从sEMG信号进行跨用户的手势识别,使用最佳的运输辅助学生-教师框架

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 肌电控制系统在跨用户的手势识别方面面临挑战,原因是肌肉活动的高度变化.
• 现有的方法往往需要广泛的用户特定的校准数据.

研究的目的:

• 开发一种新的框架,用于使用无监督域适应的用户通用肌电模式识别.
• 为了提高新用户的手势识别的准确性和效率,而不需要标记数据.

主要方法:

• 提出了一个学生-教师 (ST) 框架,增强了无监督领域适应 (UDA) 的最佳运输 (OT).
• 教师模型为未标记的目标域数据生成伪标签,以OT优化为指导.
• 在标记的源域数据上训练初始的ST模型,然后将学生模型适应目标域.

主要成果:

• OT-ST框架在识别新用户的七种手势方面实现了96.50%±2.88%的高精度.
• 显著优于常见的机器学习和UDA方法 (p < 0.01).
• 在不需要重复训练或校准数据的情况下证明了有效性.

结论:

• OT-ST框架为用户通用的肌电体手势识别提供了强大而高效的解决方案.
• 这种方法促进了肌电控制系统的无传输学习.
• 在人机交互,消费电子和假肢控制方面的应用中提出了一个有前途的方法.