文摘
识别手势的各研究领域发展,证明有明显的好处在改善人机交互的必要性(HRI)。智能统计知识方法的引入,如大数据和机器学习,数据科学的迎来了一个新的时代,使分类更容易手动作准确使用肌电图(EMG)信号。然而,巨大的收集和标签数据集执行重要工作负载;导致实现需要很长时间。结果,一个独特的策略,结合深度视觉学习的优点与EMG-based手势检测了。它实现的自动分类的类使用整体学习获得了肌电图数据不考虑手运动序列。模型构建和解释使用RBF核函数的支持向量机,随机森林,Catboost hyperparameters最好的。Catboost生产的合成值状态的最佳精度约为0.95与其他模型相比。这表明提出的技术可以识别手势与更好的性能。
1。介绍
在日常生活中,手势被视为一个巨大的数据流的通信渠道。手运动承认是排序的过程关键的一方面发展。运动协会是一个值得注意的方法,可应用于大范围的利用率(1,2),包括通信通过签署的解释3)、运动(4),人机交互(HRI) [5,6),在人机交互(HMI)更全面。手运动承认框架在临床应用,此外利用生物电信号利用而不是视觉区分运动。肌电图是最通常利用生物医学信号的手动作识别和假肢手的计划监管机构(7,8]。电气信号由固体撤军估计肌电图。引擎神经元活动可能产生肌肉撤军的源泉的迹象。肌电图可直接检测到与阴极设置在肌肉组织或迂回的方式与终端坐落在皮肤表面(表面肌电图(表),暗指EMG为了方便)。肌电图更著名是因为它的可用性和无侵入性。在骨骼肌中,有各种各样的生理过程。巩固自己的创作,用EMG分辨手势是一个艰难的努力。
利用多通道技术,加入肌电图与来自不同传感器的信息,是一个方法来避免这些限制。非常承认知道特定的正则周期和特点是传达下截然不同的实际当中提示多传感器信息组合(9]。多传感器框架,然后,进一步发展精确通过加入不同的传感器,然而高速公路在不同评估类似的迹象。一个明显的重复获得限制多少漏洞创建数据,带来卓越的精度。末考试显示了发展兴趣multitactile组合在各式各样的地区,包括造型的先进力学[10,11),一般媒体信号处理、空间识别、考虑驱动的决心,和精神作用[12]。
我们把一眼一个互惠的框架,记得一个视觉传感器和肌电图数据的工作。利用肌电图或相机框架有一些局限性;然而,加入他们提供了一些优势。例如,EMG-based秩序可以援助的场合相机障碍,而视觉特性给出了一个彻底的手指状态估计。例如,进一步发展在transradial假肢控制执行13在感知对象]或归零处理变化发展。卷积神经网络(cnn)可以利用组件分隔符在最后分配(14- - - - - -17]。而不同的信息形式进一步发展精度和通用性,他们同样提高注册成本,因为多少信息创建不断检查,这可能扰乱个人和假肢手之间的通信。神经形态创新给答案处理这些截止点允许许多贡献在逐步平等利用任何力量。神经形态框架回路的自然感觉系统使用energy-productive规则交互数据,另类,occasion-driven方法,相当于他们的有机合作伙伴。这些框架时不时配备网络学习能力,使他们适应各种各样的信息来源和条件。显示皮质电路,创建了许多神经形态处理框架,数量是持续扩大18,19]。
手势确认任务,表现出条CNN,打败了一个支持向量机(SVM)的精度。Myo臂章,区分电子运动的手臂肌肉,是用来收集EMG信息。从那时开始,信息被改变到峰值,然后进入神经形态产品提供。在本文中,我们概述了神经形态提供了一个应用程序执行到精确是能源利用的展览标志最适合当前处理器阶段,特点是正常的能源利用复制的正常扣除时间。之间的时期完成的改善和安排被称为揣摩分析时间。我们比较了肌电图(EMG)信号,集电活动创建使用传感器从肌肉。信号处理的分类使用RBF核函数的支持向量机,随机森林,Catboost hyperparameters最好的。
这项工作的组织安排在以下方式。动机和相关作品的详细部分2。节中给出的框架和方法3。部分4描述了系统开发的。第五节描述了一个演示实验在实验室设置场景。此外,第六节包含结果和进一步研究的建议。
2。材料和方法
2.1。数据采集
数据集包含11 k实例,每一个都对应于一个测量收集通过医疗诊断方法称为肌电图(EMG),使用传感器收集电活动的肌肉。当前数据集包含四个不同的测量类,用0表示岩石,1表示剪刀,2表示,和3表示好的,如图1。与65列有四个文件,第一个64对应的八个传感器测量肌电图,最后的实例的类。它有各种各样的情况下,但比例平衡。数据集是在Kaggle库(https://www.kaggle.com/georgesaavedra/hand-gestures-prediction/data).Figure2说明了肌电图样本数据输入。图3说明了数据可视化的数据集包含11678实例和65列,用4种不同的类,0:岩石,1:剪刀,2:纸,和3:好的。表1表示数据和表2代表现有算法的比较,提出了工作。
2.2。造型
2.2.1。SVC与RBF核
