全球和本地特征融合了CNN架构,用于基于sEMG的手势识别
Baoping Xiong1, Wensheng Chen1, Yinxi Niu1
1Computer Science and Mathematics, Fujian University of Technology, Fujian 350116, China.
Computers in biology and medicine
|October 2, 2023
概括
这项研究引入了一种全新的全球和本地特征融合卷积神经网络 (GLF-CNN),用于使用表面电肌图 (sEMG) 信号对手势进行分类. GLF-CNN模型显著提高了准确性和稳定性,同时降低了计算成本,为假肢控制和人机交互提供了进步.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 使用表面电肌图 (sEMG) 信号进行手势分类的深度学习模型经常难以捕捉全球时间依赖,限制了性能.
- 现有的架构主要集中在局部空间信息上,阻碍了全面的特征提取以实现强大的手势识别.
研究的目的:
- 提出和评估一种新的全球和本地特征融合卷积神经网络 (GLF-CNN),用于从sEMG信号中增强手势分类.
- 提高手势识别系统的准确性,稳定性和概括能力,同时降低计算开销.
主要方法:
- 开发了一个GLF-CNN模型,有两个独立的分支,从sEMG数据中提取本地和全球特征.
- 融合了提取的本地和全球特征,以学习更多样化的表示,增强手势识别的稳定性.
- 在五个基准数据库进行实验:NinaPro DB4,NinaPro DB5,BioPatRec DB1-DB3和门德利数据.
主要成果:
- 在测试的数据库中,GLF-CNN模型的平均准确率为88.34%,超过了现有的模型.
- 与具有相似参数计数的模型相比,显示了9.96%的平均精度改善和50%的差异减少.
- 在特定数据集上实现了最先进的分类准确度,包括BioPatRec DB1的91.4%,BioPatRec DB3的91.0%,Mendeley Data的88.6%,与以前的方法相比显著改进.
结论:
- 拟议的GLF-CNN模型有效地提高了手势识别中的稳定性和概括能力.
- 该模型在较低的计算成本下提供了更好的性能和稳定性,为假肢控制和人机交互提供了有前途的方法.
- 这项工作为基于sEMG的手势分类提供了一个新的特征融合策略.
