基于重复的渐进式学习框架用于手势识别,克服sEMG信号的时间变化的特征

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:

• 基于表面电肌图 (sEMG) 的手势识别面临着诸如电极位移和信号随时间变化的挑战,影响跨时间应用的可靠性.
• 现有的方法在灾难性遗忘和适应动态环境中的非同步数据特征方面扎.

研究的目的:

• 为sEMG手势识别提出一个强大的增量学习框架,以解决信号不稳定性和灾难性遗忘.
• 为了提高基于sEMG的手势识别的准确性和效率,用于实际,现实世界的应用.

主要方法:

• 开发了一个增量学习框架,利用密集连接的卷积网络 (DenseNet) 来处理非同步的sEMG数据.
• 实施重复数据集策略,将数据存储在不同的时间跨度中,用于联合模型培训,减轻灾难性遗忘.
• 采用了基于密度的应用程序与噪声的空间聚类 (DBSCAN) 算法,以有效地选择代表性样本以更新重复数据集.

主要成果:

• 在多次增量更新后,在八个主题中实现了96.5%的平均识别率,超过了跨日分析.
• 与DBSCAN用于样本选择的表现优异,使用较少的样本达到93.7%的识别率,与传统方法相比.
• 展示了渐进式学习对完整数据集培训的优势,识别率提高了近1%,培训时间缩短,代成本降低.
• 实现了88.6%的平均识别率增量学习的行动类,使灵活的新手势的添加.

结论:

• 拟议的增量学习框架有效地处理sEMG信号不稳定性和灾难性遗忘,在手势识别准确性和稳定性方面提供了显著的改进.
• 该框架在培训时间和模型更新方面的效率,再加上其纳入新动作类的能力,使其非常适合基于sEMG的实际应用.
• 这种方法提高了动态场景中使用sEMG信号的动作模式识别技术的适应性和应用价值.