使用电肌图信号识别手语识别:一个系统的文献综述

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 手语识别研究正在推进,电肌图 (EMG) 信号正在成为关键技术.
• 像视频分析和动作捕捉这样的传统方法也有局限性.
• 测量肌肉电活动的EMG信号,为手势检测提供了一种新的方法.

研究的目的:

• 对使用EMG传感器用于手形识别手语的方法,方法和项目进行全面的文献审查.
• 提供基于EMG的手语识别中的重要技术的深入审查.
• 根据其方法论对技术进行分类,并讨论进展和挑战.

主要方法:

• 基于EMG的手语识别系统的文献综述.
• 根据方法对技术进行分类.
• 机器学习分类器的分析,包括支持矢量机器 (SVM),人工神经网络 (ANN),卷积神经网络 (CNN),K-最近邻居 (KNN),隐藏的马尔科夫模型 (HMM) 和长短期记忆 (LSTM).

主要成果:

• 基于EMG的方法有希望,但面临着数据变化和传感器放置等挑战.
• 多个传感器可以提高可靠性和准确性.
• 机器学习,特别是CNN和LSTM等深度学习模型,对于应对这些挑战至关重要.
• 在处理EMG信号中的顺序依赖性方面,LSTM非常有效.
• 像SVM和ANN这样的分类器很常见,但随机森林和KNN显示出竞争性性能.
• 通过使用EMG和惯性测量单元 (IMU) 数据,CNN与LSTM结合实现了高达99.6%的准确性.

结论:

• 基于EMG的手语识别是一个快速发展的领域,具有巨大的潜力.
• 虽然SVM和ANN普遍存在,但随机森林和KNN等替代分类器是有效的.
• 在基于EMG的系统中,LSTM是最适合提高手势识别精度的算法,因为它能够捕获连续的数据模式.