空间时空交叉网络 (STCNet):具有主体意识的对比学习,用于在表面EMG中进行手势识别

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:

• 主体间的变化和环境因素挑战了基于表面肌电图 (sEMG) 的手势识别.
• 由于电极移位和肌肉疲劳,现有的方法往往缺乏稳定性.
• 准确的sEMG手势识别对于先进的假肢和人机接口至关重要.

研究的目的:

• 引入一个新的深度学习架构,空间时空交叉网络 (STCNet),用于强大的多主体sEMG手势识别.
• 解决和减轻主体间的变化和环境因素对识别准确性的影响.
• 为了增强从sEMG信号的空间和时间特征提取.

主要方法:

• 开发了STCNet,这是一个卷积循环架构,具有用于特征提取的时空块.
• 结合了滚动卷积技术,以有效地捕捉sEMG测量设备的圆形带结构中的空间关系.
• 提出了一个主体意识的对比学习框架,使用主体和手势标签来对齐矢量空间表示.

主要成果:

• 在聚合条件下,STCNet表现出卓越的性能,超过了现有方法.
• 在基准sEMG数据集上取得了最先进的结果.
• 有效地管理和补偿不同主题的变化.

结论:

• STCNet提供了一个强大而有效的解决方案,用于多主体的sEMG手势识别.
• 拟议的架构和学习框架显著提高了识别准确性和可靠性.
• 这项工作推进了基于可穿戴传感器的人与计算机交互的领域.