基于深度学习的主从架构中用于 sEMG 手势分类的迁移学习
信号处理
2020-05-08 v1 机器学习
图像与视频处理
机器学习
摘要
近期诊断性学习的发展以及基于手势的人机界面的进步使表面 electromyography（sEMG）变得极为重要。手势分析需要对 sEMG 信号进行准确评估。所提出的工作提出了一种由深度神经网络（DNNs）组成的新型序列主从架构，用于利用从多个 sEMG 通道记录的信号对印度手语中的手势进行分类。主从网络的性能通过利用长短期记忆网络生成的额外合成特征数据得到增强。所提出网络的性能在添加合成数据前后分别与常规 DNN 进行比较。观察到常规 DNN 在添加合成数据后最高提升 14%，主从网络最高提升 9%，平均准确率为 93.5%，证明了所提方法的适用性。
引用
@article{arxiv.2005.03460,
title = {Transfer Learning for sEMG-based Hand Gesture Classification using Deep Learning in a Master-Slave Architecture},
author = {Karush Suri and Rinki Gupta},
journal= {arXiv preprint arXiv:2005.03460},
year = {2020}
}