Publication

Gaussian Mixture Regression on Symmetric Positive Definite Matrices Manifolds: Application to Wrist Motion Estimation with sEMG

2017
Conference Papers

Résumé

In many sensing and control applications, data are represented in the form of symmetric positive definite (SPD) matrices. Considering the underlying geometry of this data space can be beneficial in many robotics applications. In this paper, we present an extension of Gaussian mixture regression (GMR) with input and/or output data on SPD manifolds. As the covariance of SPD datapoints is a 4th-order tensor, we develop a method for parallel transport of high order covariances on SPD manifolds. The proposed approach is experimented in the context of prosthetic hands, with the estimation of wrist movements based on spatial covariance features computed from sEMG signals.

Source officielle

https://infoscience.epfl.ch/entities/publication/b05e605e-828d-4d9c-92ff-e67dcc046e66

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2017
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/b05e605e-828d-4d9c-92ff-e67dcc046e66

À propos de ce résultat

Concepts associés (32)

Donnée

Une donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.

Estimation of covariance matrices

In statistics, sometimes the covariance matrix of a multivariate random variable is not known but has to be estimated. Estimation of covariance matrices then deals with the question of how to approximate the actual covariance matrix on the basis of a sample from the multivariate distribution. Simple cases, where observations are complete, can be dealt with by using the sample covariance matrix.

Covariance matrix

In probability theory and statistics, a covariance matrix (also known as auto-covariance matrix, dispersion matrix, variance matrix, or variance–covariance matrix) is a square matrix giving the covariance between each pair of elements of a given random vector. Any covariance matrix is symmetric and positive semi-definite and its main diagonal contains variances (i.e., the covariance of each element with itself). Intuitively, the covariance matrix generalizes the notion of variance to multiple dimensions.

Afficher plus

Publications associées (32)

Afficher plus

Gaussian Mixture Regression on Symmetric Positive Definite Matrices Manifolds: Application to Wrist Motion Estimation with sEMG

Chattez avec Graph Search

Simulation Framework for the Generation and Evolution of Synthetic Populations: From Hierarchical Snapshots to Longitudinal Data

A dataset of scientific citations in U.S. patent Office Actions

Bayesian Velocity-space Tomography with Collision- and Charge-exchange-physics Prior From Fast-ion D-alpha Measurements at Tcv with Uncertainty Quantification