個人差に頑健な筋電位パターン認識

筋電位信号からヒトの動作意図を解読できれば，ロボット義手をはじめとする様々な機器の制御に応用することができます．しかし，筋電位信号の性質は電極の装着位置や皮膚の状態，筋の使い方の個人差によって大きく変化するため，ある人・ある日に計測したデータで学習した識別器を別の人や別の日にそのまま適用すると，精度が大きく低下してしまいます．この個人差・試行間差への脆弱性が，筋電位インタフェース実用化の最大の障壁となっています． 本研究では，筋電位信号の確率的生成モデルに関する知見を土台としながら，深層学習の枠組みでこの問題に取り組んでいます．被験者に依存しない特徴と動作に依存する特徴を分離することで新規ユーザへの汎化を図るとともに，少数の校正データからの高速な個人適応や，使い続けながら識別器を更新していく継続学習の実現を目指しています． 技術的アプローチ： - 敵対的学習による被験者不変特徴と動作特徴の分離 - メタ学習に基づく少数サンプルでの個人適応（few-shot adaptation） - 対比学習による試行間変動に頑健な表現学習 - 生成モデルと識別モデルを組み合わせたクラス増分学習