从手势识别系统的电肌图信号进行深度特征学习
概括
用于电肌图 (EMG) 信号分析的深度学习模型提供准确的手势识别. 本调查通过数据表示来对先进架构进行分类,并探索半监督学习以克服数据限制.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 电肌图 (EMG) 信号对于理解肌肉活动至关重要.
- 深度学习 (DL) 模型在解码复杂的EMG数据方面表现有前途,用于人机交互等应用.
- 精确的基于EMG的手势识别对于先进的假肢,机器人和神经接口至关重要.
研究的目的:
- 为EMG信号分析提供最先进的深度学习模型的全面审查.
- 基于EMG数据表示的高级DL架构进行分类.
- 探索解决EMG数据集数据稀缺问题的解决方案,重点关注半监督和自我监督的学习.
主要方法:
- 对EMG深度学习的最新文献进行系统审查.
- 基于数据表示的DL架构的分类:时间,空间,光谱和基于图的.
- 对EMG数据应用的半监督和自我监督学习技术的分析.
主要成果:
- 深度学习模型通过使用EMG信号实现高精度的手势识别.
- 选择DL架构在很大程度上取决于选择的EMG数据表示.
- 半监督和自我监督的学习方法显示出减轻有限的标记EMG数据所带来的挑战的潜力.
结论:
- 为特定的EMG数据表示优化DL架构是稳健性能的关键.
- 通过先进的学习模式来解决数据限制对于实际的EMG解码应用是必不可少的.
- 未来的研究应该专注于为现实世界基于EMG的系统开发可泛化和强大的DL模型.


