基于Mamba的专家组合,用于基于EMG的高密度手势识别

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:

• 高密度表面电肌图 (HD-sEMG) 对于人机交互 (HCI) 至关重要,提供肌肉活动数据.
• 由于信号的变化,低的会议间和主体间分类准确性阻碍了实际的HD-sEMG应用.

研究的目的:

• 引入MoEMba框架,以增强基于HD-sEMG的手势识别.
• 为了提高对HD-sEMG信号会话间变化的稳定性.

主要方法:

• 开发了使用选择性状态空间模型 (SSM) 的MoEMba框架.
• 集成的道关注时间依赖和跨道交互.
• 集成波束特征调制,用于多尺度的时间和空间信号表示.

主要成果:

• 在CapgMyo HD-sEMG数据集上,MoEMba实现了56.9%的平衡精度.
• 与最先进的方法相比,证明了卓越的性能.
• 展示了对会话变化的稳定性和高维数据的高效处理.

结论:

• 在MoEMba框架显著推进基于HD-sEMG的手势识别.
• 该方法为HD-sEMG信号的变化性挑战提供了强大的解决方案.
• MoEMba具有改善未来HD-sEMG驱动的HCI系统的潜力.