基于细粒度特征的 EMG 信号时频分析用于手势识别
摘要
电生理信号（EMG）基于的手势识别将前臂肌肉活动转换为义肢、康复及人机交互的控制指令。本文提出一种新颖方法，用于基于细粒度分类的手势识别，并提出 XMANet，通过跨层相互注意机制将浅层到深层 CNN 专家中的低级局部特征与高级语义线索统一。使用从短时傅里叶变换（STFT）和小波变换（WT）派生的堆叠频谱图和尺度谱图，对 XMANet 与 ResNet50、DenseNet-121、MobileNetV3 和 EfficientNetB0 进行基准测试。Grabmyo 数据集上的实验表明，使用 STFT，所提出的 XMANet 模型相对于基线 ResNet50、EfficientNetB0、MobileNetV3 和 DenseNet121 模型分别提升约 1.72%、4.38%、5.10% 和 2.53%。在采用 WT 方法时，相对于相同基线模型，提升分别为约 1.57%、1.88%、1.46% 和 2.05%。在 FORS EMG 数据集上，XMANet(ResNet50) 模型使用 STFT 时相较于基线 ResNet50 提升约 5.04%。相较之下，XMANet(DenseNet121) 和 XMANet(MobileNetV3) 模型分别带来约 4.11% 和 2.81% 的提升。此外，在使用 WT 时，所提出的 XMANet 相较于基线 ResNet50、DenseNet121、MobileNetV3 和 EfficientNetB0 模型，分别实现约 4.26%、9.36%、5.72% 和 6.09% 的提升。这些结果表明 XMANet 在 various architectures 和 signal processing techniques 之间持续提升性能，证明了细粒度特征在准确和鲁棒 EMG 分类中的强大潜力。
引用
@article{arxiv.2504.14708,
title = {Time Frequency Analysis of EMG Signal for Gesture Recognition using Fine grained Features},
author = {Parshuram N. Aarotale and Ajita Rattani},
journal= {arXiv preprint arXiv:2504.14708},
year = {2025}
}