sEMG 센서를 이용한 인간-로봇 상호작용의 강화: 정확한 핸드 제스처 인식을 위한 하이브리드 딥 러닝 모델

본 논문에서는 표면 근전도(sEMG) 센서를 이용한 핸드 제스처 인식을 위한 헨리가스 용해 기반 스택형 합성곱 신경망(HGS-SCNN)을 사용하는 새로운 접근 방식을 제안한다. CNN 모델의 스택형 구조는 저수준 및 고수준 특징 모두를 포착하는 데 도움을 주어 효과적인 표현 학습을 가능하게 한다. 먼저, 600개의 핸드 제스처 샘플로 구성된 데이터 세트를 생성하였다. 다음으로, 필터링된 sEMG 신호에서 특징을 추출하기 위해 이산웨이브렛변환(DWT) 기법을 적용하였다. 이 단계는 공간 및 주파수 정보를 모두 포착하게 하여 추출된 특징의 판별력을 향상시켰다. 제안된 HGS-SCNN 모델의 성능을 평가하기 위해 광범위한 실험이 수행되었다. 또한, 얻어진 결과는 AOA-SCNN, GWO-SCNN 및 WOA-SCNN과 같은 최신 기술과 비교되었다. 비교 분석 결과 HGS-SCNN이 이러한 기존 방법보다 우수한 성능을 보이며, 99.3%의 놀라운 정확도를 달성하였다. 실험 결과는 제안된 접근 방식이 핸드 제스처를 정확하게 감지하는 데 효과적임을 검증한다. DWT 기반 특징 추출과 HGS-SCNN 모델의 조합은 강력하고 신뢰할 수 있는 핸드 제스처 인식을 제공하여 직관적인 인간-기계 상호작용 및 제스처 기반 제어를 요구하는 응용 프로그램을 위한 새로운 가능성을 열어준다.