一个新的无监督的动态特征域适应策略,用于跨个体肌电手势识别
Yan Liu1,2, Xinhao Peng1,2,3, Yingxiao Tan1,2,3
1CAS Key Laboratory of Human-Machine Intelligence-Synergy Systems, Research Center for Neural Engineering, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, People's Republic of China.
Journal of neural engineering
|December 22, 2023
概括
这项研究引入了一种新方法,以改善面电肌图案识别 (sEMG-PR) 对于新用户. 自适应的维度动态分布适应 (SD-DDA) 方法提高了跨个体运动识别的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 人与机器的互动 人与机器的互动
- 信号处理 信号处理
背景情况:
- 表面电肌图案识别 (sEMG-PR) 对于人机交互至关重要.
- sEMG信号取决于用户,导致由于个人生理因素导致新用户的性能下降.
- 现有的方法在sEMG数据的跨个体变异性方面扎.
研究的目的:
- 开发一种无监督的方法,用于在sEMG信号中进行跨个体运动识别.
- 为了应对sEMG模式识别中用户依赖的挑战.
- 为新用户提高sEMG-PR系统的适应性.
主要方法:
- 提出了一种新的无监督的跨个体运动识别方法:自适应的维度动态分布适应 (SD-DDA).
- SD-DDA通过最小化分布距离,使不同个体的sEMG特征保持一致.
- 使用未标记的目标数据自动选择最佳特征域维度.
主要成果:
- 拟议的SD-DDA方法在收集的数据集上提高了10%以上的平均分类准确度,达到90.4%的准确度.
- 在收集的数据集中,超过六种经典的转移学习方法的表现为3.2%-13.8%.
- 在公开可用的sEMG数据集上实现了大约9%的准确性改进.
结论:
- SD-DDA方法证明了跨个体运动意图识别的可行性.
- 这种方法增强了基于sEMG-PR的系统的实际应用.
- 该方法有效地减轻了用户在sEMG信号的变化引起的性能下降.
