从零到几次拍摄:手腕EMG的深度时间学习可以实现可扩展的跨用户手势识别
Fady S Botros1,2,3, Heather E Williams2, Angkoon Phinyomark2
1Department of Electrical and Computer Engineering, University of New Brunswick, Fredericton, NB E3B 5A3, Canada.
Journal of neural engineering
|September 18, 2025
概括
手腕电肌图 (EMG) 显示了可穿戴设备中手势识别 (HGR) 的前景. 一个新型号显著提高了跨用户的性能与最小的校准,使手腕EMG一个可行的选择.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 机器学习 机器学习
背景情况:
- 电肌图 (EMG) 是人类与机器交互的新兴可穿戴输入.
- 手表等设备中的基于手腕的EMG传感器为手势识别 (HGR) 提供了传统前臂传感器的用户友好的替代方案.
- 个人用户校准对手腕EMG的广泛采用构成重大挑战.
研究的目的:
- 评估手腕和前臂EMG的跨用户模型,以减少校准负担.
- 为了比较基于EMG的HGR的不同机器学习架构的性能.
- 为了评估手腕EMG对一般HGR的有效性,使用最小的用户特定数据.
主要方法:
- 在33个用户中评估了8个机器学习架构.
- 来自手腕和前臂EMG传感器的数据被用于手势分类.
- 跨用户模型经过训练并使用不同数量的用户特定校准数据进行测试.
主要成果:
- 一个时间卷积网络双向长短期存储器 (TCN-BiLSTM) 架构实现了卓越的EMG分类性能.
- 在用户内部和跨用户的比较中,手腕EMG的表现始终优于前臂EMG.
- 跨用户模型在最小的校准数据下显示了显著的改进:零射击 (78.2%的手腕),一次射击 (91.6%的手腕),并进一步增强了更多数据 (98.3%的手腕).
结论:
- 手腕EMG是跨用户HGR模型的可行模式,可以有效地对新用户进行概括.
- 最小的校准显著提高了基于手腕EMG的HGR系统的性能.
- 这些发现支持在可穿戴设备中更广泛地采用手腕EMG,以实现直观的人机交互.


