Surface EMG-Based Hand Gesture Recognition via Hybrid and Dilated Deep Neural Network Architectures for Neurorobotic Prostheses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle