关于FMG和EMG传感器融合用于使用跨主体验证的手势识别的好处

科学领域:

• 人与计算机的交互
• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术

背景情况:

• 手势对于沟通至关重要,使手势识别对于直观的人与计算机交互至关重要.
• 目前的单模传感器方法 (例如,单纯的电肌图或强力肌图) 在手势过程中识别肌肉收缩,缺乏准确性和稳定性.
• 可穿戴的前臂传感器提供了一种非侵入性的方法来捕获肌肉活动以进行手势解释.

研究的目的:

• 为了研究传感器融合的有效性,将力肌图 (FMG) 和电肌图 (EMG) 结合起来,以提高手势识别.
• 分析FMG和EMG传感器模式提供的补充信息.
• 在手势分类任务中通过传感器融合实现的性能改进进行统计验证.

主要方法:

• 在一项与13名参与者进行的用户研究中使用了压电铁电FMG传感器和商用EMG系统.
• 记录了66个不同的手动,使用高精度的10毫秒标签.
• 使用机器学习分类器,为三个分类任务提供手工制作的功能:曲/延伸,单指和所有手指运动.

主要成果:

• 传感器融合显示,在所有三种分类任务中,平均识别准确度显著增加了42%.
• 相关性分析证实,FMG和EMG数据包含互补的信息,增强了整体的手势识别.
• 使用离开一个主体的交叉验证和5x2cv-t测试进行的统计验证证实了融合传感器方法的稳定性和有效性.

结论:

• 与单模系统相比,FMG和EMG的传感器融合为手势识别提供了相当大的性能改进.
• FMG和EMG数据的互补性质对于在手势分类中实现更高的准确性和稳定性至关重要.
• 这项研究证实了多传感器融合在开发先进的手势识别系统,特别是辅助技术方面的好处.