S-ConvNet：一种用于基于瞬时高密度表面肌电图像识别神经肌肉活动的浅层卷积神经网络架构
信号处理
2023-05-17 v1 人工智能
计算机视觉与模式识别
机器学习
图像与视频处理
摘要
利用瞬时高密度表面肌电图（HD-sEMG）图像进行神经肌肉活动识别的概念，为开发更流畅自然的肌肉-计算机接口开辟了新途径。然而，现有方法采用非常大的深度卷积神经网络（ConvNet）架构和复杂训练方案进行 HD-sEMG 图像识别，这需要网络架构在超大规模标注训练集上预训练，因而计算代价极高。为克服该问题，我们提出 S-ConvNet 和 All-ConvNet 模型，一种简单而高效的从零学习瞬时 HD-sEMG 图像以进行神经肌肉活动识别的框架。在不使用任何预训练模型的情况下，我们提出的 S-ConvNet 和 All-ConvNet 在基于瞬时 HD-sEMG 图像的神经肌肉活动识别上，取得了与更复杂的最先进方法极具竞争力的识别精度，同时使用约 12 倍更小的数据集并大幅减少了学习参数。实验结果证明，S-ConvNet 和 All-ConvNet 对于学习瞬时 HD-sEMG 图像识别的判别性特征极为有效，尤其在数据和高端资源受限场景下。
引用
@article{arxiv.1906.03381,
title = {S-ConvNet: A Shallow Convolutional Neural Network Architecture for Neuromuscular Activity Recognition Using Instantaneous High-Density Surface EMG Images},
author = {Md. Rabiul Islam and Daniel Massicotte and Francois Nougarou and Philippe Massicotte and Wei-Ping Zhu},
journal= {arXiv preprint arXiv:1906.03381},
year = {2023}
}