持续学习框架中的动态手势定制:为用户提供个性化的实时sEMG手势识别功能

科学领域:

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

背景情况:

• 动态的手势识别系统需要不断适应新的手势.
• 现有的框架可能会在不降低性能的情况下有效整合新型手势.
• 适应性持续学习框架对于现实世界的应用至关重要.

研究的目的:

• 提出一个扩展的双模型自适应式持续学习 (DM-ACL) 框架,用于动态手势加法.
• 用线下和线上增量学习来评估DM-ACL的表现.
• 证明框架能够持续提高准确度的能力.

主要方法:

• 扩展双模型自适应式持续学习 (DM-ACL) 框架的实施.
• 使用线下和在线增量学习方法进行评估,以实现新的手势集成.
• 收集表面电肌图 (sEMG) 数据用于手势识别.

主要成果:

• 在线增量学习实现了82.69%的整体准确度,82.8%的精度,82.69%的回忆率和0.83的F1得分,用三个新的手势.
• 该DM-ACL框架允许持续提高准确性,以达到预设的值.
• 有效的数据收集只需要4秒的sEMG数据每一个新的手势.

结论:

• 扩展的DM-ACL框架有效地管理动态手势集,而不会造成显著的性能损失.
• 该框架证明了它适用于医疗保健和人机交互中的现实应用.
• 在DM-ACL内部的持续学习使手势识别准确性的持续改进成为可能.