Surface EMG-Based Hand Gesture Recognition via Hybrid and Dilated Deep Neural Network Architectures for Neurorobotic Prostheses
Notice bibliographique
Résumé
Motivated by the potentials of deep learning models in significantly improving myoelectric control of neuroprosthetic robotic limbs, this paper proposes two novel deep learning architectures, namely the [Formula: see text] ([Formula: see text]) and the [Formula: see text] ([Formula: see text]), for performing Hand Gesture Recognition (HGR) via multi-channel surface Electromyography (sEMG) signals. The work is aimed at enhancing the accuracy of myoelectric systems, which can be used for realizing an accurate and resilient man–machine interface for myocontrol of neurorobotic systems. The HRM is developed based on an innovative, unconventional, and particular hybridization of two parallel paths (one convolutional and one recurrent) coupled via a fully-connected multilayer network acting as the fusion center providing robustness across different scenarios. The hybrid design is specifically proposed to treat temporal and spatial features in two parallel processing pipelines and to augment the discriminative power of the model to reduce the required computational complexity and construct a compact HGR model. We designed a second architecture, the [Formula: see text], as a compact architecture. It is worth mentioning that efficiency of a designed deep model, especially its memory usage and number of parameters, is as important as its achievable accuracy in practice. The [Formula: see text] has significantly less memory requirement in training when compared to the HRM due to implementation of novel dilated causal convolutions that gradually increase the receptive field of the network and utilize shared filter parameters. The NinaPro DB2 dataset is utilized for evaluation purposes. The proposed [Formula: see text] significantly outperforms its counterparts achieving an exceptionally-high HGR performance of [Formula: see text]%. The TCNM with the accuracy of [Formula: see text]% also outperforms existing solutions while maintaining low computational requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».