功能性肌肉网络在提高手势感知中的作用：面向人机界面
机器人学
2024-08-06 v1 人工智能
机器学习
信号处理
摘要
开发准确的手势感知模型对于各种机器人应用至关重要，能够实现人类与机器之间的有效沟通，并直接影响神经机器人和交互式机器人。最近，探索了结合表面电生理信号（sEMG）和先进机器学习方法以及可穿戴系统的丰富信息背景和可及性。文献中提出了诸多方法来提升性能，同时确保神经机器人使用的鲁棒性，常导致需要高处理功率、大数据集和不够可扩展的模型。本文通过提出解码肌肉同步性而非单个肌肉激活来解决这一挑战。我们研究以相干性为基础的功能性肌肉网络作为感知模型的核心，提出功能性肌肉之间的同步及其肌肉连接图的基于图的网络编码有关意图手势的上下文信息。这可以使用浅层机器学习方法解码，而无需深层时序网络。我们的技术可能影响神经机器人的肌电控制，通过降低计算负担并提高效率。该方法在 Ninapro 数据库上进行基准测试，该数据库包含来自 40 名受试者的 12 条 EMG 信号，执行 17 种手势。它实现了 85.1% 的准确率，显示在需要大量计算资源的情况下，与现有方法相比具有 improved performance。结果支持假设，基于相干性的功能性肌肉网络编码与手势执行相关的关键信息，显著提升了手势感知，潜在应用于神经机器人系统和交互式机器。
引用
@article{arxiv.2408.02547,
title = {The Role of Functional Muscle Networks in Improving Hand Gesture Perception for Human-Machine Interfaces},
author = {Costanza Armanini and Tuka Alhanai and Farah E. Shamout and S. Farokh Atashzar},
journal= {arXiv preprint arXiv:2408.02547},
year = {2024}
}