 정확도 97.39%를 달성한다.

arXiv:2607.11065v1cs.NE

sEMG 기반 근육 피로 감지를 위한 효율적이고 강건한 스파이킹 신경망

Efficient and Robust Spiking Neural Networks for sEMG-Based Muscle Fatigue Detection

표면 근전도(sEMG)를 통한 근육 피로 감지는 스포츠, 재활, 웨어러블 건강 모니터링 분야에서 필수적이다. 피로의 정확하고 신속한 감지는 부상 예방, 신체 수행 능력 최적화(optimization), 그리고 장시간 활동 중 사용자 안전 확보에 매우 중요하다. 그러나 기존의 심층 학습 모델은 높은 연산 비용과 대규모 데이터 의존성으로 인해 이 과제에 적합하지 않은 경우가 많다. 본 연구에서는 희소한 이벤트 기반 연산과 시간적 모델링을 활용하는 스파이킹 신경망(SNN)에 기반한 에너지 효율적인 근육 피로 감지 프레임워크를 제안한다. 또한 노이즈 조건에서의 강건성을 향상시키기 위해 다수의 정규화 항을 결합한 양자화 호환 학습 방식(SDH)을 새롭게 도입한다. 두 개의 공개 sEMG 데이터셋에서 광범위한 기준 모델들과 물리적으로 동기화된 섭동(perturbation)을 포함한 7가지 노이즈 조건 하에 평가한 결과, 양자화된 SNN은 강력한 기준 모델들과 동등하거나 이를 상회하는 성능을 보이면서도 다양한 노이즈 환경에서 더 안정적이며 예상 에너지 소비를 최대 201.77배 절감하였다. 이러한 결과는 저전력 웨어러블 시스템에서의 실시간 배포를 위한 프레임워크의 강력한 가능성을 입증한다.

arXiv:2607.07850v1cs.AI

sEMG 신호 기반 실시간 제스처 인식을 위한 그래프 신경망 모델

A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals

표면 근전도(sEMG) 신호에서 전극 간 피어슨 상관계수를 기반으로 그래프를 생성하고, 이를 그래프 신경망(GNN)으로 분류하는 실시간 손 제스처 인식 방법을 제안한다. Myo band로 수집한 8명 피험자의 데이터에서 평균 99% 분류 정확도와 48ms의 추론 지연을 달성하여 기존 최신 기법을 능가했다.

arXiv:2606.31349v1eess.SP

PGUDA: Pressure-Guided Unsupervised Domain Adaptation with Cross-Modal Knowledge Distillation for sEMG-Based Gesture Recognition

표면 근전도(sEMG) 기반 제스처 인식에서 피험자 및 세션 간 특징 분포 불일치로 인한 성능 저하를 해결하기 위해, 압력 신호로 학습된 교사 네트워크가 레이블 없는 목표 도메인의 sEMG 학생 네트워크를 교차 모달 지식 증류(cross-modal knowledge distillation)로 지도하는 PGUDA 프레임워크를 제안한다. 11명의 피험자 데이터로 검증한 결과, 교사 네트워크 학습에 레이블 데이터의 단 5%만 사용해도 완전 지도학습에 준하는 정확도를 달성하며 크로스-서브젝트 및 크로스-세션 분류에서 기존 도메인 적응(domain adaptation) 방법들을 크게 상회하는 평균 58.08%의 정확도를 기록했다.

arXiv:2606.27855v1cs.LG

저표본 환경에서 sEMG 디코더 재보정 시 과적합 조기 탐지를 위한 기억 지표의 적용 가능성

Applicability of memorization indicators for early spotting of overfitting while recalibrating sEMG-decoders on low sample sizes

표면 근전도(surface electromyography, sEMG)용 심층 학습 모델은 완전히 범용적인 디코더를 학습할 수 있을 만큼 충분히 크고 다양한 데이터셋이 없기 때문에, 피험자별(재)보정을 통해 상당한 이점을 얻을 수 있다. 그러나 사용자 수용성을 위해 보정 과정에서 현실적으로 수집할 수 있는 반복 횟수는 크게 제한되며, 이는 과적합 위험을 높이고 극단적인 경우에는 보정되지 않은 모델에 비해 성능이 오히려 저하될 수 있다. 검증 성능이나 조기 종료를 통한 정규화와 같은 전통적인 과적합 지표는 이 저표본 영역에서는 적용하기 어렵다. 실제 보정 시나리오에서 거의 사용할 수 없는 추가 홀드아웃(hold-out) 데이터가 필요하기 때문이다. 본 연구에서는 심층 신경망의 정류 선형 단원(rectified linear units, ReLU)의 활성화 통계만을 기반으로 한, 최근 제안된 기억 지표 클래스를 조사한다. 이 지표는 추가 검증 세트 없이 학습 데이터에서 직접 계산할 수 있다. 벤치마크 sEMG 데이터셋에서 전이학습(transfer learning) 실험을 수행한다. 합성곱 신경망이 먼저 여러 피험자에 대해 사전학습(pre-training)된 뒤, 소수의 반복만으로 개별 사용자에 대해 미세조정된다. 보정 중에는 디코딩 성능과 마지막 은닉층의 활성화 동작을 모두 모니터링한다. 결과는 미세조정 중 테스트 정확도 감소가 활성화율의 특징적인 변화와 함께 나타남을 최초로 보여주며, 이는 활성화 기반 기억 지표가 저표본 sEMG 보정 환경에서 실패한 학습을 조기 탐지하는 데 유망한 도구임을 시사한다.