一种新的方法,表面基于EMG的手势分类使用视觉变压器与卷积盲源分离集成的视觉变压器

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 实时的人机界面 (HMI) 需要强大的模式识别.
• 电肌图 (EMG) 用于手势分类,卷积神经网络 (CNN) 和循环神经网络 (RNN) 是常见的,但视觉转换器 (ViTs) 的探索较少.
• 预处理对分类准确性产生重大影响.

研究的目的:

• 为了评估视觉变压器 (ViT) 的有效性,并没有注意力机制,用于使用EMG数据解码运动意图.
• 调查各种输入特征和卷积盲源分离 (BSS) 预处理对ViT性能的影响.
• 开发和评估一个与BSS集成的卷积视觉变压器 (BSS-CViT) 模型.

主要方法:

• 利用了两个开放访问的高密度表面EMG数据集,其中包括来自20个和5个健康受试者的34个和21个手势.
• 应用各种预处理技术,包括集中,最佳延伸因子和空间美白.
• 集成的卷积盲源分离 (BSS) 使用卷积视觉变压器 (CViT) 架构.

主要成果:

• 集中和最佳延伸因素提高了原始输入的性能.
• 空间白化增加了模型对噪音的敏感性.
• 性能最好的BSS-CViT模型在两个测试数据集上实现了96.61%和91.98%的准确性.

结论:

• BSS-CViT模型在基于EMG的手势分类方面表现出高准确度.
• 这种方法显示了推进实时HMI应用的巨大潜力.
• 该研究为未来的研究提供了一个开源实现.