面具自动编码器与Swin变压器网络用于缓解基于HD-EMG的手势识别中的电极移位

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 高密度表面电肌图 (HD-sEMG) 对于肌电控制手势识别至关重要.
• 高清-sEMG 模型由于记录条件的变化,如电极移位,而导致性能下降.
• 现有的模型缺乏对现实世界的记录条件变化的强度.

研究的目的:

• 提出一个新的框架,面具自动编码器与旋转变压器 (MAST),用于基于高清sEMG的强大的手势识别.
• 增强用于肌电控制的模式识别模型的概括能力.
• 为了解决HD-sEMG记录中电极移位引起的性能下降.

主要方法:

• 开发了MAST框架,使用HD-sEMG频道的掩盖子集进行培训.
• 采用了四种掩盖策略:随机块,时间,传感器智能随机和多尺度掩盖.
• 使用三路 Swin-Unet 编码器-解码器架构来捕获基于时间域,频率域和大小的特征.
• 实施了对增强输入的自我监督预训,以改善模型概括.

主要成果:

• 与现有方法相比,MAST框架显示出更高的性能.
• 提出的掩盖策略和多路径架构有效地学习了强大的潜在表示.
• 自主监督的预训练显著改善了不同记录条件的模型概括性.

结论:

• MAST框架为基于HD-sEMG的手势识别提供了一个强大的解决方案,减轻电极移位导致的性能损失.
• 掩盖策略和Swin变压器架构的结合增强了模型的适应性和通用性.
• 这种方法具有显著的潜力,可以提高肌电控制系统的可靠性.