基于SE-DenseNet网络的表面电肌图信号的手势识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 康复技术 康复技术 康复技术

背景情况:

• 表面电肌图 (sEMG) 信号对于开发自然的人机交互至关重要.
• 当前的sEMG手势识别算法在全球特征捕获,计算复杂性和通用性方面面临挑战.
• 机器学习和深度学习的进步为基于sEMG的手势识别提供了改进的潜力.

研究的目的:

• 通过提高全球特征捕获和模型通用性来增强使用sEMG信号的手势识别.
• 为个性化的人与计算机的互动开发一个更强大,更有效的计算算法.
• 为了解决现有的sEMG手势识别模型在康复应用中的局限性.

主要方法:

• 提出了一个融合模型,将挤压和激发网络 (SE) 与DenseNet结合起来.
• 在DenseBlock和过渡层之间集成了一个注意力机制,以优先考虑重要的信息.
• 使用DenseNet-101架构作为最佳性能的支柱.

主要成果:

• 拟议的模型在NinaPro DB2数据集上实现了85.93%的高精度,在NinaPro DB4数据集上达到82.39%.
• 废弃研究证实,作为骨干的DenseNet-101产生了最好的结果.
• 该模型展示了改进的特征表示,并有效地减轻了梯度消失.

结论:

• 与sEMG手势识别的现有方法相比,开发的融合模型具有卓越的稳定性和通用性.
• 这项研究为推进基于sEMG信号的手势识别应用提供了新的见解,特别是在康复中.
• 这些发现为更自然和个性化的人机接口铺平了道路.