基于迁移学习的深度学习用于肌电信号手势分类
机器学习
2019-01-29 v5 机器学习
摘要
近年来，深度学习算法因其从大量数据中自动学习判别性特征的卓越能力而日益突出。然而，在基于肌电图的 gesture 识别领域中，深度学习算法很少被采用，因为它们需要单个人付出不合理的努力来生成数万样本。本工作的假设是，通过聚合多名用户的信号所产生的大量数据可以学习到通用的、信息丰富的特征，从而在减轻记录负担的同时增强手势识别。因此，本文提出对来自多名用户的聚合数据应用迁移学习，同时利用深度学习算法从大型数据集中学习判别性特征的能力。本工作使用 Myo Armband 记录了两个分别由 19 名和 17 名健全受试者组成的数据集（第一个用于预训练）。第三个 Myo Armband 数据集取自 NinaPro 数据库，由 10 名健全受试者组成。在第二和第三个数据集上测试了三种采用三种不同模态作为输入（原始 EMG、谱图与连续小波变换（CWT））的深度学习网络。所提出的迁移学习方案被证明能系统性且显著地提升所有三个网络在两个数据集上的性能，其中基于 CWT 的 ConvNet 在 17 名受试者上针对 7 种手势达到了 98.31% 的离线准确率，基于原始 EMG 的 ConvNet 在 10 名受试者上针对 18 种手势达到了 68.98% 的离线准确率。最后，一项由八名健全受试者参与的用例研究表明，实时反馈使用户能够调整其肌肉激活策略，从而减轻通常随时间出现的准确率下降。
引用
@article{arxiv.1801.07756,
title = {Deep Learning for Electromyographic Hand Gesture Signal Classification Using Transfer Learning},
author = {Ulysse Côté-Allard and Cheikh Latyr Fall and Alexandre Drouin and Alexandre Campeau-Lecours and Clément Gosselin and Kyrre Glette and François Laviolette and Benoit Gosselin},
journal= {arXiv preprint arXiv:1801.07756},
year = {2019}
}
备注
Source code and datasets available: https://github.com/Giguelingueling/MyoArmbandDataset