Méthodes d'apprentissage automatique à faible complexité pour la reconnaissance de gestes inter-sessions et inter-sujets à partir de HD-sEMG = Low-complexity machine learning methods for intersession/subject gesture recognition from HD-sEMG

La reconnaissance des gestes à l'aide d'images à faible résolution de signaux électromyographiques de surface à haute densité (HD-sEMG) et à résolution instantanée ouvre de nouvelles perspectives pour le développement d'interfaces ordinateur-muscle plus fluides et naturelles.Les méthodes actuelles de pointe utilisent des réseaux de neurones convolutionnels (ConvNet) complexes, profonds et larges, ou un ensemble de ces réseaux complexes pour la reconnaissance des images HD-sEMG.Ce qui nécessite que l'architecture du réseau soit préentraînée sur un ensemble de données d'entraînement étiquetées à grande échelle.Par conséquent, cela rend l'application en temps réel coûteuse en ressources et en puissance de calcul.Pour résoudre ce problème, les modèles légers S-ConvNet et All-ConvNet sont proposés, offrant ainsi un cadre simple, mais efficace pour apprendre les images HD-sEMG instantanées à partir de zéro pour la reconnaissance des gestes.Les résultats des expériences ont prouvé que les modèles proposés sont très efficaces pour apprendre des caractéristiques discriminatives pour la reconnaissance d'images HD-sEMG instantanées, en particulier dans des scénarios où les ressources et les données de qualités sont limitées.Les expériences menées sur quatre (4) ensembles de données HD-sEMG disponibles publiquement, sans utiliser des modèles préentraînés, ont montré que les modèles S-ConvNet et All-ConvNet proposés présentent une précision de reconnaissance des gestes intrasession très compétitive par rapport aux méthodes de pointes actuelles plus complexes en termes de paramètres d'apprentissage.Ainsi, les modèles S-ConvNet et All-ConvNet iv proposés ont un grand potentiel pour apprendre des représentations discriminatives permettant de reconnaître les activités neuromusculaires sur des appareils aux ressources matériels limitées.De plus, la variabilité des données entre les scénarios intersession et intersujet présente un défi important.Les approches existantes utilisent des réseaux de neurones convolutionnels complexes et profonds ou sur 2SRNN (2 étages de réseaux de neurones récurrents) basés sur des méthodes d'adaptation de domaine pour approximer le décalage de distribution causé par cette variabilité des données intersession et intersujet.Par conséquent, ces méthodes nécessitent également l'apprentissage de millions de paramètres d'entraînement et d'un ensemble de données de domaine source préentraîné et cible à la fois dans les étapes de préentraînement et d'adaptation.Par conséquent, le déploiement de ces méthodes gourmandes en ressources et coûteuses en puissance de calcul devient un défi pour les applications en temps réel.Pour résoudre ce problème, l'adaptation de domaine (AD) avec S-ConvNet est proposée.Les méthodes d'AD proposées avec S-ConvNet apprennent une représentation transférable sur l'ensemble de données HD-sEMG de domaine source et les adaptent au domaine cible, même avec très peu de données disponibles, démontrant ainsi des capacités de généralisation améliorées en cas de décalage de distribution.Pour mieux résoudre ce problème, un modèle All-ConvNet+TL léger est proposé, qui exploite un ensemble de neurones convolutionnels légers et l'apprentissage par transfert (TL) pour améliorer les performances de reconnaissance de gestes intersession et intersujet.Le modèle All-ConvNet+TL se compose uniquement de couches convolutionnelles, offrant ainsi un cadre simple, mais efficace pour apprendre des représentations invariantes et discriminatives pour v résoudre les décalages de distribution dus à la variabilité des données intersession et intersujet.Des expériences menées sur quatre ensembles de données ont montré que la méthode d'AD proposée avec S-ConvNet, ainsi que le modèle All-ConvNet+TL, surpasse largement les approches existantes les plus complexes et établissent un nouveau record en matière de reconnaissance de gestes basée sur l'HD-sEMG dans des scénarios intersession et intersujet.Ces écarts de performance augmentent encore plus par rapport à l'état actuel de l'art lorsque de faibles quantités de données (par exemple, un seul essai) sont disponibles dans le domaine cible pour l'adaptation.Ces résultats expérimentaux exceptionnels fournissent des preuves que les modèles de pointe actuels peuvent être surentraînés inutilement pour les tâches de reconnaissance de gestes basés sur l'HD-sEMG en cas de variation entre les sessions et les sujets.En outre, dans une autre étude, nous examinons la question de l'extraction d'ensembles de caractéristiques distinctives, et proposons ainsi d'utiliser l'histogramme de gradients orientés (HOG) comme caractéristiques uniques pour la reconnaissance robuste de l'activité neuromusculaire, en adoptant des SVM (séparateur à vaste marge) appariés comme schéma de classification.Les résultats expérimentaux ont montré que le HOG représente des caractéristiques uniques à l'intérieur de l'image HD-sEMG instantanée et que, en ajustant finement les hyperparamètres des SVM appariés, une précision de reconnaissance comparable à celle des méthodes de pointe plus complexes peut être obtenue.vi

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.