基于Riemann特征和RNNs的EMG高维手指运动解码
计算机视觉与模式识别
2026-04-27 v1 人工智能
摘要
从前臂表面电位图（EMG）持续估计高维手指运动学，能够为手臂假肢、AR/XR界面和远程操作提供自然控制。然而，人类手势的复杂性和前臂肌肉的纠缠，使得准确识别本质上具有挑战性。现有方法通常通过依赖基于分类的机器学习来降低任务复杂度，限制可控制的自由度并妥协于自然交互。我们提出了一个端到端框架，用于从EMG进行连续到运动学的回归，仅使用消费级硬件。该框架结合8通道EMG腰带、单个网页相机和自动同步程序，实现了EMG Finger-Kinematics数据集（EMG-FK）的收集，该数据集包含同步的EMG和15个手指关节角度，来自20名参与者进行丰富且不受约束的右手运动。我们还引入了时序Riemann回归器（TRR），一种轻量级基于GRU的模型，使用多带Riemann协方差特征序列来解码手指运动。在EMG-FK和公共emg2pose基准测试中，TRR在内部分离和跨主体评估中均优于最先进的方法。在EMG-FK上，它在内部分离中达到平均绝对误差为，跨主体为。最后，我们在树莓派5上实现了实时部署，手指运动预测速度接近10次/秒，速度约为最先进方法的数量级。正是这些贡献降低了可重复、实时EMG-based解码高维手指运动的门槛，为更自然和直观的控制嵌入式EMG系统铺平了道路。
引用
@article{arxiv.2604.22498,
title = {CGC: Compositional Grounded Contrast for Fine-Grained Multi-Image Understanding},
author = {Lihao Zheng and Zhenwei Shao and Yu Zhou and Yan Yang and Xintian Shen and Jiawei Chen and Hao Ma and Tao Wei},
journal= {arXiv preprint arXiv:2604.22498},
year = {2026}
}