EMGTFNet：基于模糊视觉Transformer解码上肢sEMG信号用于手势识别
信号处理
2023-10-09 v1 人工智能
人机交互
机器学习
摘要
肌电控制是肌电图学中日益受关注的领域，尤其在用于仿生假肢的手势识别(HGR)等应用中。当前的焦点是利用机器学习尤其是深度学习方法进行模式识别。尽管现有深度模型在稀疏表面肌电信号(sEMG)上取得了良好结果，但它们通常需要大规模数据集与训练时间。此外，由于随机性sEMG信号的本质，传统模型无法对异常或含噪样本进行泛化。本文中，我们提出一种基于视觉Transformer(ViT)并带有模糊神经块(FNB)的架构EMGTFNet，用于从表面肌电图(sEMG)信号执行手势识别。所提出的EMGTFNet架构能够准确分类多种手势，无需任何数据增强技术、迁移学习或显著增加网络参数量。该模型的精度使用公开可用的NinaPro数据库（包含49种不同手势）进行测试。实验在200 ms窗口大小且仅56,793个可训练参数下取得了83.57%的平均测试精度和3.5%的精度波动。我们的结果优于不含FNB的ViT，从而证明引入FNB可提升其性能。我们所提框架EMGTFNet展现了其在假肢控制中实际应用的显著潜力。
引用
@article{arxiv.2310.03754,
title = {EMGTFNet: Fuzzy Vision Transformer to decode Upperlimb sEMG signals for Hand Gestures Recognition},
author = {Joseph Cherre Córdova and Christian Flores and Javier Andreu-Perez},
journal= {arXiv preprint arXiv:2310.03754},
year = {2023}
}