深度散射转换与注意力机制 改进基于EMG的手势识别

科学领域:

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

背景情况:

• 电肌图 (EMG) 信号对于理解手肌活动至关重要,但由于噪音和非静止性而复杂.
• 精确分析EMG信号对于先进的假肢控制和人机接口至关重要.
• 现有的方法在信号变化中对EMG模式进行强有力的分类时面临挑战.

研究的目的:

• 开发和验证一种新的方法来分类EMG模式,使用波纹散射变换 (WST) 和深度学习注意力机制.
• 调查WST和注意力机制在处理EMG信号的随机和非静止性质方面的有效性.
• 为了提高手部运动的肌电模式识别 (PR) 的准确性.

主要方法:

• 利用波纹散射变换 (WST) 来进行信号分解和从EMG数据中提取强大的特征.
• 从深度神经网络中集成注意力机制,以关注突出特征和肌肉激活相关性.
• 在实验室和可穿戴设备的三个标准EMG数据集上应用了联合WST和注意力方法.

主要成果:

• 与现有方法相比,在肌电模式识别 (PR) 准确度方面取得了显著的改进.
• 在不同的EMG数据集中,已经证明了高达98%的平均分类准确性.
• 验证了这一假设,即专注于肌肉间激活相关性可以提高EMG分类.

结论:

• WST和注意力机制的结合为EMG信号分类提供了一种强大而准确的方法.
• 这种新的方法提高了肌电模式识别的稳定性和可靠性.
• 这些发现对开发更复杂的基于EMG的控制系统有重大影响.