用于多通道肌电数据手部动作分类的时域到空域深度卷积神经网络
信号处理
2020-08-20 v2 机器学习
摘要
深度卷积神经网络（CNN）因能够从原始数据中执行自动的个性化特征提取，对于从表面肌电（sEMG）数据分类手部动作颇具吸引力。在本文中，我们做出了一项新颖贡献，即提出并评估了一种用于多通道sEMG的深度CNN早期处理层设计。具体而言，我们提出了一种新颖的时域到空域（TtS）CNN架构，其中第一层在每个sEMG通道上分别进行卷积以提取时域特征。其动机在于，每个通道中的sEMG信号由一个或一小部分肌肉介导，这些肌肉的时间激活模式与手势的特征性特征相关。时域层分别捕获每个通道的这些特征性特征，随后在后续层中进行空间混合以识别特定手势。一个实际优势是，该方法还使CNN易于针对不同采样率进行设计。我们使用NinaPro数据库1（27名受试者和52种动作+休息），以100 Hz采样，以及数据库2（40名受试者和40种动作+休息），以2 kHz采样，来评估我们提出的CNN设计。我们以基于特征的支撑向量机（SVM）分类器、文献中的两种CNN以及一种额外的标准CNN设计作为基准。我们发现，我们新颖的TtS CNN设计在数据库1上达到66.6%的每类准确率，在数据库2上达到67.8%，并且TtS CNN在2%显著性水平下的统计假设检验中优于所有其他被比较的分类器。
引用
@article{arxiv.2007.10879,
title = {A temporal-to-spatial deep convolutional neural network for classification of hand movements from multichannel electromyography data},
author = {Adam Hartwell and Visakan Kadirkamanathan and Sean R. Anderson},
journal= {arXiv preprint arXiv:2007.10879},
year = {2020}
}