相关实验视频
Updated: Jun 25, 2026

12:33
Corticospinal Excitability Modulation During Action Observation
Published on: December 31, 2013
8.8K
MVMD-TCCA:一种基于表面电肌图信号的手势分类方法
Wenjie Chen1, Shenke Zhang1, Xiantao Sun1
1School of Electrical Engineering and Automation, Anhui University, Hefei, China.
概括
这项研究引入了一种使用表面电肌图 (sEMG) 信号进行准确的手势识别的新方法. 拟议的方法显著提高了对运动意图识别的分类准确性,有助于运动障碍的人.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 手势识别对于非语言沟通和帮助运动障碍者至关重要.
- 表面电肌图 (sEMG) 信号是检测运动意图和准确的手势分类的关键.
研究的目的:
- 提高手势分类的准确性,以使用sEMG信号识别运动意图.
- 引入一种结合多变量变化模式分解和两通道卷积神经网络与注意力的新方法.
主要方法:
- 提出了多变量变化模式分解和带注意力的双通道卷积神经网络 (MVMD-TCCA) 方法.
- 利用MVMD来分解和融合sEMG信号,以改善特征表示.
- 将CBAM和CrissCross注意力机制集成到CNN中,以增强本地和空间特征的学习.
主要成果:
- 在NinaPro DB2数据集上实现了85.09%的平均分类准确度,比原始信号提高了13.46%.
- 在来自15名受试者的数据集上,获得了97.90%的平均分类准确度,提高了1.70%.
- 在手势分类性能方面显著提高.
结论:
- MVMD-TCCA方法有效地提高了基于sEMG的手势分类准确性.
- 准确的手势识别具有很大的潜力,可以帮助运动障碍患者,例如脑梗塞患者.

