连续波形变换的手势识别和深度卷积注意网络的手势识别
Xiaoguang Liu1,2, Mingjin Zhang1,2, Jiawei Wang1,2
1College of Electronic and Information Engineering, Hebei University, Baoding, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究引入了改进的深卷积神经网络 (DCNN),用于使用表面电肌图 (sEMG) 信号进行手势识别. 新的DCNN-SAM模型通过解决缺失的数据特征来提高准确性,达到96.1%的识别率.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 缺少的数据特征在准确的手势识别中构成了重大挑战.
- 表面电肌图 (sEMG) 信号为人机交互提供了丰富的信息,但容易丢失数据.
- 深度卷积神经网络 (DCNNs) 是有前途的,但需要改进才能处理不完整的数据集.
研究的目的:
- 建议使用DCNN改进的手势识别方法来克服缺失的数据特征.
- 增强DCNN的特征表示能力,用于sEMG信号分析.
- 为了实现从sEMG数据中识别手势的更高准确度.
主要方法:
- 使用连续波形变换提取了sEMG信号的时间频谱图.
- 开发了一个DCNN模型,与空间注意模块 (SAM) 和残余模块 (DCNN-SAM) 集成.
- 嵌入剩余模块以改善特征表示和减轻缺失数据问题.
主要成果:
- 拟议的DCNN-SAM模型在10种不同的手势上实现了96.1%的手势识别准确度.
- 与标准DCNN相比,改进的方法显示了大约6个百分点的显著准确度增加.
- 集成SAM和剩余模块有效地解决了缺少数据特征的问题.
结论:
- 开发的DCNN-SAM方法为sEMG信号的手势识别提供了强大的解决方案,特别是在缺少数据的情况下.
- 通过空间注意力和残余模块的增强特征表示,导致更高的识别精度.
- 这种方法有可能在人机交互和假肢控制方面推进应用.
