基于表面肌电图（Surface EMG）的手势识别技术，采用混合多流深度学习架构 作者：Yusuf ?elik 和 Umit Can

《Sensors》：Surface EMG-Based Hand Gesture Recognition Using a Hybrid Multistream Deep Learning Architecture Yusuf ?elik and Umit Can

　　

摘要

表面肌电图（sEMG）能够无创地测量肌肉活动，应用于人机交互、康复和假肢控制等领域。然而，高噪声水平、个体间差异以及肌肉激活的复杂性阻碍了手势的准确分类。本研究针对FORS-EMG数据集提出了一种多流混合深度学习架构，以应对这些挑战。该模型结合了时间卷积网络（TCN）、深度可分离卷积、双向长短期记忆（LSTM）-门控循环单元（GRU）层以及Transformer编码器，以捕捉互补的时间和频谱特征，并使用基于ArcFace的分类器来提高类别区分度。我们在三种协议下评估了该方法：按受试者划分、不进行数据增强的随机分割以及进行数据增强的随机分割。在数据增强的随机分割设置中，模型的准确率达到96.4%，超过了以往的报告值；而在按受试者划分的设置中，准确率为74%，表明其跨用户泛化能力有限。实验结果证明了该方法的高性能，并强调了数据划分策略对实际应用中基于sEMG的手势识别的重要性。