基于轻量级 CNN-Attention 架构的肌电图手势识别
机器学习
2022-10-28 v1 信号处理
摘要
生物信号处理（Biological Signal Processing, BSP）和机器学习（Machine-Learning, ML）模型的进步为新型沉浸式人机接口（Human-Machine Interfaces, HMI）的发展铺平了道路。在此背景下，利用表面肌电图（Surface-Electromyogram, sEMG）信号进行手势识别（Hand Gesture Recognition, HGR）引起了极大的关注。这是由于其具有将可穿戴数据解码为人类意图以沉浸于混合现实（Mixed Reality, MR）环境的独特潜力。为了达到尽可能高的准确率，通常需要开发复杂且庞大的深度神经网络（Deep Neural Networks, DNNs），这限制了它们在低功耗和资源受限的可穿戴系统中的实际应用。在本工作中，我们提出了一种基于卷积神经网络（Convolutional Neural Network, CNN）和注意力机制的轻量级混合架构（HDCAM），以有效提取输入的局部和全局表示。所提出的具有 58,441 个参数的 HDCAM 模型达到了新的 SOTA 性能，在 300 ms 和 200 ms 的窗口大小下对 17 种手势进行分类的准确率分别为 82.91% 和 81.28%。训练所提出的 HDCAM 架构所需的参数量比其先前的 SOTA 对应模型少了 18.87 倍。
引用
@article{arxiv.2210.15119,
title = {Light-weighted CNN-Attention based architecture for Hand Gesture Recognition via ElectroMyography},
author = {Soheil Zabihi and Elahe Rahimian and Amir Asif and Arash Mohammadi},
journal= {arXiv preprint arXiv:2210.15119},
year = {2022}
}