基于肌电图信号的紧凑深度神经网络用于计算高效手势分类
计算机视觉与模式识别
2019-04-16 v3
摘要
使用表面肌电图的机器学习分类器对人机接口与设备控制十分重要。支持向量机（SVM）等传统分类器使用基于小波等手动提取的特征。这些特征往往固定且非针对个人，由于肌电图信号的人间变异性高，这是关键局限。相比之下，深度神经网络可自动提取针对个人的特征——重要优势。然而，深度神经网络通常有参数数量大的缺点，需要大型训练数据集与不适用于嵌入式系统的强大硬件。本文通过引入一种远小于现有对应物的紧凑深度神经网络架构解决这些问题。该紧凑深度网络的性能以SVM为基准，并在10名人类受试者中跨Myo与Delsys Trigno电极组与其他当代架构比较。紧凑深度网络在Myo上的准确率为84.2 ± 6%，SVM为70.5 ± 7%；在Delsys系统上为80.3 ± 7%对67.8 ± 9%，展示了所提紧凑网络的优越有效性，其仅有5,889个参数——比该领域某些当代替代方案少数个数量级，同时保持更好性能。
引用
@article{arxiv.1806.08641,
title = {Compact Deep Neural Networks for Computationally Efficient Gesture Classification From Electromyography Signals},
author = {Adam Hartwell and Visakan Kadirkamanathan and Sean R Anderson},
journal= {arXiv preprint arXiv:1806.08641},
year = {2019}
}
备注
IEEE BioRob 2018