リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「表面筋電位測定による手指動作解析に関する研究」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

表面筋電位測定による手指動作解析に関する研究

横山 正幸 早稲田大学

2020.11.11

概要

近年，情報処理技術の発達により，音声，画像，Computer Graphics（CG），言語，また生体情報といった多量かつ複雑な情報を扱う事例が多く存在する．このような高度な情報を扱うために，複雑な操作を実行でき，かつ直感的なユーザ・インターフェース（User Interface: UI）が必要とされている．古来より人間は手指による作業を得意としており，センサの発達により，手指を使ったUIの研究も盛んである．しかし人間が直感的に操作でき，かつ小型で安価な手指による操作手法はまだ確立されていない．1946年に汎用電子計算機（コンピュータ）が開発されて以降，ユーザとコンピュータとの界面が明確に存在し，その普及と共にユーザ・インターフェース（UI）という概念が認知されるようになった．コンピュータのメモリ上に格納されたディジタル情報を，UIを通してコンピュータに処理させるための手順の複雑さに対応するため，コンピュータの発達と普及と共にUIもより使いやすく直感的な操作性が求められるようになる．1963年にSutherlandは，ライトペンでブラウン管に描画する方式の対話型システム「Sketchpad」を発表し，グラフィカル・ユーザ・インターフェース（GUI）の先駆けとなるシステムを提案した．なお現時点では，タッチパネルを搭載したスマートフォンやペンタブレットが，キーボードやマウスに比べ直感的な操作方式を採用した汎用コンピュータとして広く普及している．いずれのデバイスに対しても，手指を使った操作がUI操作の基本となっている．

　近年ではヘッド・マウント・ディスプレイ（HMD）が登場し，ユーザの視界を全て覆うタイプの視聴デバイスが普及しつつある．このような没入型視聴デバイスにおいて，ユーザがコントローラを手で持ち，目でコントローラを見ながら操作するという方法は利便性を損なう要因の一つである．またHMD以外のモバイル機器やウェアラブル機器においても，軽量性を損なうような大きなデバイスを必要とせず，シンプルで直感的な操作を実現するためのセンシング技術に対する需要が高まっている．直感的なUIを実現するために，手指の多様で複雑な動作をセンシングして推定する手指動作推定技術が必要である．近年では，センサやプロセッサ，信号処理アルゴリズムの発達により，これまで様々な手指動作推定手法が提案されている．手指動作推定の技術は「位置・姿勢推定」「ジェスチャ識別」「作用力推定」の3つに大別することができる．

　手指の位置・姿勢を推定するためのセンサは，指上に直接センサを配置する「指接触型（on-finger）センサ」と，カメラなど人体と離れた場所にセンサを配置したり，指以外の部分にセンサを配置する「非指接触型（off-finger）センサ」とに大別できる．指接触型センサ方式は手指の任意の姿勢を直接測定できるが，手指の空間上の位置を測定することはできない．また手指上にセンサを配置するため，日常生活における利便性が低い．非指接触型センサ方式では，カメラによる手指位置・姿勢推定が提案されており，主にマルチカメラやデプスカメラにより，カメラからの空間上の相対距離を求めることができる．しかしカメラの画角外にある指の位置・姿勢の撮影はできないため，オクルージョンによる推定誤差が発生する．

　特定のジェスチャのみ識別する用途の場合，手指全ての位置・姿勢を求めるよりも問題を簡素化できる．カメラを用いたジェスチャ識別はハンズフリーを実現できるが，ユーザの手と離れたところにカメラを設置する必要がある．筋電位センサによるジェスチャ識別は指先の動きを阻害せずセンサの構成も簡素だが，ノイズが多くSN比が悪い．また粘着性の湿式電極を前腕に張り付けるため，日常的な用途には適していない．

　握力や指圧力といった，手指動作に伴う作用力を推定するために筋電位センサを用いる研究が報告されている．筋電位センサと力覚センサで同時取得したデータを機械学習用データとして用い，筋電信号のみから作用力を推定する．筋電信号からの作用力推定では，関節角度の変化を伴わない等尺性収縮運動の変化を推定できる．筋電位センサで得られる信号は微弱なため，ノイズの影響を受けやすい．また表面筋電位センサの場合，体表との接触インピーダンスの変化の影響や，測定対象以外の筋収縮の影響を受けることが課題である．このため既存研究の多くは粘着性の高い湿式電極を測定部位に密着させて測定実験を行っている．

