一个多尺度的CNN转移学习的sEMG-based手势识别为假肢设备
Riccardo Fratti1, Niccolò Marini1, Manfredo Atzori2
1Informatics Institute, University of Applied Sciences Western Switzerland (HES-SO Valais), 3960 Sierre, Switzerland.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
本研究介绍了一种多尺度卷积神经网络 (MSCNN),用于基于强大的表面电肌图 (sEMG) 的手势识别. 转移学习可以快速适应新用户,实现高精度的假肢手控制.
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:
- 表面电肌图 (sEMG) 对于手势识别至关重要.
- 目前的深度学习模型缺乏稳定性和用户适应性.
- 对于sEMG模型来说,通常需要高的计算资源.
研究的目的:
- 使用转移学习开发基于sEMG的手势识别的强大和适应性模型.
- 提高跨学科的概括性,并使快速适应新用户.
- 调查转移学习框架的用户依赖的微调.
主要方法:
- 提出了一个多尺度卷积神经网络 (MSCNN).
- 使用梯度逆转层的域调整和使用三倍边际损失的自我监督进行预训.
- 评估了NinaPro基准数据集上的方法,并比较了转移学习框架.
- 检查了纠正和窗口长度对性能的影响.
主要成果:
- 拟议的MSCNN与转移学习展示了强大的跨学科概括.
- 一个转移学习框架在1.40个时代的14个类中实现了97%的F1分数.
- 实时可访问的规范化技术显著提高了可用性和性能.
- 该研究证实了转移学习对适应性,用户特定模型的有效性.
结论:
- 转移学习对于创建基于sEMG的假肢手的适应性,用户特定模型非常有效.
- 开发的模型显示了在现场进行再培训的潜力,以应对性能退化.
- 优化的预处理技术提高了sEMG手势识别的现实应用性.
