改进了基于手势识别的交叉试验表面肌电图 (sEMG) 的网络和培训计划

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:

• 表面电肌图 (sEMG) 对于非侵入式的手势识别至关重要.
• 目前的sEMG方法在试验对试验的可变性方面扎,限制了性能.
• 开发基于sEMG的强大而准确的手势识别仍然是一个重大挑战.

研究的目的:

• 引入一个新的网络无意识的两阶段培训方案,sEMGPoseMIM,用于增强sEMG手势识别.
• 提高sEMG表示对试验变异的稳定性.
• 通过交叉模式知识蒸,使sEMG信号与相应的手动保持一致.

主要方法:

• 拟议的sEMGPoseMIM是一个两阶段的培训计划,利用跨审判的相互信息最大化和知识蒸.
• 引入了sEMGXCM,这是一个设计为培训计划中的sEMG编码器的新型网络.
• 在七个不同的稀疏多通道sEMG数据集上进行了实验.

主要成果:

• 与现有方法相比,sEMGPoseMIM方案在稀疏的多通道sEMG数据库上实现了平均1.3%的性能改善.
• 拟议的sEMGXCM网络,当从头开始训练时,平均比其他网络高出1.5%.
• 证明了拟议的培训计划和网络在生成试验不变的sEMG表示中的有效性.

结论:

• sEMGPoseMIM培训计划显著提高了基于sEMG的手势识别性能.
• sEMGXCM网络作为一个有效的编码器,用于强大的sEMG信号处理.
• 提出的方法为通过sEMG的准确和可靠的人与计算机交互提供了有希望的进步.