TraHGR：基于表面肌电信号的Transformer手部手势识别
信号处理
2022-04-01 v2 机器学习
摘要
基于深度学习的通过表面肌电图(sEMG)信号的手势识别(HGR)最近在开发先进肌电控制假肢方面显示出显著潜力。现有的深度学习方法通常仅包含单一模型，难以在变化场景中保持可接受的泛化性能。在本文中，我们旨在利用混合模型和Transformer的最新进展来解决这一挑战。换言之，我们提出了一种基于Transformer架构的混合框架，这是一种相对新颖且具有革命性的深度学习模型。所提出的混合架构称为用于手部手势识别的Transformer (TraHGR)，由两条并行路径和一个充当融合中心的线性层组成，以整合各模块优势并在不同场景下提供鲁棒性。我们基于常用的第二个Ninapro数据集（称为DB2）评估了所提出的TraHGR架构。DB2数据集中的sEMG信号是在真实条件下从40名健康用户测量的，每人执行49种手势。我们进行了大量实验来测试和验证所提出的TraHGR架构，并将其可达精度与同一数据集上超过五种近期提出的HGR分类算法进行比较。我们还将所提出的TraHGR架构与各单独路径的结果进行了比较，展示了所提混合架构的区分能力。所提出的TraHGR架构的识别准确率分别为86.18%、88.91%、81.44%和93.84%，分别比DB2（49种手势）、DB2-B（17种手势）、DB2-C（23种手势）和DB2-D（9种手势）的最先进性能高2.48%、5.12%、8.82%和4.30%。
引用
@article{arxiv.2203.16336,
title = {TraHGR: Transformer for Hand Gesture Recognition via ElectroMyography},
author = {Soheil Zabihi and Elahe Rahimian and Amir Asif and Arash Mohammadi},
journal= {arXiv preprint arXiv:2203.16336},
year = {2022}
}