Verbesserte Handgestenerkennung mit Oberflächen-Elektromyogramm und maschinellem Lernen

Diese Studie beschäftigt sich mit der Dekodierung von Handgesten mittels Oberflächen-Elektromyographie (EMG) Signalen, die über einen präzisen Myo-Armband-Sensor erfasst wurden, unter Verwendung von Algorithmen des maschinellen Lernens. Die Forschung umfasst eine rigorose Datenvorverarbeitung zur Extraktion von Merkmalen und Labels aus Roh-EMG-Daten. Nach der Aufteilung in Trainings- und Testdatensätze werden vier traditionelle Modelle des maschinellen Lernens auf ihre Effektivität bei der Klassifizierung von Fingerbewegungen über sieben unterschiedliche Gesten hinweg untersucht. Die Analyse beinhaltet eine sorgfältige Parameteroptimierung und eine fünfmalige Kreuzvalidierung zur Bewertung der Modellleistung. Unter den bewerteten Modellen erweist sich der Random Forest als der beste Performer, der durchgängig überlegene Werte für Präzision, Recall und F1-Score über die Gestenklassen hinweg liefert, mit ROC-AUC-Werten, die 99% übersteigen. Diese Ergebnisse unterstreichen das Random Forest-Modell als den optimalen Klassifizierer für unseren EMG-Datensatz und versprechen bedeutende Fortschritte im Bereich der Gesundheitsrehabilitationstechnik sowie eine Verbesserung der Mensch-Computer-Interaktionstechnologien.