DSRANet：面向sEMG手势识别的轻量化深度可分离残差注意力网络及其在康复工程中的应用

《Biomedical Signal Processing and Control》：DSRANet: A lightweight Depthwise Separable Residual Attention Network for sEMG gesture recognition

本文提出了一种轻量化深度可分离残差注意力网络（DSRANet），用于表面肌电（sEMG）手势识别。该模型通过深度可分离残差块（DSRBlocks）和多重轴通道注意力（MACA）机制，在NinaPro数据集上实现了领先的识别准确率（DB2:92.13%、DB3:75.65%、DB4:91.00%），参数量仅0.46M，为假肢控制和康复医疗设备提供了高精度、低功耗的解决方案。

　　

Highlight

本研究提出了一种创新的轻量化深度可分离残差注意力网络（DSRANet），用于表面肌电（sEMG）手势识别。DSRANet通过深度可分离残差块（DSRBlocks）高效提取特征，并引入多重轴通道注意力（MACA）机制动态聚焦关键信息。在NinaPro数据集上的实验表明，该模型在DB2、DB3和DB4子集上的识别准确率分别达到92.13%、75.65%和91.00%，参数量仅0.46M，显著优于现有方法。DSRANet的高精度与低计算成本为实时假肢控制和便携式康复设备提供了理想解决方案。

Conclusion

本研究开发的DSRANet模型成功解决了sEMG手势识别中精度与计算效率的平衡问题。通过结合深度可分离残差结构和多轴注意力机制，模型在保持轻量化的同时实现了卓越的分类性能。该技术为下一代智能假肢、康复训练系统和交互式医疗设备奠定了技术基础，未来可进一步探索其在临床场景中的自适应优化能力。