Apr, 2023

表面肌电模式识别分类器置信度评估

PDF
TL;DR本文旨在确定在表面肌电图案识别方面，哪些类型的分类器可以提供更高的准确性和更好的置信度，并在 4 个 EMG 数据集上定量、定性地评估各种生成分类器和区别分类器的性能。结果表明，尽管基于深度神经网络的区别分类器表现出高准确性，但它的置信度与真实概率不同。相比之下，一种可以考虑 EMG 变化不确定性的生成分类器 —— 比例混合模型分类器表现出优异的准确性和置信度。
surface electromyogramemg-based pattern recognitionclassifierdiscriminative classifiergenerative classifier
发现论文，激发创造
  • 基于进化计算的肌电控制器功耗优化设计

    本研究提出了一种基于多目标优化算法 NSGA-II 的监督学习框架，通过使用核 SVM 分类器对表面肌电信号（sEMG）进行解码以推断潜在肌肉运动，以设计一种节能的 EMG 控制器。实验结果表明，该方法为设计者在选择分类器参数以优化 EMG 控制器的能量效率方面提供了更高的灵活性。

    Apr, 2022

  • 深度度量元学习用于鲁棒且可解释的基于肌电的手势识别

    我们提出了一种基于深度度量元学习的肌电图案识别模型，通过使用 Siamese 深度卷积神经网络和对比三元损失来学习能够捕捉不同类别分布的肌电特征嵌入空间，进而采用最近质心方法进行推断，提出了一种有效的基于类近程度的置信度评估器，改善了分类器在主动决策中的精度，从而提高了泛化能力和适用性。

    Apr, 2024

  • 增强基于肌电信号的手势识别表达能力的多标签分类方法

    通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。

    Sep, 2023

  • 从单模态到多模态：通过深度生成模型改进基于 sEMG 的模式识别

    通过使用深度生成模型生成虚拟惯性测量单元信号，将 sEMG 信号和生成的虚拟 IMU 信号输入多模态卷积神经网络模型，可以显著提高基于 sEMG 的手势识别的准确性。

    Aug, 2023

  • 使用深度学习进行肌电信号分类

    本文基于电肌图数据实现了带有 L2 正则化的深度学习模型，在测试集上实现了 99% 的准确率，能够高精确度地对正常、肌无力和渐冻人病进行分类，有望为神经肌肉疾病的临床诊断提供帮助。

    May, 2023

  • 使用误差增强的肌电手势分类用户训练

    设计并测试了一种实时控制的用户界面系统，通过提取腕带配置中八个电极的表面肌电（sEMG）活动。实时将 sEMG 数据传入机器学习算法，用于手势分类。实验结果表明，相对于基线，修改的反馈条件显著提高了准确性和手势分类分离，暗示了通过反馈操作的游戏化用户界面可能实现基于 sEMG 手势识别应用的直观、快速、准确的任务获取。

    Sep, 2023

  • MEET: 基于混合专家的额外树型 sEMG 手势识别

    人工智能在各领域如医学、机器人、教育、工业等方面取得重大进展，其中人手势识别是利用肌电图在机械手控制中最近兴起的研究兴趣领域。通过混合专家额外树（MEET）模型，结合多种机器学习算法和信号捕获设备，对手势进行准确有效的识别。

    May, 2024

  • 手势识别中噪声鲁棒性策略再探：基于表面肌电信号分析的短期增强

    基于表面肌电图的手势识别，通过短期增强模块 (STEM) 和可学习的降噪机制，实现了对噪音的减少和对各种手势识别任务的泛化。

    Apr, 2024

  • 肌电图 (EMG) 任务上的迁移学习：方法与进展

    本篇论文综述了 50 多个发表的 EMG 应用程序的传输学习方法，并提供了有关肌肉生理结构和 EMG 生成机制的生物学见解以及录制 EMG 的方法，以支持现有传输学习方法的生物基础。此外，通过将现有研究努力分为基于数据和模型的方法、基于培训方案的方法和对抗性的方法，系统地总结和分类了现有的 EMG 相关机器学习应用的传输学习方法，并讨论了现有工作的可能缺点，并指出了未来更好的 EMG 传输学习算法的方向以提高实际应用性。

    Oct, 2022

  • 使用组合同态电肌图编码器的快速与表达性手势识别

    通过使用依据动作方向和修改因素定义的综合手势，从而快速实现高准确度的表情人机交互，且最小化了新受试者提供校准数据的时间。通过将真实的单一手势特征向量结合生成合成训练数据，我们从未见过的组合手势进行外推，这样的策略构建了一个大而灵活的手势词汇，而无需新受试者演示大量的示例手势。通过自我监督，我们预先训练了一个编码器和组合操作符，为未见受试者提供有用的合成训练数据。通过收集真实世界的电肌图数据集，并与两个基线方法进行对比评估：仅使用未见受试者的真实单一手势数据进行部分监督训练的模型，以及使用未见受试者的真实单一手势和真实组合手势数据进行完全监督训练的模型。研究结果表明，所提出的方法明显优于部分监督模型，并且在某些情况下达到了接近完全监督模型性能的有用分类准确度。

    Oct, 2023