论文作者:Jungpil Shin,Abu Saleh Musa Miah,Sota Konnai,Shu Hoshitaka,Pankoo Kim
作者单位:The University of Aizu;Chosun University
论文链接:http://arxiv.org/abs/2504.03221v1
内容简介:
1)方向:手势识别
2)应用:手势识别
3)背景:基于sEMG的手势识别面临着不稳定的预测和时间变化特征增强不足的挑战。现有方法在处理信号的时间变化特征时效果不佳,难以有效捕捉手势的复杂动态变化。
4)方法:为了解决这些问题,提出了一种多分支的深度学习模型,包含三个分支来提取层次化特征,捕捉全局和细致的空间时间关系。第一个分支使用双向时间卷积网络(Bi-TCN),通过建模过去和未来的时间上下文来捕捉长期时间依赖关系。第二个分支结合了1D卷积层、可分离卷积网络(CNN)和挤压与激励(SE)模块,有效提取空间时间特征,并强调关键特征通道,增强特征的相关性。第三个分支则结合时间卷积网络(TCN)和双向长短时记忆网络(BiLSTM),捕捉双向时间关系和时间变化模式。所有分支的输出通过拼接融合,进一步使用通道注意力模块进行优化,聚焦于最具信息量的特征,同时提高计算效率。
5)结果:该模型在Ninapro DB2、DB4和DB5数据集上进行测试,分别取得了96.41%、92.40%和93.34%的准确率。这些结果表明,所提出的系统能够有效处理复杂的sEMG动态变化,为假肢控制和人机接口技术提供了进步,具有重要的辅助技术应用前景。