通过肌肉协同和不相似度指标学习进行HD-sEMG特征分解,以了解对未知的手势的强度
IEEE transactions on bio-medical engineering
|March 4, 2026
概括
这项研究引入了一个新的肌电模式识别 (MPR) 框架,用于增强手势识别. 该系统提高了已知的手势的准确性,并有效地拒绝未知的手势,提高了假肢控制的稳定性.
科学领域:
- 生物医学工程 生物医学工程
- 康复工程 康复工程 康复工程
- 人与计算机的交互
背景情况:
- 传统的肌电模式识别 (MPR) 系统难以识别新的手势,导致性能下降.
- 现有的MPR方法往往无法拒绝未知的手势,限制了它们在现实世界中的适用性.
- 肌电控制的稳定性对于先进的假肢功能至关重要.
研究的目的:
- 开发一个强大的MPR框架,增强类内紧性,改善开放式拒绝.
- 为了同时对已知的手势进行分类,并拒绝未知的手势.
- 提高肌电接口的整体可靠性和性能.
主要方法:
- 高密度表面电肌图 (HD-sEMG) 时域特征的分解成特定模式和模式变量组件.
- 整合不相似度的学习与分类,以创建一个统一的模型.
- 根据手势分类和拒绝的异常分数定义特定模式的决策边界.
主要成果:
- 在会议内实验中,已知手势的分类准确率超过99%,未知手势的拒绝准确率>98%.
- 在具有挑战性的会话间条件下保持了超过77%的开放式识别准确度.
- 与现有的开放式 MPR 方法相比,表现出了显著的性能改善.
结论:
- 拟议的MPR框架有效地提高了类内紧性和开放式排斥性能.
- 将肌肉协同分解与不相似度学学习相结合,可显著提高肌电接口的稳定性.
- 这种方法为更可靠和多功能假肢控制提供了一个有希望的解决方案.
