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
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%.
- 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.