Spiking Neural Networks for sEMG-Based Hand Gesture Recognition
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
Given the recent surge of significant interest in implementing intelligent hand gesture recognition methods in human-machine interface systems, a wide variety of Deep Neural Networks (DNNs) have been proposed in the literature. In this paper, we introduce a novel and compact Spiking Neural Network (SNN) model for hand gesture recognition using High-Density surface Electromyogram (HD-sEMG) signals. Capitalizing on their ability to extract spatiotemporal features of HD-sEMG signals along with their proven strength in imitating human brain's neural activity using event-driven data processing, we used SNNs as the main building block of our proposed hand gesture recognition model. We show that our proposed model can efficiently differentiate 14 hand movements by considering each sample of the HD-sEMG data as a single time step for the SNN architecture. Moreover, we show that the proposed SNN model does not require huge pre-processing, spike encoding and feature extraction tasks and works effectively on Min-Max normalized continuous-value sEMG signals. We evaluate our SNN model using a 5-fold cross-validation scheme and categorize different participants based on the range of classification accuracy we obtained for them. The following results are acquired by segmenting HD-sEMG signals into windows of size 62.5ms with no overlap. The proposed method led to 6 out of 19 subjects achieving average classification accuracy of ≥ 80% with maximum accuracy of 98% associated with 3 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">rd</sup> session of the sEMG dataset as the test set.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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