　本論文では上述の課題を解決し，日常生活に応用可能な手指動作推定手法を提案する．また提案した手法の有効性を確認するため，手の筋肉（内在筋）のみに表面筋電位センサの電極を配置して手指動作時の信号を測定し，測定した信号に対して手指動作推定手法を適用した結果を評価する．また湿式電極の代わりに粘着性のない乾式電極を用いた手指動作推定手法の提案と評価を行い，実生活上の応用可能性を示す．

　本論文は，以下の通りに構成する．

　第1章では本論文の背景，意義，概要を示す．

　第2章では，本論文の基本原理の説明として，筋電位センサの測定対象となる筋収縮時の活動電位のメカニズムと，表面筋電位センサの原理を説明する．これにより筋電位センサが，①筋収縮の情報を直接取得可能なため，等尺性収縮運動のように動きを伴わない運動を測定できること，②筋収縮時に過渡的に発生する微弱な活動電位を測定するためノイズの影響を受けやすいこと，といった特徴を原理的に説明する．次に手指動作に関わる骨格筋の構造と，手指動作を筋電位センサで解析した既存研究について述べる．これにより手指動作に関わる筋肉は内在筋（手指関節に近接した手に属する筋肉）と外在筋（手指関節から離れた前腕に属する筋肉）とに大別され，既存研究は外在筋上の体表から筋電位を測定したものが多く，実生活での応用を考えると内在筋上の体表からの測定に比べて装着性が悪く利便性を下げる可能性があることを示す．また手指動作に関わる内在筋の種類を示し，本研究の対象となる背側骨間筋は手背側の体表から測定可能なため，操作性を阻害しにくいことを説明する．また既存研究の多くは体表-電極間のインピーダンスを安定させるため湿式電極を用いており，実生活上での使用を想定した応用研究とは言えない研究が多いことを示す．

　第3章では，内在筋から測定する表面筋電信号の信頼性について評価する．このため本章ではジェスチャ操作において多く用いられる示指（人差し指）タップ動作に焦点を絞り，示指を強く押し当てている時の筋収縮状態を湿式電極の表面筋電位センサで測定し，内在筋2か所・外在筋1か所の計3か所の電極位置での信号対雑音比（SN比）を比較し，内在筋から得られる筋電信号の信頼性を評価する．

　第4章では，第3章で評価した手内在筋からの筋電信号の信頼性評価結果に基づき，内在筋に的を絞った手指動作解析手法の提案と評価を行う．特に手内在筋のうち，把握動作の妨げにならない背側骨間筋に焦点を当てる．第１背側骨間筋から第4背側骨間筋までが制御する示指，中指，薬指の3本の手指について，湿式電極を用いて測定した表面筋電信号に対してタップ動作の解析を行った結果を示す．2値データの統計解析手法として知られるロジスティック回帰分析を本実験結果に適用し，実際の筋構造に即した結果の観測性を確認することで，その妥当性を評価する．

　第5章では，日常生活上の応用を想定した手指動作解析手法の提案と評価を行う．第4章で評価した3本の手指によるタップ動作の実験を拡張し，本章では全5指によるタップ動作とピンチ動作の実験を行い，各動作のジェスチャ識別性能を評価する．日常生活上の応用を想定するため，何回も着脱することが難しい湿式電極に代わり，乾式電極を配置した指先開放型グローブ（フィンガーレス・グローブ）を作成し，同グローブを用いて測定した表面筋電信号から手指のジェスチャを識別する手法を提案する．また本章で提案する手法の識別性能を示し，乾式電極を配置したフィンガーレス・グローブを用いた手指動作識別の有効性を評価する．

　第6章では，第5章と同様，日常生活上の応用を想定した手指動作推定手法の提案と評価を行う．本章では手全体の把握動作の回帰問題に狙いを絞り，伸縮性素材の手背側に乾式電極を配置したフィンガーレス・グローブにより測定した表面筋電信号から把握力を推定した結果を示す．ニューラル・ネットワークにより非線形回帰モデルを構築し，ノード数や隠れ層数を変化させた時の回帰性能を調べ，手指による把握動作回帰問題の複雑性を評価する．また把握動作回帰問題の回帰性能を既存研究の回帰性能と比較し，本章で提案する，乾式電極による表面筋電信号から把握力を推定する手法の有効性を評価する．

　第7章では，本論文の内容を総括する．また結論として，乾式電極の表面筋電位センサにより手指のジェスチャ識別と把握力推定が可能であり，実生活上で使用可能なウェアラブル・デバイス用センサとして有望であること，および今後の課題について述べる．

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

[1] G. C. Kent and R. K. Carr, Comparative Anatomy of the Vertebrates 9th Edition, McGraw- Hill Companies Inc, 2000.

