Jan, 2024

利用机器学习技术识别前臂肌肉信号中的手势

PDF
TL;DR研究使用前臂肌电数据来区分八种手势，采用神经网络和随机森林算法对来自十个参与者的数据进行分析。神经网络在 1000 毫秒窗口下达到了 97% 的准确率，而随机森林在 200 毫秒窗口下达到了 85% 的准确率。更大的窗口大小提高了手势分类的准确性，由于时间分辨率的增加。随机森林的处理速度为 92 毫秒，比神经网络的 124 毫秒更快。研究得出结论，使用 1000 毫秒的神经网络为最准确的（97%），使用 200 毫秒的随机森林为最高效的（85%）。未来的研究应该着重增加样本数量，添加更多手势，以及探索不同的特征提取方法和建模算法来提高系统的准确性和效率。
发现论文，激发创造
  • 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

  • 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

  • EMGTFNet：用于手势识别的上肢表面肌电信号解码的模糊视觉 Transformer

    我们提出了一种基于 Vision Transformer (ViT) 和模糊神经网络块 (Fuzzy Neural Block, FNB) 的 EMGTFNet 架构，用于通过表面肌电图 (surface electromyography, sEMG) 信号进行手势识别，该架构能够准确分类各种手势，无需数据增强技术、迁移学习或网络参数的显著增加。实验证明，我们的结果优于无 FNB 的 ViT 模型，证明了包含 FNB 可以提高其性能，我们的提议框架 EMGTFNet 具有显著的实际应用潜力，可用于假肢控制。

    Sep, 2023

  • 基于迁移学习和深度集成学习的手势识别的两阶段方法

    利用预训练的高性能深度神经网络模型在 HG14 数据集上进行手势识别，通过多个模型的集成学习技术，达到了 98.88% 的准确率，展示了深度集成学习技术在人机交互中的有效性及其在增强现实、虚拟现实和游戏技术等领域的潜在应用。

    Sep, 2023

  • 基于 LSTM 的表情识别神经网络用于 sEMG 信号的手部运动识别

    通过使 sEMG 信号的终止形式获得闭式时间特征学习，我们实现了一个轻量级的 LSTM-FIN 网络，以模仿四个标准的时间特征（熵、均方根、方差、简单平方积分），并探索了迁移学习的能力。我们的结果表明，LSTM 网络在特征重构方面可以达到 99% 的 R2 准确度，在手部动作识别方面可以达到 80% 的准确度，而且在主体内和主体间的动作识别以及模拟的低延迟环境中能够具备稳健的应用能力。总体而言，我们的工作展示了在 sEMG 信号处理的数据缺乏情况下，FIN 建模范式的潜力。

    May, 2024

  • 电容式感应设备的灵活手势识别：在职适应

    本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

    May, 2023

  • 基于卷积神经网络的多普勒雷达手势识别系统

    本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

    Nov, 2017

  • 利用循环神经网络和手势控制器进行手势和旗语识别

    本文基于一种使用手部骨骼的角度作为特征的 RNN 方法，旨在解决手势识别的问题，并在 ASL 数据集和 SHREC 数据集上测试和证明了该方法的有效性和优越性。

    Mar, 2018

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 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