一种适应性学习方法,用于基于表面电肌图的长期手势识别
Yurong Li1,2, Xiaofeng Lin1,2, Heng Lin1,2
1College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, Fujian, People's Republic of China.
Physiological measurement
|December 3, 2024
概括
这项研究引入了一种使用表面电肌图 (EMG) 信号进行长期手势识别的新方法. 该方法可确保在不同日间使用时超过90%的准确性,大大改善了假肢应用.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 信号处理 信号处理
背景情况:
- 表面电肌图 (EMG) 信号对于人机交互至关重要,但由于时间变化的特性和电极移位,阻碍了长期的手势识别.
- 在EMG数据上训练的现有分类模型通常不适用于不同的日期,限制了商业假肢的使用.
研究的目的:
- 开发一种优化的方法,用于长期的手势识别在EMG信号分析.
- 解决EMG信号的非静止性和电极移动的挑战,以便可靠,多天的手势分类.
主要方法:
- 提取的差异共同空间模式 (CSP) 特性,用于强大的信号表示.
- 应用非负矩阵分解 (NMF) 来减小维度以减轻非静止性.
- 使用集群和分类自我训练方案,用于使用未标记数据进行自适应模型更新.
主要成果:
- 在30天的时间里实现了超过90%的手势识别准确度,相当于用标记数据进行每日校准.
- 用最小的未标记的手势样本证明了该方法的有效性,用于日常模型更新.
- 在一个全面的数据集上验证了拟议的长期手势识别计划的可行性.
结论:
- 拟议的方法确保了卓越的性能,并大大简化了长期基于EMG的手势识别的日常使用.
- 这种方法非常适合于实际的,长期的应用,如先进的假肢设备.
- 优化的特征提取,维度减小和自适应校准是克服EMG信号每日变化的关键.
