MS-CLSTM:基于多尺度特征融合的肌电操纵器手势识别 CNN-LSTM网络网络
Ziyi Wang1, Wenjing Huang2, Zikang Qi1
1School of Materials Science and Engineering, Central South University of Forestry and Technology, Changsha 410004, China.
Biomimetics (Basel, Switzerland)
|December 27, 2024
概括
这项研究引入了一种新的深度学习模型,MS-CLSTM,用于高级表面电肌图 (sEMG) 的手势识别. 该模型有效地捕捉了多尺度的特征,改善了肌电操纵器和假肢手的控制.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 表面电肌图 (sEMG) 信号对于肌电控制至关重要.
- 深度学习通过自动化特征提取来增强sEMG手势识别.
- 单级网络难以在sEMG数据中捕捉本地和全球模式.
研究的目的:
- 开发一个深度学习模型,用于全面的sEMG手势识别.
- 解决单尺度网络在捕获多尺度sEMG特征方面的局限性.
- 为了提高肌电操纵器控制的性能.
主要方法:
- 提出了一个多级特征融合深度学习模型:MS-CLSTM (MS Block-ResCBAM-Bi-LSTM).
- 该MS Block使用不同规模的卷积内核来提取本地,全球和通道间的特征.
- ResCBAM模块集成了注意力机制和残余网络,以专注于相关信息并防止过.
主要成果:
- 实现了高识别准确度:Ninapro DB2上的86.66%和Ninapro DB4数据集上的83.27%.
- 在肌电操纵器中,实时手势预测准确度高达89%.
- 拟议的MS-CLSTM模型在sEMG手势识别方面表现出卓越的性能.
结论:
- 该MS-CLSTM模型为sEMG手势识别提供了有效的解决方案.
- 这种方法增强了假肢手,机器人系统和人机交互的控制能力.
- 多尺度特征融合是提高基于sEMG的控制系统的准确性和稳定性的关键.
