論文要約：MoEMba（高密度 sEMG に基づく手ジェスチャ認識のための Mamba ベースの混合専門家モデル）

1. 背景と課題 (Problem)

高密度表面筋電図（HD-sEMG）は、筋肉の活動や運動意図を直接捉えることができるため、ヒューマン・コンピュータ・インタラクション（HCI）や義肢制御において重要な技術です。しかし、実用的な適用には以下の重大な課題が存在します。

• セッション間・被験者間の精度低下: 同一被験者でも異なるセッション間、あるいは異なる被験者間での分類精度が著しく低下します。セッション間のばらつきは最大 40% に達する可能性があります。
• 信号の非定常性と変動要因: 筋疲労、皮膚インピーダンスの変化（発汗など）、解剖学的差異、電極の位置ずれ、力の変化などが、信号パターンに大きな変動をもたらします。
• 既存モデルの限界:
  • 機械学習 (ML): 手動の特徴量抽出に依存しており、非定常な多変量時系列データの複雑なパターンを捉えるのが困難です。
  • 深層学習 (DL): CNN は長距離依存性の捕捉が弱く、RNN は長期記憶の維持に課題があります。Transformer はグローバルな受容野を持つものの、計算コストが二次関数的（$O(n^2)$）に増大し、リアルタイム処理や組み込みシステムへの適用が困難です。
  • チャネル間の依存関係の無視: 多くのモデルがチャネルを独立した時系列として扱い、筋活動における複雑な筋肉間協調（チャネル間の相関）を無視しています。

2. 提案手法：MoEMba フレームワーク (Methodology)

本研究では、HD-sEMG 信号のジェスチャ認識を目的とした、Mamba（選択的状態空間モデル：SSM）を基盤とした新しいフレームワーク「MoEMba」を提案しています。このフレームワークは、計算効率の良さ、長系列データの処理能力、そしてセッション間変動への頑健性を追求しています。

アーキテクチャは以下の 3 つの主要モジュールで構成されます。

A. WTFM ブロック（Wavelet Transform Feature Modulation）

• 目的: 多スケールの時空間関係を捉え、信号表現を強化する。
• 仕組み:
  1. 入力パッチに対して、小さなカーネル（3x3）と大きなカーネル（7x7）を用いた時系列畳み込みを行い、局所的および大域的な特徴を抽出。
  2. 局所特徴に対して**離散ウェーブレット変換（DWT）**を適用し、近似成分と詳細成分（水平、垂直、対角）に分解。
  3. 分解されたウェーブレット特徴を元のサイズにアップサンプリングし、チャネルアテンション機構で重み付け（重要なチャネルに焦点を当てる）。
  4. 重み付けされたウェーブレット特徴と大域的特徴をハダマール積（要素ごとの積）で結合し、さらに小スケール特徴と結合。これにより、時間領域と周波数領域の情報を統合した特徴量（$F_{WTFM}$）を生成。

B. MoE ブロック（Mixture of Experts）

• 目的: 複数の Mamba エキスパートを動的に組み合わせ、短時間および長時間のジェスチャダイナミクスを適応的にモデル化する。
• 仕組み:
  • 複数の Mamba エキスパート（本研究では 2 つ）と、それらを制御するゲーティングネットワークで構成。
  • スパースゲーティング: 入力データに基づき、最も適したエキスパートのみを選択的に活性化（Top-K 選択）。これにより計算効率を最大化。
  • バランス損失: 特定のエキスパートへの偏りを防ぎ、すべてのエキスパートが均等にデータを利用するようにする損失関数を導入。
  • Mamba 自体が選択的状態空間モデル（SSM）を採用しており、入力依存の動的パラメータ化により、データ分布のシフト（セッション間変動）に適応可能。

C. 分類ブロック

• 各パッチの予測を統合し、同じ信号に属するパッチ間の予測に対して**多数決（Voting）**を行うことで、ノイズや一貫性のないパッチレベルの予測の影響を低減し、最終的な信号レベルの分類を行う。

3. 主な貢献 (Key Contributions)

1. Mamba の HD-sEMG への初適用: 高密度 sEMG 手ジェスチャ認識において、Mamba アーキテクチャを初めて適用し、混合専門家（MoE）構成で適応的な時系列モデリングを実現。
2. ウェーブレット特徴変調（WTFM）の導入: 時間領域と周波数領域の情報を統合し、チャネル間の空間的関係と多スケールの時間的関係を同時に捉える新しい特徴抽出手法を提案。
3. 計算効率と頑健性の両立: Transformer などの SOTA モデルに匹敵する精度を維持しつつ、線形計算量（$O(n)$）を実現。FLOPS（浮動小数点演算数）を大幅に削減し、リアルタイムアプリケーションやリソース制約のあるシステムへの展開を可能にした。

4. 実験結果 (Results)

• データセット: CapgMyo HD-sEMG データセット（DB-b）を使用。128 チャンネル、1000Hz サンプリング。セッション間変動を評価するため、あるセッションで学習し、別のセッションでテストする手法を採用。
• 精度:
  • 提案モデル MoEMba は、バランス精度 56.9% を達成。
  • 既存の SOTA モデル（TD, ETD, NinaPro, SampEn, TVGGNet など）と比較して、有意に高い精度（次点で 44.8% 程度）を示し、ランダム推測（12.5%）を大きく上回った。
• 計算コスト:
  • パラメータ数：約 45.5 万
  • FLOPS: 約 2,731 万
  • Transformer などの二次関数的な計算量を持つモデルと比較して、長系列データ処理において極めて効率的。
• クラス別性能: 親指上げや全指の離散運動など、筋活動パターンが明確なジェスチャでは高い AUC（0.974 など）を示したが、複雑な指の曲げ伸ばしを伴うジェスチャでは精度がやや低下する傾向が見られた（信号の重なりによる）。

5. 意義と結論 (Significance)

MoEMba は、HD-sEMG ベースの HCI システムにおける「セッション間変動」という長年の課題に対する有効な解決策を示しました。

• 実用性の向上: 高い計算効率により、義肢制御やリハビリテーション支援など、リアルタイム性が求められる組み込みシステムでの実装が現実的になりました。
• 汎化能力: 異なるセッションや被験者間でのデータ分布のシフトに対して頑健であり、少ない適応データでも良好な性能を発揮する可能性があります。
• 将来展望: 合成データを用いたデータ拡張によるさらなる頑健性の向上や、他のモダリティとの融合による精度向上が今後の研究課題として挙げられています。

総じて、この研究は、選択的状態空間モデル（SSM）と混合専門家（MoE）の組み合わせが、生体信号処理の複雑な課題を解決する強力なアプローチであることを実証しました。