MyoPose:在配色的sEMG-pFMG腕带中增强手势识别的位置-四肢-坚固的神经机械特征
Rami Mobarak1, Shen Zhang2, Hao Zhou2
1Department of Information Engineering, Universitá Politecnica delle Marche, Via Brecce Bianche, 12, 60131 Ancona, Italy.
Journal of neural engineering
|August 6, 2025
概括
这项研究介绍了MyoPose,这是一个新的功能集,结合了表面电肌图 (sEMG) 和基于压力的力肌图 (pFMG),以改进手势识别. MyoPose增强了神经机械控制,尽管肢体位置发生了变化,但提供了强大的性能.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 机器人技术 机器人技术 机器人技术
背景情况:
- 表面电肌图 (sEMG) 和基于压力的力肌图 (pFMG) 用于手势识别,捕捉电动和机械肌肉活动.
- sEMG和pFMG的融合提供了强大的模式识别,但随着肢体位置的变化,性能会下降.
- 现有的系统难以应对肢体位置变化引起的信号变化,这会影响手势分类的准确性.
研究的目的:
- 介绍MyoPose,一个新的,轻量级的基于空间协同作用的功能集,用于增强手势识别中的神经机械控制.
- 通过解码彩色的sEMG-pFMG信息,提高手势识别在四肢位置变化下的准确性.
- 开发一个计算效率高的功能集,适用于人机界面中的资源有限的硬件.
主要方法:
- 开发了MyoPose,这是一个基于空间协同作用的功能集,集成sEMG和pFMG数据.
- 使用线性差异分析 (LDA) 用于使用MyoPose功能集进行手势分类.
- 评估计算效率,包括控制器延迟和内存要求.
主要成果:
- 在九只手的手势识别任务中,MyoPose实现了87.7%的准确性.
- 该特征集的性能优于标准肌电特征,可与最先进的卷积神经网络相提并论.
- 实时可行性证明,控制器延迟为110.62毫秒,内存使用超低 (0.011 KB).
结论:
- 通过解决四肢位置变化,MyoPose有效地增强了多模式手势识别.
- 该功能集显示了在不需要深度学习的情况下实现实时人机接口的巨大潜力.
- MyoPose为先进的肌电控制系统提供了计算效率高和强大的解决方案.
