L-SHADE优化了sEMG手势识别学习框架
Naveen Gehlot1,2, Ankit Vijayvargiya3, Ashutosh Jena4
1Department of Instrumentation and Control Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India. naveen.gehlot@manipal.edu.
Scientific reports
|October 21, 2025
概括
这项研究优化了手势识别 (HGR) 使用额外树 (ET) 分类器与线性人口大小减少成功-历史适应差异进化 (L-SHADE). 优化了L-SHADE的ET框架显著提高了准确性,并减少了实时手势识别的计算时间.
科学领域:
- * 人与计算机的交互
- * 机器学习 * 机器学习
- * * 信号处理 信号处理
背景情况:
- *实时手势识别 (HGR) 依赖于机器学习分类器 (MLC).
- *MLC的性能高度依赖于与实时数据的超参数调整.
- * 现有的方法需要优化,以提高准确性和效率.
研究的目的:
- *为HGR开发一个优化的额外树 (ET) MLC框架.
- * 为了提高实时手势识别的准确性和减少计算负载.
- * 为了评估线性人口大小减小成功史适应差异演变 (L-SHADE) 对超参数优化的有效性.
主要方法:
- *利用来自两个前臂肌肉的实时表面电肌图 (sEMG) 信号.
- *为了分类,捕获了六种不同的手势动作.
- *采用十个MLC,包括一个额外树 (ET) 分类器,并使用L-SHADE优化它.
主要成果:
- * L-SHADE优化的ET框架在获取数据上实现了87.89%的平均准确率,比84.14%的平均准确率有所改善.
- *平均计算时间从8.62毫秒减少到3.16毫秒.
- * 在公开的15个手势数据集上显示了>3.0%的平均准确度改善.
结论:
- * L-SHADE优化显著提高了HGR的ET分类器的性能.
- * 拟议的框架为实时手势识别提供了强大而高效的解决方案.
- *这种方法为人机交互和可穿戴技术领域做出了宝贵的贡献.
