双流长短时间内存特征融合分类器用于表面肌电图手势识别
Kexin Zhang1, Francisco J Badesa1, Yinlong Liu2
1Centre for Automation and Robotics (CAR) UPM-CSIC, Universidad Politécnica de Madrid (UPM), 28006 Madrid, Spain.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
一个新的轻量级模型通过融合信号特征来改善假肢的电肌图学 (EMG) 手势识别. 这种双流LSTM分类器为实时控制提供了高准确度,并降低了计算成本.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 机器学习 机器学习
背景情况:
- 电肌图 (EMG) 信号识别对于智能假肢和人机交互至关重要.
- 当前的机器学习和深度学习方法面临诸如手动特征提取,过拟合和适应能力低等挑战.
- 现有的深度学习模型经常使用复杂的架构,导致计算低效率和潜在的准确性限制.
研究的目的:
- 开发一种新的,轻量级的模型,以改进基于EMG的手势识别.
- 与现有方法相比,提高分类准确性和降低计算成本.
- 通过手势识别,实现对智能假肢的更有效和高效的控制.
主要方法:
- 提出了一种双流LSTM特征融合分类器,集成五个时间域EMG特征和原始数据.
- 采用一维卷积神经网络 (CNN) 和长短期记忆 (LSTM) 层进行特征处理和分类.
- 利用简单而有效的架构来捕获全球EMG信号特征,减少计算需求.
主要成果:
- 在公共DB1数据集 (52个手势,27个受试者) 上获得了89.66%的准确性.
- 演示了每种手势的快速推断时间为87.6毫秒,适合实时应用.
- 在DB2数据集上验证,达到91.74%的学科平均准确率.
结论:
- 拟议的双流LSTM模型有效地融合了时间域特征和原始EMG数据,以提升信息提取.
- 轻量级架构为EMG手势识别提供了高效和适应性的解决方案.
- 该模型的性能可与复杂的深度学习网络相提并论,为实时假肢控制提供了实用的方法.
