基于LSTM特征模仿网络的sEMG信号手部运动识别
信号处理
2025-01-03 v2 人工智能
机器学习
机器人学
摘要
面板电生理信号(sEMG)是用于识别手部运动模式、疾病诊断以及仿生器稳健控制的非侵入性信号。尽管近期的端到端深度学习方法取得显著成功，但仍受限于大量标记数据需求。为缓解大数据需求，本文提出利用特征模仿网络(FIN)在Ninapro DB2上的300ms信号窗口上进行闭环时序特征学习，并用于17种手部运动识别。我们实现了一个轻量级LSTM-FIN网络，用于模仿四种标准时序特征(熵、均方根、方差、简单平方积分)。我们观察到，LSTM-FIN网络在特征重建中可达到99%的R²准确率，在手部运动识别中可达到80%的准确率。我们的研究结果还表明，该模型可稳健地应用于跨被试和模拟低延迟环境中的运动识别。总体而言，本工作展示了FIN建模范式在sEMG信号处理数据稀缺场景中的潜力。
引用
@article{arxiv.2405.19356,
title = {An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals},
author = {Chuheng Wu and S. Farokh Atashzar and Mohammad M. Ghassemi and Tuka Alhanai},
journal= {arXiv preprint arXiv:2405.19356},
year = {2025}
}
备注
\c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works