[基于表面电肌图信号的灰度图像和多视图卷积神经网络的手势识别精度]

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:

• 传统的表面电肌图 (sEMG) 信号分析用于手势识别,在特征提取和分类器性能方面面临局限性.
• 时间和频域特征容易受到噪声和变化的影响,影响识别率.

研究的目的:

• 开发一种新的,强大的手势识别系统,克服传统方法的局限性.
• 用表面电肌图 (sEMG) 信号提高手势识别的准确性和效率.

主要方法:

• 表面电肌图 (sEMG) 信号被转化为灰度图像.
• 一个多视图卷积神经网络 (CNN) 模型与不对称的内核被用于分类.
• 使用能量值方法确定了活跃信号段.

主要成果:

• 提出的方法实现了高识别精度:98.11%的13个手势和98.75%的12个多指动作.
• 在手势识别任务中明显优于现有的机器学习方法.
• 通过多视图CNN架构展示了sEMG信号的增强表示能力.

结论:

• 使用sEMG灰度图像和多视图CNN的新方法为手势识别提供了简单但有效的解决方案.
• 该方法在准确度方面取得了实质性的改进,并具有强大的实际应用潜力.
• 这项技术解决了基于sEMG的手势识别方面的关键挑战,为先进的人机交互铺平了道路.