[2] R. Drake, A. W. Vogl, and A. W. M. Mitchell, Gray’s Anatomy for Students 3rd Edition, Elsevier, 2014.

[3] S. Harmand et al., ``3.3-million-year-old stone tools from Lomekwi 3, West Turkana, Kenya,” Nature, vol.521, pp.310-315, 2015.

[4] S. Semaw et al., ``2.5-million-year-old stone tools from Gona, Ethiopia,” Nature, vol.385, pp. 333-336, 1997.

[5] M. Aubert et al., ``Pleistocene cave art from Sulawesi, Indonesia,” Nature Letter, vol.514, pp. 223-227, 2014.

[6] A. W. G. Pike et al., ``U-series dating of Paleolithic art in 11 caves in Spain,” Science, vol. 336, pp.1409-1413, 2012.

[7] The University of Oxford, ``Cuneiform Digital Library Initiative,” https://cdli.ucla.edu/, accessed: 2019/2/16.

[8] The Digital Library of Inscriptions and Calligraphies, ``Ancient Egyptian Inscriptions,” http://inscriptionslibrary.bibalex.org/presentation/InscriptionsHome.aspx?Lang=en&INS_ID=13, accessed: 2019/2/16.

[9] N. J. Conard et al., ``New flutes document the earliest musical tradition in southwestern Germany,” Nature Letter, vol. 460, pp.737-740, 2009.

[10] H. H. Goldstine, The Computer from Pascal to Von Neumann. Princeton University Press, 1972.

[11] I. E. Sutherland, ``Sketchpad: A Man-Machine Graphical Communication System,” Massachusetts Institute of Technology, 1963.

[12] I. E. Sutherland, ``Sketchpad: A Man-Machine Graphical Communication System,” University of Cambridge, Technical Report No.574, 2003.

[13] H. Ishii and B. Ullmer, ``Tangible Bits: Towards Seamless Interfaces between People, Bits and Atoms,” Proc. CHI, pp. 234-241, 1997.

[14] 石井 裕, ``タンジブル・ビット - 情報と物理世界を融合する,新しいユーザ・インタフェース・デザイン -,” 情報処理, vol.43, no.3, pp.222-224, 2002.

[15] Sony Interactive Entertainment, ``PlayStation,” https://www.playstation.com accessed: 2019/2/18.

[16] HTC Corporation, ``VIVE,” https://www.vive.com accessed: 2019/2/18.

[17] Facebook Technologies, ``oculus,” https://www.oculus.com accessed: 2019/2/18.

[18] CyberGlove Systems, ``CyberGlove,” http://www.cyberglovesystems.com accessed: 2019/2/18.

[19] SparkFun Electronics, ``Flex sensor,” https://www.sparkfun.com accessed: 2019/2/23.

[20] SPICE, ``IGS-Cobra Glove,” https://www.mocap.jp/igs/ accessed: 2019/2/18.

[21] J. Connolly et al., ``IMU Sensor-Based Electronic Goniometric Glove for Clinical Finger Movement Analysis,” IEEE Sensors Journal, vol.18, no.3, pp. 1273-1281, 2018.

[22] KY. Chen et al., ``Finexus: Tracking Precise Motions of Multiple Fingertips Using Magnetic Sensing,” CHI Conference on Human Factors in Computing Systems, pp.1504-1514, 2016.

[23] J. Tompson et al., ``Real-Time Continuous Pose Recovery of Human Hands Using Convolutional Networks,” ACM Transactions on Graphics, vol. 33, no.5, 2014.

[24] S. Han et al., ``Online Optical Marker-based Hand Tracking with Deep Labels,” ACM Transactions on Graphics, vol.37, no.4, pp.1-10, 2018.

