表面筋電図と機械学習を使用したリアルタイムハンドジェスチャー認識：体系的な文献レビュー

今日、日常生活は多くのコンピューティングシステムで構成されているため、自然な方法でそれらと対話することで、コミュニケーションプロセスがより快適になります。人間とコンピューターの間のコミュニケーションの障壁を克服するために、ヒューマンコンピューターの相互作用（HCI）が開発されました。HCIの1つの形式は、手のジェスチャー認識（HGR）です。これは、特定の手の動きのクラスと実行の瞬間を予測します。これらのモデルの可能な入力の1つは、骨格筋の電気活動を記録する表面筋電図（EMG）です。EMG信号には、人間の脳によって生成された動きの意図に関する情報が含まれています。この系統的文献レビューは、EMGデータと機械学習を使用して、最先端のリアルタイムハンドジェスチャー認識モデルを分析しています。キッチンハムの方法論に続いて、65の主要な研究を選択し、評価しました。機械学習ベースのシステムの共通構造に基づいて、モデルの種類、データ収集、セグメンテーション、前処理、特徴抽出、分類、ポストプロセス、リアルタイム処理、ジェスチャーの種類、評価メトリックに関する提案されたモデルと標準化された概念の構造を分析しました。最後に、EMGを使用したジェスチャー認識の分野での将来の研究のために新しい作業の新しい方向を開く可能性のある傾向とギャップも特定しました。

Today, daily life is composed of many computing systems, therefore interacting with them in a natural way makes the communication process more comfortable. Human-Computer Interaction (HCI) has been developed to overcome the communication barriers between humans and computers. One form of HCI is Hand Gesture Recognition (HGR), which predicts the class and the instant of execution of a given movement of the hand. One possible input for these models is surface electromyography (EMG), which records the electrical activity of skeletal muscles. EMG signals contain information about the intention of movement generated by the human brain. This systematic literature review analyses the state-of-the-art of real-time hand gesture recognition models using EMG data and machine learning. We selected and assessed 65 primary studies following the Kitchenham methodology. Based on a common structure of machine learning-based systems, we analyzed the structure of the proposed models and standardized concepts in regard to the types of models, data acquisition, segmentation, preprocessing, feature extraction, classification, postprocessing, real-time processing, types of gestures, and evaluation metrics. Finally, we also identified trends and gaps that could open new directions of work for future research in the area of gesture recognition using EMG.