肌电控制中的大数据:大型多用户模型能够实现基于EMG的强大的零射击离散手势识别
Ethan Eddy1, Evan Campbell1, Scott Bateman2
1Institute of Biomedical Engineering, University of New Brunswick, Fredericton, NB, Canada.
Frontiers in bioengineering and biotechnology
|October 9, 2024
概括
真正的零射击交叉用户肌电控制可以使用电肌图 (EMG) 信号实现,而不需要用户特定的培训. 大数据方法使得可靠的控制,实现93.0%的准确性为六个手势在看不见的用户.
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:
- 使用电肌图 (EMG) 信号的肌电控制为无处不在的计算提供了直观的设备控制.
- 由于用户的可变性,需要个性化机器学习模型的需求阻碍了广泛采用.
研究的目的:
- 为了证明真正的零射击跨用户肌电控制的可行性,而不需要用户特定的培训.
- 分析EMG手势识别的离散分类方法的有效性.
- 调查影响跨用户模型性能和通用性的因素.
主要方法:
- 利用612用户的EMG-EPN612数据集进行训练和测试跨用户模型.
- 采用离散分类方法,将整个动态手势视为单个事件.
- 开发和评估未见用户模型和具有共变因子的新型数据集.
主要成果:
- 在306个看不见的用户上,对6个手势实现了93.0%的分类准确度.
- 证明大规模数据能够实现强大的,可通用的跨用户肌电控制.
- 展示了模型在减轻混因素的有效性,例如跨日变化和四肢位置.
结论:
- 零射击跨用户肌电控制是可行的,挑战用户特定模型的必要性.
- 大数据和离散分类为更容易访问和更强大的基于EMG的接口铺平了道路.
- 未来的研究可以探索人口代表性和转移学习以进一步增强模型.