[25] A. Erol et al., ``Vision-based hand pose estimation: A review,” Computer Vision and Image Understanding, vol.108, pp.52-73, 2007.

[26] R. Z. Khan and N. A. Ibraheem, ``Hand Gesture Recognition: A Literature Review,” International Journal of Artificial Intelligence and Applications, vol.3, no.4, pp.161-174, 2012.

[27] T. S. Saponas et al., ``Demonstrating the Feasibility of Using Forearm Electromyography for Muscle-Computer Interfaces,” SIGCHI Conference on Human Factors in Computing Systems, pp.515-524, 2008.

[28] I. Kuzborskij et al., ``On the Challenge of Classifying 52 Hand Movements from Surface Electromyography,” Annual International Conference of the IEEE EMBS, pp.4931-4937, 2012.

[29] A. A. Adewuyi et al., ``An Analysis of Intrinsic and Extrinsic Hand Muscle EMG for Improved Pattern Recognition Control,” IEEE Transaction on Neural Systems and Rehabilitation Engineering, vol.24, no.4, pp.485-494, 2016.

[30] X. Zhang et al., ``A Framework for Hand Gesture Recognition Based on Accelerometer and EMG Sensors,” IEEE Transaction on Systems, Man, and Cybernetics-Part A: Systems and Humans, vol.41, no.6, pp.1064-1076, 2011.

[31] J. Duque, D Masset and J. Malchaire, ``Evaluation of Handgrip Force from EMG Measurements,” Applied Ergonomics, vol.26, no.1, pp.61-66, 1995.

[32] F. D. Santo et al., ``Relation between Isometric Muscle Force and Surface EMG in Intrinsic Hand Muscles as Function of the Arm Geometry,” Brain Research, vol.1163, pp.79-85, 2007.

[33] C. D-Klug et al., ``Surface Electromyography and Muscle Force: Limits in SEMG-Force Relationship and New Approaches for Applications,” Clinical Biomechanics, vol.24, pp.225- 235, 2009.

[34] PL. Kuo et al., ``Finger Joint Coordination during Tapping,” Journal of Biomechanics, vol. 39, pp.2934-2942, 2006.

[35] D. L. Jindrich et al., ``Effects of Keyswitch Design and Finger Posture on Finger Joint Kinematics and Dynamics during Tapping on Computer Keyswitches,” Clinical Biomechanics, vol.19, pp.600-608, 2004.

[36] F. Mobasser and K. H-Zaad, ``Hand Force Estimation using Electromyography Signals,” IEEE International Conference on Robotics and Automation, pp.2631-2636, 2005.

[37] M. J. M. Hoozemans and J. H. van Dieën, ``Prediction of Handgrip Forces using Surface EMG of Forearm Muscles,” Journal of Electromyography and Kinesiology, vol.15, pp.358- 366, 2005.

[38] C. Choi et al., ``Real-Time Pinch Force Estimation by Surface Electromyography using an Artificial Neural Network,” Medical Engineering & Physics, vol.32, pp.429-436, 2010.

[39] S. S. Mostafa et al., ``Clench Force Estimation by Surface Electromyography for Neural Prosthesis Hand,” IEEE/OSA/IAPR International Conference on Informatics, Electronics & Vision, pp.505-510, 2012.

[40] H. S. S. Gupta et al., ``Estimation of Hand Force from Surface Electromyography Signals using Artificial Neural Network,” World Congress on Intelligent Control and Automation, pp. 584-589, 2012.

[41] 山口典孝, 左明, 動作でわかる筋肉の基本としくみ, マイナビ, p.66, 2013.

[42] B. Alberts, Molecular Biology of the Cell 6th Edition, Garland Science, 2014.

[43] B. Alberts, Essential Cell Biology 4th Edition, Garland Science, 2013.

[44] 田中 喜美夫, アクティブ心電図, サイオ出版, 2014.

[45] 片野 由美, 内田 勝雄, 生理学, サイオ出版, 2017.

[46] 香山 雪彦, 前川 剛志, 病棟で働く人のための生理学, 秀潤社, 2000.

[47] 木塚 朝博, 増田 正, 木竜 徹, 佐渡山 亜兵, 表面筋電図, 東京電機大学出版局, 2006.

