An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals

要約

表面筋電図 (sEMG) は、手の動きのパターンの認識、病気の診断、プロテーゼの堅牢な制御に使用される非侵襲性信号です。
最近のエンドツーエンドの深層学習アプローチは目覚ましい成功を収めていますが、大量のラベル付きデータが必要であるため、依然として限界があります。
ビッグデータの要件を軽減するために、Ninapro DB2 上の 300ms 信号ウィンドウで閉形式の時間特徴学習に特徴模倣ネットワーク (FIN) を利用し、それを手の動き認識タスクに適用することを提案します。
軽量の LSTM-FIN ネットワークを実装して、4 つの標準的な時間特徴 (エントロピー、二乗平均平方根、分散、単純二乗積分) を模倣します。
LSTM-FIN ネットワークは、特徴の再構成で最大 99% の R2 精度、手の動きの認識で 80% の精度を達成できることがわかりました。
私たちの結果は、このモデルが、シミュレートされた低遅延環境だけでなく、被験者内および被験者間の両方の動きの認識にも確実に適用できることも示しました。
全体として、私たちの研究は、sEMG 信号処理のデータ不足シナリオにおける FIN モデリング パラダイムの可能性を示しています。

要約(オリジナル)

Surface Electromyography (sEMG) is a non-invasive signal that is used in the recognition of hand movement patterns, the diagnosis of diseases, and the robust control of prostheses. Despite the remarkable success of recent end-to-end Deep Learning approaches, they are still limited by the need for large amounts of labeled data. To alleviate the requirement for big data, we propose utilizing a feature-imitating network (FIN) for closed-form temporal feature learning over a 300ms signal window on Ninapro DB2, and applying it to the task of 17 hand movement recognition. We implement a lightweight LSTM-FIN network to imitate four standard temporal features (entropy, root mean square, variance, simple square integral). We observed that the LSTM-FIN network can achieve up to 99\% R2 accuracy in feature reconstruction and 80\% accuracy in hand movement recognition. Our results also showed that the model can be robustly applied for both within- and cross-subject movement recognition, as well as simulated low-latency environments. Overall, our work demonstrates the potential of the FIN modeling paradigm in data-scarce scenarios for sEMG signal processing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google