FS-HGR：基于肌电图的少样本学习手势识别
机器学习
2020-11-13 v1 信号处理
摘要
本工作受深度神经网络（DNNs）近期进展及其在人机界面中广泛应用的启发。DNNs近来已用于通过处理表面肌电图（sEMG）信号来检测预期手势。这些方法的最终目标是为假肢实现高性能控制器。然而，尽管在可获得大量训练数据时DNNs表现出优于传统方法的准确率，但在数据有限时其性能显著下降。在研究实验室中收集大型数据集或许可行，但这对实际应用并非可行之策。因此，亟需设计一种依赖最少训练数据且保持高准确率的现代手势检测技术。在此我们提出一种基于元学习公式的创新且新颖的“少样本学习”框架，称为FS-HGR，以满足该需求。少样本学习是域适应的一种变体，目标是仅基于一个或少量训练样本推断所需输出。更具体地，所提FS-HGR在看到每类极少样本后便能快速泛化。所提方法在新重复少样本观测（5-way 5-shot）上达到85.94%分类准确率，在新受试者少样本观测（5-way 5-shot）上达到81.29%准确率，以及在新手势少样本观测（5-way 5-shot）上达到73.36%准确率。
引用
@article{arxiv.2011.06104,
title = {FS-HGR: Few-shot Learning for Hand Gesture Recognition via ElectroMyography},
author = {Elahe Rahimian and Soheil Zabihi and Amir Asif and Dario Farina and Seyed Farokh Atashzar and Arash Mohammadi},
journal= {arXiv preprint arXiv:2011.06104},
year = {2020}
}