多视图融合基于网络的手势识别使用sEMG数据
IEEE journal of biomedical and health informatics
|June 20, 2023
概括
这项研究引入了一种新的深度学习方法,以改进稀疏表面电肌图 (sEMG) 信号分析以识别人类行动. 多视图融合网络有效地增强了特征信息,并减少了识别中的个人差异.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 康复医学 康复医学 康复医学
背景情况:
- 表面电肌图 (sEMG) 对于非侵入性康复医学和人类行为识别至关重要.
- 稀疏的sEMG分析和多视图融合落后于高密度的sEMG,缺乏丰富特征信息和减少道数据丢失的方法.
研究的目的:
- 提出一种新的深度学习框架,用于在多视图融合中增强稀疏的sEMG功能信息.
- 为了有效地减少在特征提取过程中通道维度中的信息损失.
- 提高基于sEMG的动作识别的准确性和减少个体变异性.
主要方法:
- 开发了一个新的Inception-MaxPooling-Squeeze-Excitation (IMSE) 网络模块,以最大限度地减少功能信息丢失.
- 使用多个功能编码器与多核并行处理稀疏的sEMG功能地图丰富.
- 采用Swin变压器 (SwT) 作为分类的骨干,并比较了不同决策层的特征融合效应.
主要成果:
- 拟议的多视图融合网络在使用NinaPro DB1数据集上的300ms时间窗口实现了93.96%的平均准确性.
- 个体动作识别率的变化仅限于不到11.2%,表明个性差异减少.
- 在决策层的融合显著改善了网络分类性能.
结论:
- 拟议的多视图学习框架有效地从稀疏的sEMG信号中增加道特征信息.
- 这种方法为非密度生物信号模式识别提供了有价值的参考,特别是在减少主体间的变异性方面.
- 该研究强调了先进的深度学习技术的潜力,以增强在康复和人机交互中的稀疏sEMG应用.
