7月26日〜30日にカナダ トロントで開催された国際会議 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026) にて，D1の福田隼也君が口頭発表，M1の竹内伶君がポスター発表を行いました．発表内容は下記の通りです．
-
Shunya Fukuda, Toshio Tsuji, and Akira Furui, “Hybrid Generative-Discriminative Learning of Scale Mixture Models for EMG Classification”, Proceedings of the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Toronto, Canada, Jul 26–30, 2026.
-
Ren Takeuchi and Akira Furui, “Subject-Stratified Meta-Learning for Few-Shot Adaptation in EMG-Based Gesture Recognition”, Proceedings of the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Toronto, Canada, Jul 26–30, 2026.
EMBCはIEEEのEMBS (Engineering in Medicine and Biology Society) の年次大会であり，生体医工学に関する世界最大のフラッグシップ会議です．生体信号処理や医用画像処理，リハビリ工学，バイオロボティクス，バイオマテリアルなど，幅広いトピックに関する最新の研究成果について発表が行われます．
福田君は，尺度混合モデル（SMM）に基づく筋電位（EMG）識別の新しい学習法について発表しました．SMMは，EMG信号の裾の重い分布を表現できるため，試行ごとの信号変動に強く，予測の確信度が実際の正解率とよく一致するという利点があります．一方で，従来のSMMは尤度を最大化するように学習されており，識別のための境界を直接学習しているわけではありませんでした．提案手法では，SMMを自動微分フレームワーク上で微分可能な形で実装し，尤度に基づく生成学習と，識別誤差に基づく識別学習を組み合わせて学習します．3つの公開EMGデータセットを用いた実験により，SMM本来の頑健性と確信度の正確さを保ったまま，識別精度を向上できることを確認しました．
竹内君は，メタ学習を用いてEMG動作識別を少数データで個人適応させる手法について発表しました．EMGの動作識別では，信号の特性が人によって異なるだけでなく，同じ人でも試行ごとに変動するため，高精度な識別には多くのキャリブレーションデータが必要でした．提案手法 Subject-Stratified MAML (SS-MAML) では，学習用のタスクを被験者ごとに切り分けて構成し，1試行だけを適応用データとするタスクを数多く経験させます．これにより，個人差の影響を受けにくく，かつ試行ごとの変動には素早く適応できる初期パラメータが得られます．3つの公開データセットを用いた実験により，1試行のみのキャリブレーションでも既存手法を上回る精度が得られることを示しました．
福田君にとっては，社会人博士として入学してから初めての国際会議発表（前回の発表は約2年半前）でしたが，落ち着いた口頭発表と質疑応答ができていました．竹内君は初めての国際会議発表ながら，ポスターセッションで多くの参加者と活発に議論を交わすことができました．2人ともお疲れ様でした！
竹内君の発表の様子（7/28）
福田君の発表の様子（7/30）
トロント市内の景色
期間限定で，カナダの国獣であるビーバーの像がトロント市内のさまざまな場所に出没していた