使用Semg信号的深度残余网络进行手势识别
Abid Saeed Khattak1,2, Azlan Bin Mohd Zain1, Rohayanti Binti Hassan1
1Faculty of Computing, Universiti Teknologi Malaysia, 81310 Skudai, Johor, Malaysia.
Biomedizinische Technik. Biomedical engineering
|March 8, 2024
概括
这项研究引入了一种新的手势识别分类器,即基于制驾驶培训的优化深度残余网络 (SDTO_DRN). SDTO_DRN模型在从sEMG信号中识别手势方面表现出高精度.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 从前臂肌肉发出的表面肌电图 (sEMG) 信号包含用于解码手部运动的宝贵数据.
- 精确的手势识别对于先进的人机交互和假肢非常重要.
研究的目的:
- 设计和开发一种有效的分类器,用于使用sEMG信号进行手势识别.
- 引入基于驾驶培训的优化深度残余网络 (SDTO_DRN) 模型.
主要方法:
- 利用从前臂肌肉中捕获的sEMG信号.
- 应用高斯过用于信号预处理和特征提取.
- 采用SDTO_DRN模型,集成基于培训的优化 (STBO) 和基于驾驶培训的优化 (DTBO) 来进行特征选择和网络微调.
- 在MyoUP和putEMG数据集上验证了模型.
主要成果:
- SDTO_DRN模型实现了0.943.4的最大精度.
- 关键性能指标包括0.929的真正比率 (TPR),0.919的真负比率 (TNR),0.924的正预测值 (PPV) 和0.924的负预测值 (NPV).
- 结果表明,在手势识别方面表现优越.
结论:
- 拟议的SDTO_DRN模型提供了准确有效的手势识别.
- 这一进步有可能改善人机交互系统.
