Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Jan 7, 2026

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

混合卷积视觉变压器用于强大的低频道sEMG手势识别:与CNN的比较研究

Ruthber Rodriguez Serrezuela¹, Roberto Sagaro Zamora², Daily Milanes Hermosilla³

¹Department of Mechatronics Engineering, University Corporation of Huila, Neiva 410001, Colombia.

Biomimetics (Basel, Switzerland)

|December 24, 2025

概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Robust Motor Imagery Tasks Classification Approach Using Bayesian Neural Network.

Sensors (Basel, Switzerland)·2023

Same author

Monte Carlo Dropout for Uncertainty Estimation and Motor Imagery Classification.

Sensors (Basel, Switzerland)·2021

查看所有相关文章

卷积视觉变压器 (CViT) 在使用低通道表面电肌图 (sEMG) 信号进行手势分类的经典卷积神经网络 (CNN) 上表现优越. 这一进步是开发紧型假肢控制系统的关键.

科学领域:

生物医学工程生物医学工程
机器学习机器学习
康复技术康复技术康复技术

背景情况:

表面电肌图 (sEMG) 对于假肢控制和人机交互至关重要.
现有的sEMG研究通常使用高密度记录或广泛的手势集,限制低频道,减少手势系统的数据.
紧的sEMG系统需要高效的分类模型来实现实际的假肢应用.

研究的目的:

在低频道sEMG系统中对经典卷积神经网络 (CNN) 与卷积视觉变压器 (CViT) 进行手势分类.
在非截肢者和跨辐射截肢者数据集上评估模型性能.
在具有挑战性的sEMG条件下确定CNN和CViT架构的稳定性和概括能力.

主要方法:

使用了两个数据集:一个专有的8通道Myo数据集和一个12通道的NinaPro DB3子集从跨辐射截肢者.
两种CNN和CViT模型都使用相同的标准化预处理,细分和平衡窗口进行训练.
对数据集进行模型准确性比较,重点关注低频道异质sEMG信号场景中的性能.

主要成果:

在Myo数据集上,CNN获得了94.2%的准确性,但在截肢的NinaPro数据集上显示了变化 (92.0%的准确性).
CViT模型始终与CNN的性能相匹配或超过,在Myo上达到96.6%的准确性,在NinaPro上达到94.2%.

关键词:

视觉变压器 (ViT) 是一个视觉变压器.卷积神经网络 (CNN) 是一种神经网络.手的手势识别手势识别混合深度学习是混合深度学习.肌电模式识别肌电模式识别表面电肌图 (sEMG) 是一种表面电肌图.

相关实验视频

Last Updated: Jan 7, 2026

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision

Published on: March 28, 2025

统计分析表明,Myo数据集的性能差异很大,CViT显示出优异的结果.

结论:

卷积视觉转换器 (CViT) 与传统的CNN相比,为低频道的sEMG手势分类提供了增强的稳定性和概括性.
在异质信号条件下,CViT的性能特别有利,例如截肢记录中遇到的情况.
这些发现凸显了CViT在开发先进,紧的假肢控制系统方面的适用性.