一个实时高密度的sEMG手势识别系统从深度模型中提炼出来

科学领域:

• 生物医学工程 生物医学工程
• 人与计算机的交互
• 机器学习 机器学习

背景情况:

• 表面电肌图 (sEMG) 对于人机交互 (HMI) 的手势识别至关重要.
• 高密度EMG系统提供了更高的准确性,但由于硬件和计算限制,它们面临着部署挑战.

研究的目的:

• 开发一个实时,可穿戴的高密度sEMG系统,用于高效的手势识别.
• 通过知识蒸来平衡性能和计算效率.

主要方法:

• 采用深度学习方法使用了64通道电极阵列.
• 一个轻量级的学生模型,从VGG-16教师模型中提炼出来,处理了sEMG信号.
• 该系统结合了在线流媒体的优化,包括滑动窗口和强大的校准.

主要成果:

• 在11个手势中获得了88.12%的平均识别准确度.
• 保持每段9.7毫秒的处理时间,满足实时要求.
• 在现实场景中展示了高可用性,共有12名参与者.

结论:

• 拟议的系统可以实现基于sEMG的实用,可穿戴,高密度的手势识别.
• 知识蒸为sEMG应用中高效地部署深度学习提供了有效的策略.
• 该系统显示了实时HMI应用的巨大潜力.