通过表面电肌图和机器学习增强手势识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 表面电肌图 (EMG) 信号提供了一种非侵入性的方法来捕捉神经肌肉活动.
• 精确的解码手势对于先进的假肢和人机接口至关重要.
• 机器学习算法可以有效地解释复杂的EMG模式.

研究的目的:

• 评估机器学习模型在从EMG数据中分类手势时的有效性.
• 为了确定实时手势识别的最佳机器学习模型.
• 探索在医疗保健和人机交互方面的潜在应用.

主要方法:

• 使用Myo-armband传感器获取EMG信号,用于七种不同的手势.
• 数据经过预处理,用于特征提取和标记.
• 通过交叉验证,训练,优化和评估了四种传统的机器学习模型.

主要成果:

• 随机森林模型在分类手势方面表现出卓越的表现.
• 在所有手势课程中,精度,回忆和F1分数始终很高.
• 在随机森林模型中,接收器运行特征曲线下面的区域 (ROC-AUC) 得分超过99%.

结论:

• 随机森林模型非常有效地从EMG数据中对手势进行分类.
• 这种方法对改善医疗保健康复工程具有重大前景.
• 这些发现表明,通过精确的基于EMG的手势识别,人类与计算机交互技术的进步.