使用sEMG信号进行手势识别,并采用多流时变特征增强方法
Jungpil Shin1, Abu Saleh Musa Miah2, Sota Konnai2
1School of Computer Science and Engineering, The University of Aizu, Aizuwakamatsu, Fukushima, 965-0006, Japan. jpshin@u-aizu.ac.jp.
Scientific reports
|September 27, 2024
概括
一个新的深度学习系统增强了表面电肌图 (sEMG) 用于手势识别. 这种肌肉-计算机接口实现了高精度,改善了假肢控制和人机交互.
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:
- 基于表面电肌图 (sEMG) 的手势识别对于肌肉-计算机接口至关重要,但由于功能增强效率低下,在性能方面面临挑战,导致不稳定的预测.
- 现有的sEMG系统与不稳定的预测作斗争,需要改进的特征提取方法,以可靠地识别手势.
研究的目的:
- 开发一种基于sEMG的轻量级高性能手势识别系统.
- 通过引入全新的4流深度学习架构来解决现有系统的局限性,以增强功能提取和稳定预测.
主要方法:
- 一个4流深度学习架构,结合了时间卷积网络 (TCN) 和卷积神经网络 (CNN) 模块.
- 利用时间卷积网络 (TCN) 进行时间变化的特征,混合长短期记忆 (LSTM) -TCN模块用于长距离的时间关系,以及CNN-TCN合并用于时空特征.
- 整合了一个跳过连接机制,以确保稳健的信息流和基于道的注意力特征选择模块,以减少计算复杂性.
主要成果:
- 拟议的模型实现了高精度,Ninapro DB1数据集的平均精度为94.31%,Ninapro DB9数据集的平均精度为98.96%.
- 4流架构有效地提取了全面的时空特征,与现有方法相比,带来了优越的性能.
- 道注意力机制成功地识别并选择了最有效的特征,提高了模型的效率.
结论:
- 这种新的轻量级深度学习系统显著提高了基于sEMG的手势识别准确性和稳定性.
- 这一进步对提高使用假肢的人的生活质量有重大影响.
- 拟议的系统为机器人人机界面中更复杂的控制提供了一个有希望的解决方案.
