基于简单注意力模型的表面肌电信号手势识别
机器学习
2020-11-19 v2 信号处理
机器学习
摘要
肌电控制是机器人假肢领域的主要研究方向之一。我们展示了在表面肌电信号（sEMG）分类方面的研究，其中我们简单而新颖的基于注意力的方法目前处于行业领先地位，普遍优于更复杂的最先进模型。我们的新颖基于注意力的模型在多个行业标准数据集上取得了基准领先的结果，包括53种手指、手腕和抓握动作，优于复杂的信号处理和基于CNN的方法。我们使用直接模型的强劲结果也表明，sEMG代表了未来机器学习研究的一条有前景的途径，其应用不仅在假肢中，也在其他重要领域，如神经退行性疾病的诊断与预后、计算介导的手术以及先进机器人控制。我们通过广泛的消融研究强化了这一建议，证明神经网络可以轻松地从消费级廉价传感器采集的噪声sEMG数据中提取高阶时空特征。
引用
@article{arxiv.2006.03645,
title = {sEMG Gesture Recognition with a Simple Model of Attention},
author = {David Josephs and Carson Drake and Andrew Heroy and John Santerre},
journal= {arXiv preprint arXiv:2006.03645},
year = {2020}
}
备注
Preprint for accepted ML4H 2020 paper. 13 Pages, 6 Figures, 1 Appendix. Full code available at https://github.com/josephsdavid/attentionsemg