一个高效的基于表面肌电学的手势识别算法,基于多尺度融合卷积和注意力道的注意力道
Bin Jiang1,2, Hao Wu1, Qingling Xia3,4
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing, 401135, China.
Scientific reports
|December 27, 2024
概括
本研究介绍了基于高效表面电肌图 (sEMG) 的手势识别的残余开始效率 (RIE) 模型. RIE模型实现了高精度和概括性,同时减少了实际康复应用的计算复杂性.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 机器学习 机器学习
背景情况:
- 基于表面电肌图 (sEMG) 的手势识别的深度学习模型通常存在高计算复杂性,限制了它们在康复中的实际使用.
- 高效准确的手势识别对于推进辅助技术和改善患者治疗结果至关重要.
研究的目的:
- 开发一个计算效率高,准确的深度学习模型,用于使用sEMG信号进行多类型的手势识别.
- 通过减少算法复杂性而不会牺牲性能来解决现有模型的局限性.
主要方法:
- 提出了剩余启动效率 (RIE) 模型,集成用于多尺度特征提取的启动模块和用于特征重权的高效通道注意力 (ECA).
- 实现了快速的维度缩小,不对称的卷积分解,并在Inception模块内进行聚合,以最大限度地减少参数和复杂性.
- 对NinaPro DB1,DB3和DB4数据集进行了分别为52,49和52级手势识别的实验.
主要成果:
- RIE模型实现了很高的识别精度:NinaPro DB1上的88.27%,DB3上的69.52%,DB4上的84.55%.
- 在不同的数据集和手势复杂性中表现出卓越的概括能力.
- 在空间和时间维度上显著降低了算法复杂性,导致模型尺寸更小,与其他轻量级算法相比计算速度更快.
结论:
- RIE模型为基于sEMG的手势识别提供了一个实用的解决方案,平衡轻量计算要求与可靠性能.
- 这种高效的深度学习方法在康复和人机交互方面具有重大潜力,可用于现实世界的应用.
