通过增量学习方法提高基于前臂超声的手势分类跨会话可重复性

前臂的超声图像可用于对手势进行分类，以开发人机交互界面。在我们之前的工作中，我们展示了在单个受试者身上进行超声手势分类，且在评估前不取下探头。这在实际使用中存在局限性，因为一旦取下并重新放置探头，分类准确率就会下降，因为分类器的性能对探头在手臂上的位置很敏感。在本文中，我们提出在多个数据采集会话上训练模型以创建一个泛化模型，并通过微调利用增量学习来实现。在一个会话内（不取下并重新戴上探头）和跨会话中，采集了5种手势的超声数据。本研究使用了一个具有5个级联卷积层的卷积神经网络（CNN）。使用预训练的CNN进行微调，其中卷积块作为特征提取器，其余层的参数以增量方式进行更新。微调在会话内的不同划分以及多个会话之间进行。我们发现，增量微调有助于通过更多的微调会话来提高分类准确率。在每次实验进行2次微调会话后，我们发现分类准确率提高了约10%。这项工作表明，通过对基于超声的手势分类进行微调的增量学习，可用于提高准确率，同时节省存储空间、处理能力和时间。它可以扩展到多个受试者之间进行泛化，并用于开发个性化可穿戴设备。