TraHGR:通过电子肌图学识别手势的变压器

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复技术 康复技术 康复技术

背景情况:

• 使用表面电肌图 (sEMG) 信号进行手势识别 (HGR) 的深度学习显示了先进肌电假肢的前景.
• 从稀疏的多通道sEMG信号中分类手动仍然是当前深度学习模型的挑战,深度学习模型通常受到单模型方法的限制,这些方法难以进行代表性特征提取.

研究的目的:

• 用sEMG信号解决HGR现有的深度学习模型的局限性.
• 提出一种新的混合深度学习框架,手势识别变压器 (TraHGR),利用变压器架构来提高特征提取和分类准确性.
• 在标准数据集上评估TraHGR的性能与最先进的方法对比.

主要方法:

• 开发了一种混合深度学习架构,TraHGR,在变压器框架内集成并行处理路径.
• 该架构具有融合中心,使用线性层将平行模块的特征结合起来.
• 在Ninapro DB2数据集上评估了TraHGR,包括40个用户在现实条件下执行49个不同的手势的sEMG信号.

主要成果:

• TraHGR架构实现了高识别精度:86.00% (DB2,49个手势),88.72% (DB2-B,17个手势),81.27% (DB2-C,23个手势) 和93.74% (DB2-D,9个手势).
• 这些结果代表了与最先进的数据相比的显著改进,对各自的数据集的准确性增长为2.30%,4.93%,8.65%和4.20%.
• 实验证实了混合TraHGR架构的优越性能,与其单独的平行路径相比.

结论:

• 拟议的TraHGR混合框架有效地解决了HGR使用稀疏sEMG信号的挑战.
• 基于变压器的架构在提取代表性特征方面表现出卓越的能力,从而在肌电假肢控制中显著提高了准确性.
• TraHGR代表了该领域的实质性进步,为先进的假肢应用提供了增强的性能.