表面筋電図信号のトポロジー構造：リーマン多様体を利用した手のジェスチャーのデコード 本論文はHarshavardhana T. Gowda（カリフォルニア大学デービス校 電子・計算機工学科）とLee M. Miller（カリフォルニア大学デービス校 心理・脳科学センター、神経生理学・行動学科、耳鼻咽喉科－頭頸部外科）によって共同執筆されました。この論文は《Journal of Neural Engineering》に掲載されました。 研究背景 表面筋電図（sEMG）信号は、皮膚の表面にセンサーを設置して運動単位（MU）の活性化からの電気信号を非侵襲的に記録するものです。これらの信号は上肢のジェスチャーのデコードに応用されており、特に切断者のリハビリ、人工肢の強化、コンピュータジェスチャー制御...

深層学習技術の急速な発展に伴い、データマイニングと人工知能トレーニング技術の実際のアプリケーションにおける重要性が日々増しています。特に多変量時系列異常検出の分野では、既存の手法は優れた性能を示していますが、ノイズや汚染されたデータに直面した際には、依然として顕著な問題が存在します。これに基づき、本論文では、上記の課題を解決するための二重メモリモジュールを持つマルチスケール特徴抽出フレームワークを提案しています。 研究背景 多変量時系列（Multivariate Time Series, MTS）データは通常、IoT（モノのインターネット）アプリケーションにおける複数のセンサーのリアルタイムの動作状態を含みます。これらのデータを効果的に分析することで、隠れた情報を明らかにし、異常状況を予測し...