新型可穿戴HD-EMG传感器与使用深度学习的移动强大的手势识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 用于手势识别的肌电控制面临着诸如电极运动和前臂方向等混因素的稳定性挑战.
• 现有的系统往往缺乏适应四肢尺寸变化和会话间数据一致性的适应性.

研究的目的:

• 开发一种硬件软件解决方案,提高肌电手势识别的稳定性.
• 通过新的传感器设计和先进的机器学习算法来解决肌电控制中的混因素.

主要方法:

• 开发EMaGer,一种全新的,全周长的,灵活的,64通道高密度电肌图 (HD-EMG) 传感器.
• 使用卷积神经网络 (CNN) 实现阵列转移数据增强 (ABSDA) 方法.
• 使用反称CNN (AA-CNN) 来提高转移不变性和对电极位移的稳定性.

主要成果:

• 与传统的CNN相比,ABSDA-CNN方法在6个手势课程中,在会话间的准确度中平均有25.67%的改善.
• 通过AA-CNN实现了高达63.05%的精度改进,比使用±45°的电极位移的非增强方法更准确.
• EMaGer传感器的独特设计对于实现这些性能优势至关重要.

结论:

• 共同设计传感器系统,处理方法和推断算法为最先进的挑战提供了协同效益.
• 拟议的硬件软件解决方案显著提高了肌电手势识别的稳定性和准确性.
• 这种方法有望实现更可靠的假肢控制和人机接口.