TEMGNet：基于深度Transformer的上肢表面肌电信号手势识别解码
机器学习
2021-09-28 v1 信号处理
摘要
近年来，机器学习（ML），特别是基于深度神经网络（DNN）的模型，在从表面肌电图（sEMG）信号解码肌肉活动以用于神经机器人系统的肌电控制方面引起了广泛关注。然而，基于DNN的模型需要大量训练集，且通常结构复杂度高，即依赖于大量可训练参数。为解决这些问题，我们开发了基于Transformer架构处理sEMG信号的框架。我们提出了一种新颖的基于视觉Transformer（ViT）的神经网络架构（称为TEMGNet），用于从sEMG分类和识别上肢手势，以用于假肢的肌电控制。所提出的TEMGNet架构使用小数据集训练，无需预训练或微调。为评估其效能，遵循近期文献，使用了NinaPro DB2数据集的第二子集（exercise B），所提出的TEMGNet框架在窗口大小为300ms和200ms时分别达到了82.93%和82.05%的识别准确率，优于其最先进的同类模型。此外，所提出的TEMGNet框架在结构能力上更优，而可训练参数减少了七倍。这些特性及高性能使基于DNN的模型成为神经机器人肌电控制的有前景的方法。
引用
@article{arxiv.2109.12379,
title = {TEMGNet: Deep Transformer-based Decoding of Upperlimb sEMG for Hand Gestures Recognition},
author = {Elahe Rahimian and Soheil Zabihi and Amir Asif and Dario Farina and S. Farokh Atashzar and Arash Mohammadi},
journal= {arXiv preprint arXiv:2109.12379},
year = {2021}
}