May, 2024

基于 LSTM 的表情识别神经网络用于 sEMG 信号的手部运动识别

PDF
TL;DR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。
surface electromyographyfeature engineeringtemporal feature learninghand movement recognitionfeature-imitating network
发现论文，激发创造
  • 手势识别中的瞬态高密度肌电图的深度学习序列解码器与主体嵌入式迁移学习

    使用 HD-sEMG 和深度学习来实现手势识别，通过主观内嵌结构和预知预培训的方法，在数据有限的情况下，相对于特定用户方法，取得了超过 13% 的平均准确率，为新用户减少了大量数据需求，提高了实用性。

    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

  • 用带脉冲神经元的在线 Transformer 快速控制义肢手

    本文介绍了使用滑动窗口注意力机制代替自注意力机制，以便进行在线处理，同时在使用 Leaky-Integrate and Fire 单位时提高了网络的稀疏性，从而更准确快速地处理表皮肌电信号，为瞬态信号处理提供了一种快速准确的方法。

    Mar, 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

  • 基于黎曼流形的手势解码表面肌电信号拓扑学

    通过分析上肢的非侵入性表面肌电图（sEMG）信号，我们展示了一种简单的技术，可以识别不同手势并且解决了信号变异性的问题，并且通过在 Riemann 流形上使用协方差矩阵分析空间模式，成功地模拟了分布在各个肌肉之间的复杂相互作用和评估 sEMG 信号之间的差异。

    Nov, 2023

  • 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

  • 基于运动特征增强循环神经网络的基于骨架的动态手势识别

    本文提出了一种基于骨架的动态手势识别新运动特征增强的循环神经网络，该算法通过双向循环神经网络将动作特征与骨架序列结合起来，从而在识别手势时提高了准确性。

    Aug, 2017

  • 利用机器学习技术识别前臂肌肉信号中的手势

    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。

    Jan, 2024

  • 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

  • SpGesture：基于 Jaccard 注意力脉冲神经网络的无源域自适应 sEMG 手势识别

    通过膜电位作为记忆列表，我们首次将无源领域适应引入脉冲神经网络，以缓解由分布变化引起的准确性降低，并通过新型的脉冲波 Jaccard 注意力提高了脉冲神经网络对表面肌电图特征的表示能力，从而显著提高了系统的准确性。在收集的新的表面肌电图手势数据集中，SpGesture 在不同的前臂姿势中实现了最高的准确率（89.26%），并且在 CPU 上的实际部署展示了低于 100 毫秒的系统延迟，完全满足实时要求，这些令人印象深刻的性能展示了 SpGesture 在实际场景中增强表面肌电图的应用潜力。

    May, 2024