一个新的双模型适应性持续学习策略,用于手腕-sEMG实时手势识别
概括
一个新的双模型自适应式持续学习 (DM-ACL) 策略改善了实时表面电肌图 (sEMG) 的手势识别. 这种方法提高了新用户的准确性和适应性,优于传统方法.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 表面电肌图 (sEMG) 是手势识别的关键,但在用户移动性和校准方面存在困难.
- 实时应用需要基于sEMG的强大且适应性的系统.
研究的目的:
- 引入一种新的双模型自适应持续学习 (DM-ACL) 策略,用于基于手腕的sEMG实时手势识别.
- 提高对sEMG信号的深度学习模型的稳定性和适应性.
主要方法:
- 开发了一种半监督在线学习算法,集成了辅助标签的kNN模型.
- 通过CNN-LSTM和CNN基线模型实施了DM-ACL战略.
- 与传统转移学习 (TL) 方法相比,评估的表现.
主要成果:
- DM-ACL实现了95.33%的准确性 (CNN-LSTM基线) 和92.37%的准确性 (CNN基线),显著优于TL方法 (分别为82.82%和84.59%).
- 与TL相比,DM-ACL对每种手势所需的数据较少,以获得相似的性能.
- 对于新用户来说,表现出更好的性能,并保持了跨会话的高准确性,即使域名转移.
结论:
- DM-ACL策略为实时sEMG手势识别提供了卓越的性能和适应性.
- 这种方法显著提高了sEMG系统的实际可用性,特别是在动态的用户环境中.
