Resumen

Como problema de toma de decisiones basado en el aprendizaje automático, el reconocimiento del movimiento de la mano basado en la electromiografía de superficie (sEMG) es una de las cuestiones clave en el control robusto de las interfaces neurales no invasivas, como las prótesis mioeléctricas y los robots de rehabilitación. A pesar del reciente éxito en el reconocimiento del movimiento de la mano basado en sEMG utilizando tecnologías de aprendizaje profundo de extremo a extremo basadas en modelos de aprendizaje profundo, el rendimiento del sistema actual de reconocimiento del movimiento de la mano basado en sEMG sigue estando limitado por la naturaleza ruidosa, aleatoria y no estacionaria de las señales de sEMG y los investigadores han ideado una serie de métodos que mejoran el movimiento de la mano basado en sEMG mediante la ingeniería de características. Con el objetivo de lograr una mayor precisión en el reconocimiento del movimiento de la mano basado en el sEMG, al tiempo que se permite un equilibrio entre el rendimiento y la complejidad computacional, este estudio propone un marco de red de fusión progresiva (PFNet), que mejora el reconocimiento del movimiento de la mano basado en el sEMG mediante la integración de la ingeniería de características guiada por el conocimiento del dominio y el aprendizaje profundo de características. En particular, aprende representaciones de características de alto nivel a partir de señales sEMG sin procesar y características de ingeniería de dominio de tiempo-frecuencia a través de una red de aprendizaje de características y una red de conocimiento de dominio, respectivamente, y luego emplea una estrategia de fusión progresiva de 3 etapas para fusionar progresivamente las dos redes y obtener las decisiones finales. Se realizaron amplios experimentos con cinco conjuntos de datos de sEMG para evaluar nuestra PFNet propuesta, y los resultados experimentales mostraron que la PFNet propuesta podía alcanzar unas precisiones medias de reconocimiento del movimiento de la mano del 87,8%, 85,4%, 68,3%, 71,7% y 90,3% en los cinco conjuntos de datos, respectivamente, que superaban las alcanzadas por el estado de la técnica.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:reconocimiento del movimiento de la mano, basado en el movimiento de la mano, aprendizaje de características profundas, precisión de reconocimiento del movimiento, red de conocimiento de dominio propuesta, movimiento de la mano basado en semg, modelo de aprendizaje profundo, tecnología de aprendizaje de características, ingeniería de características guiadas
• Keywords:hand movement recognition, based hand movement, deep features learning, movement recognition accuracy, proposed pfnet, domain knowledge network, semg)-based hand movement, deep learning model, features learning technology, guided features engineering