Reconnaissance de gestes basée sur l'électromyographie de surface‐image

Résumé Pour le problème de reconnaissance de gestes par électromyographie de surface (sEMG), considérant le fait que le modèle d'apprentissage automatique traditionnel est sensible à la méthode d'extraction des caractéristiques sEMG, il est difficile de distinguer les différences subtiles entre des gestes similaires. Le jeu de données NinaPro DB1 est utilisé comme objet de recherche, et l'image de caractéristiques sEMG et le réseau de neurones convolutionnel (CNN) sont combinés pour reconnaître 52 mouvements de gestes. Le modèle CNN résout efficacement les limitations de l'apprentissage automatique traditionnel dans la reconnaissance de gestes sEMG, et combine un noyau de convolution 1‐dim pour extraire des caractéristiques abstraites profondes afin d'améliorer l'effet de reconnaissance. Enfin, l'expérience de simulation montre qu'en comparaison avec la précision des images brutes sEMG basées sur le CNN et les images de caractéristiques sEMG basées sur le CNN et sEMG basées sur l'apprentissage automatique traditionnel, l'image de multi‐caractéristiques sEMG basée sur le CNN est la plus élevée, atteignant 82,54%.