SparseEMG：用于感知手势的稀疏 EMG 布局计算设计
人机交互
2025-08-08 v1
摘要
运动电生理信号 (EMG) 的手势识别是一项复杂问题，受手势集合、电极数量和摆放位置以及机器学习参数（如特征、分类器）的影响。大多数现有工具集成化地优化模型开发，但忽视了电极选择对分类准确性的影响。本文我们提出了首个关于电极选择和分类器选择如何影响准确性和稀疏性的数据驱动分析。通过对 28 种组合（4 种选择方案、7 种分类器）在六个数据集上的系统评估，我们识别出一种在不牺牲准确性的前提下最小化电极数量的方法。结果表明，Permutation Importance（选择方案）与 Random Forest（分类器）可将电极数量减少 53.5%。基于这些发现，我们引入了 SparseEMG，这是一个设计工具，可根据用户选定的手势集合、电极约束和 ML 参数生成稀疏电极布局，并预测分类性能。SparseEMG 支持 50+ 独特手势，在使用不同硬件 setup 的三个真实应用场景中进行验证。多数据集评估结果表明，SparseEMG 设计工具生成的布局在不同用户之间具有可迁移性，仅需轻微调整即可实现手势识别性能。
引用
@article{arxiv.2508.05098,
title = {SparseEMG: Computational Design of Sparse EMG Layouts for Sensing Gestures},
author = {Anand Kumar and Antony Albert Raj Irudayaraj and Ishita Chandra and Adwait Sharma and Aditya Shekhar Nittala},
journal= {arXiv preprint arXiv:2508.05098},
year = {2025}
}
备注
UIST'25: Proceedings of the 38th Annual ACM Symposium on User Interface Software and Technology