通过通道激活智能的移动识别sEMG注意力
Jiaxuan Zhang1, Yuki Matsuda1, Manato Fujimoto2
1Nara Institute of Science and Technology (NAIST), Ikoma, Nara 630-0192, Japan.
Methods (San Diego, Calif.)
|July 21, 2023
概括
这项研究引入了一种新的三轴特征提取方法,用于表面肌电图 (sEMG) 信号,在健康个体和截肢者中实现运动识别的最新精度.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 表面电肌图 (sEMG) 信号为了解肌肉活动和用户意图提供了丰富的数据.
- 目前的sEMG特征提取方法面临的挑战是由于信号的随机性,过渡性和非静止性.
- 有效的特征提取对于康复,临床诊断和人机交互的应用至关重要.
研究的目的:
- 为了克服当前sEMG信号处理的局限性.
- 开发一种强大的方法来提取用于运动识别的代表性特征.
- 为了提高基于sEMG的手势分类的准确性和通用性.
主要方法:
- 一个新的三轴视图的sEMG功能集成时间,空间和道明智的摘要.
- 使用最先进的变压器架构与基于注意力的模块.
- 允许在道之间有效并行搜索和提取全球上下文相关性.
主要成果:
- 拟议的方法在两个Ninapro数据集上实现了最先进的精度 (SOTA).
- 与sEMG手势分类的现有方法相比,表现出优越的性能.
- 通过在不同数据集上进行预训练和微调,表现出强大的概括能力.
结论:
- 新的3轴sEMG特征提取方法显著提高了运动识别准确度.
- 基于变压器的方法有效地捕捉了道间的关系,以提高性能.
- 该方法具有出色的概括性,为更广泛的临床和工程应用铺平了道路.
