一个基于sEMG信号的实时手势识别图形神经网络模型
概括
这项研究引入了一种新的图形网络方法,用于识别使用前臂肌肉信号 (sEMG) 的手势. 这种新的方法在实时实现了99%的准确性,超过了现有的假肢和AR技术.
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:
- 精确的手势识别对于控制先进的假肢和增强现实系统至关重要.
- 从前臂肌肉发出的表面肌电图 (sEMG) 信号被广泛用于此目的.
- 现有的方法在实时准确性和效率方面面临挑战.
研究的目的:
- 开发一种使用图形网络进行sEMG信号表示的新方法.
- 基于这些图形网络,创建基于这些图形网络的实时手势识别机器学习算法.
- 评估拟议方法的性能和效率.
主要方法:
- 利用图形网络来表示前臂sEMG信号的肌肉激活模式.
- 开发了一个图形神经网络 (GNN) 算法,用于实时手势识别.
- 评估了使用8名健康受试者的sEMG数据和带有肌带装置的算法.
主要成果:
- 在手势识别方面实现了99%的平均分类准确度.
- 与最先进的技术相比,证明了卓越的性能.
- 在M1 Pro CPU上实现了48ms的平均处理时间,用于图形构建和预测.
结论:
- 拟议的基于图形网络的方法提供了高度准确和高效的实时手势识别.
- 这种方法非常适合对先进的假肢设备和增强现实应用进行无控制.
- 新的sEMG表示显著提高了手势识别系统的性能.
