集成的区块智能神经网络与自动学习的搜索框架,用于使用sEMG信号识别手指手势
Shurun Wang1, Hao Tang2, Feng Chen3
1School of Electrical Engineering and Automation, Hefei University of Technology, Hefei, 230009, China; Graduate School of Medicine, Juntendo University, Tokyo, 1138421, Japan.
Artificial intelligence in medicine
|March 10, 2024
概括
本研究介绍了一种自动学习搜索框架 (ALSF),可以生成基于表面电肌图 (sEMG) 的手势识别的最佳神经网络. 该框架创建了高效的模型,具有最先进的性能,并减少了肌肉-计算机接口的资源需求.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 使用表面电肌图 (sEMG) 精确识别手指手势对于肌肉-计算机接口至关重要,但仍然具有挑战性.
- 存在高性能深度学习模型,但优化它们的架构需要大量的专业知识和努力,这阻碍了广泛采用.
研究的目的:
- 开发一种自动化的方法来设计高效和高性能的神经网络架构,用于基于sEMG的手势识别.
- 为了克服手动网络架构调整的局限性,对肌肉-计算机接口进行深度学习.
主要方法:
- 使用强化学习开发了一种自动学习搜索框架 (ALSF),用于自动生成集成区块智能神经网络 (IBWNNs).
- IBWNN架构包含多分支卷积块和三重注意力子块,用于特征提取,以及维度缩小层.
主要成果:
- 由ALSF生成的模型在Ninapro DB5数据集上实现了最先进的性能,超过了当代流行的网络.
- 生成的模型显示参数数量减少,这表明实际部署的资源消耗较低.
结论:
- 拟议的ALSF有效地自动化了用于sEMG手势识别的专用神经网络的设计.
- 生成的IBWNNs为高效准确的肌肉计算机接口提供了有前途的解决方案,具有实际的部署优势.