[48] A.O. Prerotto, Anatomical guide for the electromyographer: the limbs and trunk. 5th ed., Springfield, Illinois: Charls C Thomas Publisher Ltd, 2011.

[49] Y. Y. Huang et al., ``Initial Analysis of EMG Signals of Hand Functions Associated to Rehabilitation Tasks,” Proc. International Conference on Robotics and Biomimetics, pp.530- 535, 2009.

[50] K. Y. Ang et al., ``Electromyography Analysis for Pre-clinical Trials of Hand Rehabilitation Tasks using Design of Experiments,” Proc. IEEE International Conference on Mechatronics and Automation, pp. 915-920, 2009.

[51] S. Ho et al., ``An EMG-driven Exoskeleton Hand Robotic Training Device on Chronic Stroke Subjects: Task Training System for Stroke Rehabilitation,” Proc. IEEE International Conference on Rehabilitation Robotics, pp.1-5, 2011.

[52] D. Leonardis et al., ``An EMG-Controlled Robotic Hand Exoskeleton for Bilateral Rehabilitation,” IEEE Trans. Haptics, vol. 8(2), pp. 140 – 151, 2015.

[53] T. S. Saponas et al., ``Demonstrating the Feasibility of Using Forearm Electromyography for Muscle-Computer Interfaces,” Proc. SIGCHI Conference on Human Factors in Computing Systems, pp. 515 – 524, 2008.

[54] T. S. Saponas et al., ``Enabling Always-Available Input with Muscle-Computer Interfaces,” Proc. The 22nd Annual ACM Symposium on User Interface Software and Technology, pp. 167 – 176, 2009.

[55] I. Kuzborskij et al., ``On the Challenge of Classifying 52 Hand Movements from Surface Electromyography,” Proc. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 4931 - 4937, 2012.

[56] A. Tsuboi et al., ``A Proposal for Wearable Controller Device and Finger Gesture Recognition using Surface Electromyography,” Proc. Siggraph Asia Posters, 2017.

[57] X. Zhang et al., ``Hand Gesture Recognition and Virtual Game Control Based on 3D Accelerometer and EMG Sensors,” Proc. The 14th International Conference on Intelligent User Interfaces, pp. 401 - 406, 2009.

[58] X. Zhang et al., ``A Framework for Hand Gesture Recognition Based on Accelerometer and EMG Sensors,” IEEE Trans. Systems, Man, and Cybernetics – Part A: Systems and Humans, vol. 41(6), pp. 1064 – 1076, 2011.

[59] M. Atzori et al., ``Building the NINAPRO Database: A Resource for the Biorobotics Community,” Proc. IEEE International Conference on Biomedical Robotics and Biomechatronics, 2012.

[60] C. Villamor et al., ``Touch Gesture Reference Guide,” 2010, https://www.lukew.com/ff/entry.asp?1071, accessed: 2020/2/18.

[61] G. P. Szeto and J. K. Lin, ``A Study of Forearm Muscle Activity and Wrist Kinematics in Symptomatic Office Workers Performing Mouse-Clicking Tasks with Different Precision and Speed Demands,” Journal of Electromyography and Kinesiology, vol. 21(1), pp. 59 – 66, 2011.

[62] S. Green et al., ``Empirical Modelling of the Dynamic Response of Fatigue During Intermittent Submaximal Contractions of Human Forearm and Calf Muscles,” Journal of Electromyography and Kinesiology, vol. 25(1), pp. 20 – 27, 2015.

[63] J. A. Johnston et al., ``Coordination of Intrinsic and Extrinsic Hand Muscle Activity as a Function of Wrist Joint Angle during Two-Digit Grasping,” Neuroscience Letter, vol. 474(2), pp. 104 – 108, 2010.

[64] A. Al-Sukaini et al., ``Extrinsic Versus Intrinsic Hand Muscle Dominance in Finger Flexion,” Journal of Hand Surgery European Volume, vol. 41(4), pp. 392 – 399, 2016.

[65] W. L. Buford Jr. et al., ``Analysis of Intrinsic-Extrinsic Muscle Function through Interactive 3-dimensional Kinematic Simulation and Cadaver Studies,” Journal of Hand Surgery American Volume, vol. 30(6), pp. 1267 – 1275, 2005.

[66] S. K. Lee and J. R. Wisser, ``Restoration of Pinch in Intrinsic Muscles of the Hand,” Hand Clinics, vol. 28(1), pp. 45 – 51, 2012.

