TCNN-KAN:优化的CNN由Kolmogorov-Arnold网络和剪裁技术为sEMG手势识别的优化CNN

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 (sEMG) 对于非侵入性肌肉活动记录至关重要.
• sEMG数据对于诊断神经肌肉疾病和推进运动控制和人机交互等领域至关重要.
• 当前的模型经常使用标准的完全连接层,限制了分类准确性.

研究的目的:

• 提出一种新的三重卷积神经网络和科尔莫戈罗夫-阿诺德网络 (TCNN-KAN) 模型,用于增强sEMG手势识别.
• 通过用科尔摩戈罗夫-阿诺德网络 (KAN) 取代完全连接的层来提高分类准确性.
• 为了减少计算复杂性和使用非结构化修剪的过拟合.

主要方法:

• 通过将KAN层集成到卷积神经网络架构中,开发了TCNN-KAN模型 (TCNN-KAN-1, TCNN-KAN-2, TCNN-KAN-3).
• 来自不同个人的融合和细分的sEMG手势信号,以确保普遍的特征学习.
• 应用非结构化的修剪来删除不那么重要的通道,优化模型的效率和性能.

主要成果:

• 在NinaPro DB1,NinaPro DB5和CSL数据集中,TCNN-KAN-2模型实现了最高的准确性.
• 具体准确率为98.38%,93.81%和75.56%,分别为0.2,0.1和0.4的修剪率.
• KAN集成和修剪显著提高了手势识别性能.

结论:

• TCNN-KAN模型,特别是TCNN-KAN-2,在基于sEMG的手势识别中表现出卓越的性能.
• 用KANs替换完全连接的层和采用修剪是提高准确性和效率的有效策略.
• 这种新的方法在生物医学信息学和人机交互方面具有很大的应用潜力.