低级适应变压器在动态手势识别使用高密度表面电力学图的低级适应

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:

• 动态手势识别 (HGR) 对于先进的假肢和机器人技术至关重要.
• 高密度表面电肌图 (HD-sEMG) 为HGR提供了详细的肌肉活动数据.
• 将HGR模型有效地适应个人用户仍然是一个重大挑战.

研究的目的:

• 调查低级调整 (LoRA) 对基于变压器的动态HGR的有效性.
• 用HD-sEMG数据评估LoRA在调整模型以适应新受试者的表现.
• 评估不同LoRA等级值和信号窗口大小对HGR准确性和效率的影响.

主要方法:

• 在预先训练的通用变压器模型中实现LoRA.
• 测试了不同的等级值 (r = 32,64,96) 和HD-sEMG窗口大小 (100毫秒,200毫秒) 的LoRA.
• 专注于将模型适应新对象,并进行最小的再培训.

主要成果:

• 洛拉在识别动态手势方面取得了很高的准确性.
• 该方法通过减少可训练参数的数量来提高计算效率.
• 在使用LoRA时,观察到对新受试者的有效适应.

结论:

• 洛拉是一种增强基于变压器的动态HGR系统的有前途的技术.
• 这种方法为现实应用提供了可扩展性和稳定性.
• 快速适应新用户,最低限度的再培训使得LoRA对于实际的HGR解决方案具有价值.