基于BiLSTM-metaheuristic优化和混合U-Net-MobileNetV2编码器架构的sEMG信号的手势分类
Khosro Rezaee1, Safoura Farsi Khavari2, Mojtaba Ansari3
1Department of Biomedical Engineering, Meybod University, Meybod, Iran. kh.rezaee@meybod.ac.ir.
Scientific reports
|December 29, 2024
概括
这项研究引入了一种新的深度学习方法,用于使用表面电肌图 (sEMG) 信号进行手势分类. 这种方法提高了精度,并减少了假肢控制和人机交互的差异.
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) 对于深度学习中的手动分类至关重要.
- 之前的研究在基于sEMG的手势识别中面临准确性挑战.
研究的目的:
- 引入一种新的深度学习方法,以使用sEMG数据进行增强的手势分类.
- 提高基于sEMG的手势识别的准确性和减少差异.
主要方法:
- 一个带有MobileNetV2编码器和双向长短期存储器 (BiLSTM) 的U-Net架构.
- 贝叶斯优化用于BiLSTM架构调整和窗口用于sEMG信号增强.
- 边缘计算集成用于实时处理.
主要成果:
- 在六个数据库中实现了90.23%的平均准确性,改善了3-4%.
- 在特定数据集上显示了10%的差异减少,并超越了高级模型.
- 在手势识别中展示了增强的概括性和稳定性.
结论:
- 拟议的方法显著提高了准确性,并减少了基于sEMG的手势分类的差异.
- 通过边缘计算为假肢管理和人机交互提供了一种新的方法.
- 验证了深度学习,BiLSTM和元启发式优化的有效性,以实现强大的手势识别.
