SASG-DA:用于肌电手势识别的稀疏意识语义引导扩散增强

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与机器的互动 人与机器的互动

背景情况:

• 基于表面电肌图 (sEMG) 的手势识别对于人机交互 (HMI) 至关重要,特别是在康复和假肢方面.
• 对于sEMG识别的深度学习模型在有限的训练数据中扎,导致过度拟合和糟糕的泛化.
• 现有的数据增强方法可能会产生多余的样本,从而限制其有效性.

研究的目的:

• 提出一种新的基于扩散的数据增强方法,即Sparse-Aware语义引导扩散增强 (SASG-DA),以解决sEMG手势识别中的数据稀缺问题.
• 增强增强的sEMG数据的可靠性和多样性,以提高深度学习模型的性能.
• 为了减轻过度装配,并提高sEMG识别系统的泛化能力.

主要方法:

• 开发了一种基于扩散的增强技术SASG-DA.
• 引入了语义表示指南 (SRG),以提高使用细粒度,任务意识的语义表示的代码忠实度.
• 实现高斯模拟语义采样 (GMSS) 实现灵活和多样化的样本生成.
• 纳入稀疏意识语义抽样,以针对代表性不足的数据区域,以提高实用性.

主要成果:

• 在基准sEMG数据集 (Ninapro DB2,DB4,DB7) 上,SASG-DA显著优于现有的数据增强方法.
• 提出的方法有效地产生了忠实和多样化的sEMG样本.
• 实验结果表明,过度装配的缓解和改进的识别性能和通用化.

结论:

• SASG-DA为sEMG手势识别中的数据增强提供了有效的解决方案.
• 该方法通过提供高质量,多样化的培训数据来提高深度学习模型的性能.
• 这种方法具有很大的潜力,可以推进HMI在康复和假肢控制中的应用.