一个多尺度的双流融合网络,用于基于sEMG的高精度手势分类.
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing, 400054, China.
Scientific reports
|January 7, 2026
概括
这项研究引入了一种新的深度学习模型,用于基于表面电肌图 (sEMG) 的手势识别. 多尺度双流融合网络 (MSDS-FusionNet) 通过有效结合时间和频率域特征来提高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 深度学习被广泛用于基于表面电肌图 (sEMG) 的手势识别.
- 现有的方法难以充分利用来自时间和频率领域的互补信息,原因是捕捉多尺度时间依赖和低于最佳的融合策略的局限性.
研究的目的:
- 提出一个新的深度学习框架,即多尺度双流融合网络 (MSDS-FusionNet),以提高基于sEMG的手势分类准确性和稳定性.
- 通过有效整合时间和频域特征来解决当前方法的局限性.
主要方法:
- 开发了多尺度双流融合网络 (MSDS-FusionNet),包括多尺度Mamba (MSM) 模块来提取多尺度时间特征和双向注意力融合模块 (BAFM) 来进行特征融合.
- MSM模块使用并行卷积和线性时间序列建模来捕捉各种时间模式和依赖关系.
- BAFM采用双向注意力机制来动态融合互补的时间和频域信息.
主要成果:
- 与NinaPro数据集上最先进的方法相比,MSDS-FusionNet取得了更高的性能.
- 证明了高达2.41% (DB2),2.46% (DB3) 和1.38% (DB4) 的精度改进.
- 获得的最终准确率为90.15% (DB2),72.32% (DB3) 和87.10% (DB4).
结论:
- MSDS-FusionNet为基于sEMG的手势识别提供了一个强大而灵活的解决方案.
- 拟议的框架有效地解决了识别复杂手势的复杂性.
- 在假肢,虚拟现实和辅助技术领域有很大的应用潜力.
