一个增强的随机卷积内核转换,用于从高密度表面电肌图中提取多样化和强大的特征,用于跨日手势识别
Yonglin Wu1, Xinyu Jiang2, Jionghui Liu3
1School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai 200240, P. R. China.
International journal of neural systems
|October 8, 2025
概括
EMG-ROCKET提取了强大的高密度表面电肌图 (HD-sEMG) 功能,用于在没有用户特定培训的情况下识别手势. 这种新的方法提高了准确性,并为更好的人机交互提供了对肌肉激活模式的见解.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人与机器的互动 人与机器的互动
背景情况:
- 高密度表面电肌图 (HD-sEMG) 对于手势识别至关重要.
- 目前的方法缺乏特征多样性,或由于神经肌肉变异需要广泛的用户特定培训.
研究的目的:
- 引入EMG-ROCKET,这是HD-sEMG的新型特征提取方法.
- 提高手势识别模型的稳定性和减少数据依赖性.
主要方法:
- 作为ROCKET的改编,EMG-ROCKET使用随机通道融合和增强聚合.
- 该方法可以提取多样化和强大的HD-sEMG特征,而无需事先的知识或广泛的培训.
- 使用Ridge分类器对两组HD-sEMG数据集进行评估,用于跨日手势识别.
主要成果:
- 在跨日评估中,EMG-ROCKET功能实现了84.3%和77.8%的准确性,超过了基线方法.
- 证明了对日复一日的信号变化的强度.
- 功能贡献分析揭示了对空间肌肉激活模式的洞察力.
结论:
- EMG-ROCKET提供了一个无需培训的解决方案,用于强大的HD-sEMG特征提取.
- 该方法提高了手势识别的准确性,并提供了对神经肌肉机制的洞察.
- 促进了人机交互的实际应用.
