强大的手势识别基于注意力深度快速卷积神经网络和表面电肌图信号
Chuang Lin1, Yuhao Wang1, Ming Dai2
1School of Information Science and Technology, Dalian Maritime University, Dalian, China.
Frontiers in neuroscience
|July 25, 2024
概括
这项研究引入了注意力深度快速卷积神经网络 (注意力-DFCNN) 模型,以提高高密度表面电肌学 (HD-sEMG) 信号的肌控制精度. 该模型通过整合空间和时间特征,提高了对电极移动和损坏的稳定性,优于现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 表面电动图 (sEMG) 信号对于人机界面 (HMI) 和myocontrol至关重要.
- 高密度 (HD) 电极与稀疏的多通道 (SMC) 电极相比,提供更丰富的sEMG数据.
- 电极的移位或损坏可以显著降低HD-sEMG系统中手势识别的准确性.
研究的目的:
- 开发一种强大的肌肉控制模型,最大限度地减少高清电极移动和损坏的影响.
- 为了利用高清sEMG信号的空间和时间特征来改进手势识别.
- 提高使用HD-sEMG的HMI系统的稳定性和准确性.
主要方法:
- 提出了一个注意力深度快速卷积神经网络 (注意力-DFCNN) 模型.
- 来自HD-sEMG信号的综合空间和时间特征.
- 通过使用模拟电极移位 (10毫米) 和损伤 (6通道) 的数据集,对模型的性能与经典和深度学习方法进行评估.
主要成果:
- 与LSDA,CNN,TCN,LSTM,注意力-BiLSTM,变压器和Swin-Transformer相比,在电极转移条件下,注意力-DFCNN模型实现了显著更高的平均精度 (0.942 ± 0.04).
- 该模型在不需要预训练的情况下表现出卓越的性能.
- 提出的方法有效地提高了识别率,尽管电极网格发生了变化.
结论:
- 注意DFCNN模型为使用HD-sEMG的肌肉控制提供了强大的解决方案,特别是在电极位移或损坏的场景中.
- 结合空间和时间特征是提高基于sEMG的HMI可靠性的关键策略.
- 这种方法具有显著的潜力,可以改善先进肌肉控制系统的实际应用.
