关于使用双流剩余网络融合sEMG信号和加速信号的手势识别方法的研究
Zhigang Hu1, Shen Wang2, Cuisi Ou1
1School of Medical Technology and Engineering, Henan University of Science and Technology, Luoyang 471023, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一种新的双流残余网络,专注于使用表面电肌图 (sEMG) 和加速信号来增强手势识别. 该模型在49个手势中实现了88.25%的准确性,改善了人机交互.
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:
- 表面电肌图 (sEMG) 信号对于人机交互 (HCI) 是至关重要的.
- 传统的机器学习方法在为准确的手势识别选择特征方面面临挑战.
- 神经网络为复杂的模式识别提供了强大的非线性概括能力.
研究的目的:
- 开发一个先进的深度学习模型,用于强大的多姿势识别.
- 通过合并多源数据来提高手势识别系统的准确性和效率.
- 提高HCI系统的性能,特别是用于外骨架机器人和假肢控制.
主要方法:
- 提出了一个包含注意力机制的双流残余网络.
- 在单独的网络分支中处理了表面EMG和手加速信号.
- 利用细分网络进行全面的特征提取,并使用注意力机制专注于相关信息.
- 从两个流中融合了深度特征,以提高多姿势识别精度.
主要成果:
- 在NinaPro DB2数据集上的49个手势中实现了88.25%的识别准确度.
- 证明了手势特征的有效捕捉,从而提高了准确性和稳定性.
- 注意力机制成功地优先考虑了关键信息,提高了模型的性能.
结论:
- 拟议的双流剩余网络与注意力是有效的准确和强大的手势识别.
- 多源信息融合显著提高了手势识别模型的性能.
- 这种方法有望实时控制外骨架机器人和肌电假肢,改善用户体验.
