CS-Net:用于基于表面EMG的混合手势识别的卷积蜘蛛神经网络
Xi Zhang1, Jiannan Chen2, Lei Liu3
1Hong Kong University of Science and Technology, Hong Kong Special Administrative Region of China, People's Republic of China.
Journal of neural engineering
|September 26, 2025
概括
一个具有转移学习 (TL) 的新型卷积蜘蛛神经网络 (CS-Net) 实现了90.6%的准确性,用于从表面肌电图 (sEMG) 信号中分类混合手势. 这种方法在实时对象抓取任务中显示出实际实用性.
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:
- 表面电肌图 (sEMG) 信号对于理解人类运动至关重要.
- 将综合手腕姿势和手部运动的复杂混合手势分类仍然具有挑战性.
- 现有的深度学习模型需要广泛的标记数据来进行sEMG手势识别.
研究的目的:
- 为混合手势分类引入一种新的卷积蜘蛛神经网络 (CS-Net) 架构.
- 利用转移学习 (TL) 来提高sEMG分类的准确性和概括性.
- 评估CS-Net与TL在定制混合手势数据集和公共数据库上的性能.
主要方法:
- 开发了一个多流CS-Net架构,以融合各种sEMG功能 (原始信号,FT).
- 实施了TL策略,包括预训练手腕姿势和微调混合手势.
- 在12个混合手势数据集上进行了离线实验,并在Ninapro数据库 (DB1,DB4,DB5) 上进行了验证.
- 进行实时在线实验,用于对象抓取任务.
主要成果:
- 使用TL的CS-Net在定制混合手势数据集上实现了90.6%的平均准确率.
- 在Ninapro数据集上展示了概括能力,准确度为68.7% (DB1),61.5% (DB4) 和66.3% (DB5).
- 在实时在线物体掌握任务中取得了90%的成功率.
结论:
- CS-Net显著提高了混合手势的sEMG分类准确性.
- TL战略进一步提高了性能,并改善了模型的概括性.
- 拟议的方法在现实世界的人与计算机交互应用中表现出了稳健性和实际实用性.
