Dual-Stream Long Short-Term Memory Feature Fusion Klassifikator für die Oberflächen-Elektromyographie-Gestenkennung

Die Gestenerkennung mittels Elektromyographie (EMG)-Signalen hat sich in letzter Zeit im Bereich der Mensch-Computer-Interaktionen zur Steuerung intelligenter Prothesen durchgesetzt. Derzeit sind maschinelles Lernen und tiefes Lernen die beiden am häufigsten verwendeten Methoden zur Klassifizierung von Handgesten. Trotz der bereits beeindruckenden Leistungen traditioneller maschineller Lernmethoden bleibt es nach wie vor eine große Herausforderung, die Merkmalsgewinnung manuell durchzuführen. Die bestehenden Methoden des tiefen Lernens nutzen komplexe Architekturen neuronaler Netzwerke, um eine höhere Genauigkeit zu erreichen, die jedoch unter Überanpassung, unzureichender Anpassungsfähigkeit und geringer Erkennungsgenauigkeit leiden. Um das bestehende Phänomen zu verbessern, wird ein neuartiges leichtgewichtiges Modell namens Dual-Stream LSTM Feature Fusion Klassifikator vorgeschlagen, das auf der Verknüpfung von fünf zeitlichen Merkmalen von EMG-Signalen und Rohdaten basiert, die beide mit eindimensionalen Faltungsneuronalen Netzwerken und LSTM-Schichten verarbeitet werden, um die Klassifizierung durchzuführen. Die vorgeschlagene Methode kann globale Merkmale von EMG-Signalen mit einer einfachen Architektur effektiv erfassen, was geringere Rechenkosten bedeutet. Ein Experiment wurde an einem öffentlichen DB1-Datensatz mit 52 Gesten durchgeführt, wobei jeder der 27 Probanden jede Geste 10 Mal wiederholt. Die vom Modell erreichte Genauigkeitsrate beträgt 89,66 %, was mit den Ergebnissen komplexerer tiefen neuronaler Netzwerke vergleichbar ist, und die Inferenzzeit für jede Geste beträgt 87,6 ms, was auch in einem Echtzeitsteuerungssystem anwendbar ist. Das vorgeschlagene Modell wird in einem Probanden-basierten Experiment an 10 von 40 Probanden im DB2-Datensatz validiert und erreicht eine mittlere Genauigkeit von 91,74 %. Dies wird durch die Fähigkeit illustriert, zeitliche Merkmale und Rohdaten zu fusionieren, um effektivere Informationen aus dem sEMG-Signal zu extrahieren und ein geeignetes, effizientes, leichtgewichtiges Netzwerk auszuwählen, um die Erkennungsergebnisse zu verbessern.