[67] A. d’Avella et al., ``Combinations of Muscle Synergies in the Construction of a Natural Motor Behaviour,” Nature Neuroscience, vol. 6(3), pp. 300 – 308, 2003.

[68] M. Yokoyama et al., ``Muscle Analysis of Hand and Forearm during Tapping using Surface Electromyography,” Proc. IEEE 4th Global Conf. Consumer Electronics, pp. 595 – 598, 2015.

[69] C. Long and M. E. Brown, ``Electromyographic Kinesiology of the Hand: Muscles Moving the Long Finger,” Journal of Bone and Joint Surgery America, vol. 46(8), pp. 1683- 1706, 1964.

[70] T. Ayer et al., ``Comparison of Logistic Regression and Artificial Neural Network Models in Breast Cancer Risk Estimation,” Radiographics, vol. 30(1), pp. 13 – 22, 2010.

[71] P. A. Kaplanis et al., ``Surface EMG Analysis on Normal Subjects based on Isometric Voluntary Contraction,” Journal of Electromyography and Kinesiology, vol. 19, pp. 157 – 171, 2009.

[72] M. Yokoyama and M. Yanagisawa, ``Logistic Regression Analysis of Multiple Interosseous Hand-Muscle Activities using Surface Electromyography during Finger- Oriented Tasks,” Journal of Electromyography and Kinesiology, vol. 44, pp. 117 – 123, 2019.

[73] G. D. Garson, Logistic Regression: Binary & Multinomial: 2016 Edition, Statistical Associates Publishers, 2016.

[74] D. R. Cox and E. J. Snell, The Analysis of binary data, 2nd ed. London: Chapman and Hall, 1989.

[75] N. J. D. Nagelkerke, ``A Note on a General Definition of the Coefficient of Determination,” Biometrika, vol. 78, pp. 691 – 692, 1991.

[76] F. Mobasser and K. H-Zaad, ``Hand Force Estimation using Electromyography Signals,” Proc. International Conference on Robotics and Automation, pp. 2631-2636, 2005.

[77] M. Kasuya et al., ``Robust Grip Force Estimation under Electric Feedback using Muscle Stiffness and Electromyography for Powered Prosthetic Hand,” Proc. IEEE International Conference on Robotics and Automation (ICRA), pp. 93-98, 2013.

[78] H. Srinivasan et al., ``Estimation of Hand Force from Surface Electromyography Signals using Artificial Neural Network,” Proc. 10th World Congress on Intelligent Control and Automation, pp. 584-589, 2012.

[79] M. Yokoyama et al., ``An Evaluation of Hand-Force Prediction using Artificial Neural- Network Regression Models of Surface EMG Signals for Handwear Devices,” Journal of Sensors, vol. 2017, pp. 1-12, 2017.

[80] K. park and S. Lee, ``Movement Intention Decoding based on Deep Learning for Multiuser Myoelectric Interfaces,” Proc. International Winter Conference on Brain-Computer Interface, pp.1-2. 2016.

[81] M. Hirota et al., ``Gesture Recognition of Air-Tapping and Its Application to Character Input in VR Space,” Proc. Siggraph Asia Posters, 2018.

[82] A. Krizhevsky et al., ``Imagenet Classification with Deep Convolutional Neural Networks,” Advances in Neural Information Processing Systems, vol. 25, pp. 1106-1114, 2012.

[83] Sony Corporation, ``Neural Network Console,” https://dl.sony.com/, accessed: 2018/2/18.

[84] H. Savelberg and W. Herzog, ``Prediction of Dynamic Tendon Forces from Electromyographic Signals: An Artificial Neural Network Approach,” Journal of Neuroscience Methods, vol. 78, pp. 65-74, 1997.

[85] M. Liu et al., ``Dynamic muscle force predictions from EMG: an artificial neural network approach,” Journal of Electromyography and Kinesiology, vol. 9, pp. 391-400, 1999.

[86] 内田 治，SPSS によるロジスティック回帰分析（第 2 版）, オーム社, 2016.

[87] 水本 篤, 竹内 理, ``研究論文における効果量の報告のために ―基礎的概念と注意点―,” 英語教育研究, vol. 31, pp. 57-66, 2008.

参考文献をもっと見る