卷积特征工程用于跨日个人识别,使用手腕肌电图

科学领域:

• 生物识别信息 生物识别信息
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 表面电肌图 (EMG) 是一种可行的生物识别工具,用于识别个人.
• 多天的性能退化是EMG生物识别的一个关键挑战.
• 深度学习为生物信号分析提供先进的特征提取.

研究的目的:

• 推出MyoBM-Net,这是一个新的卷积神经网络,用于基于EMG的个人识别.
• 通过使用深度特征提取来评估EMG生物识别的跨日稳定性.
• 将MyoBM-Net与传统的特征提取方法进行比较.

主要方法:

• 利用1D和2D卷积层从EMG信号中提取空间和通道特定的特征.
• 在一个月的三个单独日子里,从43名参与者的手腕EMG数据中获取数据.
• 在不同的日子进行跨日识别分析,培训和测试.

主要成果:

• 在跨日识别中,MyoBM-Net实现了98.5%的中位数排名-1准确度.
• 拟议的方法优于传统的特征提取技术.
• 较低的基于特色的指数 (DBI) 记录为1.73,表明强大的歧视力.

结论:

• MyoBM-Net显示了基于EMG的强大和准确的个人身份识别的巨大潜力,即使在不同的日子里也是如此.
• 深度学习方法有效地解决了在多天生物识别系统中性能变化的挑战.
• 该方法能够提取空间和通道特定信息,从而提高其适用于实际生物识别应用的适用性.