EdgeNetTF：一种用于多类别表面肌电手势识别的轻量级时频表示学习模型

《Scientific Reports》：EdgeNetTF for lightweight time frequency representation learning in multiclass sEMG hand gesture recognition

　　基于表面肌电图（sEMG）的手势识别在人机交互、康复和肌电控制中起着关键作用。然而，许多深度学习模型通过增加架构复杂性来提高识别性能，这限制了它们在可穿戴和资源受限应用中的适用性。本研究提出了EdgeNetTF，一种用于多类别sEMG手势识别的轻量级时频表示学习模型。EdgeNetTF采用两个紧凑的一维卷积分支来学习互补的时域和基于快速傅里叶变换（FFT）的频域表示，随后进行特征拼接和轻量级分类模块。实验在NinaPro DB2数据集上进行，使用了40名受试者和49种非休息手势的数据，采用基于重复的受试者内评估协议。重复1、3、4和6用于训练，而重复2和5保留用于测试。通过五个连续预测的因果多数投票，EdgeNetTF在主要受试者内协议下实现了87.01% ± 4.30%的Causal5准确率和87.41% ± 3.94%的宏F1分数，同时仅需要0.1891百万个可训练参数和约70.01百万次浮点运算。额外的跨受试者和外部数据集评估揭示了显著的受试者间变异性，表明受试者无关的泛化仍然具有挑战性。总体而言，结果支持轻量级时频表示学习作为多类别sEMG识别的计算高效方法，同时强调了需要改进跨受试者和人群的泛化能力。