BSCAL:基于EMG和IMU信号的双流信息融合的手势识别网络

科学领域:

• 生物医学工程 生物医学工程
• 人与计算机的交互
• 康复机器人 康复机器人

背景情况:

• 表面电肌图 (sEMG) 对于康复和HCI中的手势识别至关重要.
• 挑战包括噪音,主体间的变化和有限的运动动态.
• 需要先进的方法来克服这些局限性.

研究的目的:

• 开发一个强大的手势识别系统,使用多式联络传感器数据.
• 提高准确性和克服单模式方法的局限性.
• 加强可穿戴技术,以恢复运动功能.

主要方法:

• 提出了BSCAL,这是一个集成sEMG和IMU信号的双流网络.
• 利用卷积神经网络 (CNN),长期短期记忆 (LSTM) 网络和时空注意力.
• 应用了卡尔曼过,Z分数规范化,并为多式联通集成提供了封闭式融合.

主要成果:

• 实现了90.41% ± 1.54%的手势识别准确度.
• 超越单一模式模型和当前最先进的方法.
• 废除研究证实了CNN,LSTM和注意力机制的贡献.

结论:

• BSCAL协同集成神经肌肉和动力学数据,用于精确的手势识别.
• 该系统为先进的可穿戴手部康复机器人提供了可扩展的解决方案.
• 这项技术支持用于恢复运动功能的辅助设备的开发.