Resumen

El reconocimiento de gestos de la mano basado en la electromiografía de superficie (sEMG) desempeña un papel importante en el campo de la ingeniería biomédica y de rehabilitación. Recientemente, se ha producido un notable progreso en el reconocimiento de gestos utilizando electromiografía de superficie de alta densidad (HD-sEMG) registrada por matrices de sensores. Por otro lado, el reconocimiento robusto de gestos utilizando sEMG multicanal grabado por sensores escasamente colocados sigue siendo un gran desafío. En el contexto del aprendizaje profundo multivista, este artículo presenta un marco de red de agrupación de vistas jerárquicas (HVPN), que mejora el reconocimiento de gestos basado en sEMG multicanal mediante el aprendizaje no sólo de características profundas específicas de la vista, sino también de características profundas compartidas de espacios de características multivistas agrupadas jerárquicamente. Se llevaron a cabo extensas evaluaciones intrasujeto e intersujeto en la base de datos de prótesis adaptativas no invasivas a gran escala (NinaPro) para evaluar exhaustivamente nuestro marco HVPN propuesto. Los resultados mostraron que, al utilizar ventanas deslizantes de 200 ms para segmentar los datos, el marco HVPN propuesto podía alcanzar una precisión de reconocimiento de gestos intrasujeto del 88,4%, 85,8%, 68,2%, 72,9% y 90,3 y una precisión de reconocimiento de gestos entre sujetos del 84,9%, 82,0%, 65,6%, 70,2% y 88,9% en las cinco primeras sub-bases de datos de NinaPro, respectivamente, superando a los métodos más avanzados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precisión en el reconocimiento de gestos, marco hvpn propuesto, características profundas específicas, aprendizaje profundo multivista, prótesis adaptativa no invasiva, electromiografía de superficie de densidad, sub-bases de datos de ninapro, contexto de multivista, características profundas compartidas, espacio de características multivista
• Keywords:gesture recognition accuracy, proposed hvpn framework, specific deep features, multiview deep learning, noninvasive adaptive prosthetics, density surface electromyography, subdatabases of ninapro, context of multiview, shared deep features, multiview features space