由于其相似的高斯拨款,RBF部分非独家的类型的kernelization而且很可能广泛利用部分。2主要Y1和Y2, RBF的部分工作寄存器相似,或者他们是如此接近另一个29日]。这张可以传达数值如下。
在SVC,径向基函数是一个经常使用的内核:
represets varaince,两个点之间的欧氏距离,Y和日元。RBF包含两个参数即γ和C。
(1)γ
射线是一种RBF内核参数;当伽马低,选择的曲线边界非常低,导致一个相对广泛的决策区域。当γ高,决策边界的曲线是高30.]。
(2)小C时,分类器不介意即分类错误的数据点。、高偏差和低方差。因为分类错误的数据是高度后果大C时,分类器向后弯腰,以防止任何更进一步的数据点,即、低偏差和低方差(30.]。
(3)γ。应用相同的SVC-RBF分类器相同的数据在下面的四个情节,同时保持C常数。每个图形之间唯一的区别是,每次伽马值将会增加。γ射线的影响可以看到决定边界(30.- - - - - -32]。
在支持向量机算法,选择良好的核函数是更加困难。如果更大的数据集,那么它需要很长时间。
2.2.2。随机森林
在训练时,随机森林(RFs)创建大量的个人决策树。整体方法都以他们的名字命名导致结论基于一组的结果。方差减少基础学习者(k)的计数增加。方差随着k是减少。然而,整个过程偏差保持不变。交叉验证可以用于发现k (33]。随机森林的基本限制,无数的树木可以使计算过于缓慢,无法预测。作为一个规则,这些计算很快火车,不过很延迟训练时的预期。
基本的学习者应该有一个低偏差和高方差。因此,DT应该训练整个深度的长度。实现随机森林所涉及的步骤说明如下:
步骤1:考虑培训信息收集有N和M元素观念。首先,任意培训信息收集的例子用替换
步骤2:M品质是选择任意的一个子集,最好的分手包括用于部分递归地中心
步骤3:这棵树已经抵达它的常规
步骤4:前一阶段翻新,推测是根据预期从n树木的数量
培训时间、运行时间和空间复杂度如下: , ,和 。随着基础模型的计算,训练时间长;因此,交叉验证hyperparameter总是用来发现最好的。
|
||||||||||||||||||||||||
2.2.3。Catboost
Yandex Catboost创建的团队,一个开源的梯度提升技术,2017年。这是一个机器学习技术,区分自己从XGBoost和LightGBM通过允许用户轻松地处理大数据集分类特性。包括回归Catboost可以用来解决问题,分类,和排名。Catboost算法的好处是,它应该是更快的执行GPU / CPU训练和模型质量改善和避免过度拟合的问题。
Catboost可以列出彻头彻尾的部分,考虑到在一个炎热的编码使用一个炎热的最大大小(使用一个炎热的编码都强调数量的各种品质不是或相当于给定边界自尊)(34- - - - - -38]。
在哪里是对象的标签值的次数与当前直接从强调尊重等于“1”。
分子的初步值称为之前。一开始设置决定。整个计算物质的无条件的特征速度匹配现有的一个叫做 。数值,这可以利用下面的条件:
Catboost采用对分布式计算;它产生更高的训练精度与随机森林。Catboost算法减少了过度拟合问题。
2.3。系统配置
实验中实现以下硬件:英特尔(R)的核心(TM) i5 - 8300 h CPU @ 2.30 GHz, 8 gb的内存,64位操作系统,64×基于处理器GPU NVIDIA GTX1050与4 g内存和软件规范,蟒蛇导航工具,和Python编程。
3所示。结果和讨论
3.1。绩效评价指标
术语准确性通常意味着分类精度。的数量正确预期分区的所有信息测试的数量比例。它可能有一个等价的数量在每个类的测试。论点无论何时调查类似的模型的一个测试集,60%的a类的例子和40%的B类测试,测试准确性下降到60%。在当小类的误分类测试的费用非常巨大,主要问题出现了。混淆矩阵创建一个框架的结果,描绘了模型的一般表示。精度、召回和F1的分数是评估措施用来评估模型的音乐会如图4。当处理不稳定的数据,精度性能的措施是至关重要的(35,39- - - - - -44]。
精密州的百分比都乐观的预测是真正积极的:
回忆州什么程度的某些预计将是积极的:
之间存在调和平均数精度和召回。它收入相互假阳性和假阴性的考虑。因此,实现精细的数据集是不平衡的。
回忆和精度在F1中的权重分数相等。
F1有一个加权分数,让我们回忆和精度分配不同的权重。查全率和查准率分配不同的权重问题,如前一节所述:
β的次数比精度更高的优先级。假设审查是两倍大的准确性,β的值是2。
3.1.1。SVC与RBF核
表3说明了绩效评价指标的陷落与RBF内核。模型计算的性能评价指标即精度,还记得,F1分数,和支持。观察,二班的精确值是0.95,回忆值较高的类1 0.97,和F1得分较高的类1 0.95。混淆矩阵如图5。
3.1.2。随机森林
表4说明了随机森林的绩效评估指标。模型计算的性能评价指标即精度,还记得,F1分数,和支持。是观察类的精确值是1约0.96,回忆价值较高的类2约0.95,和F1评分较高的类1约0.95。混淆矩阵见表。结果值,随机森林执行以及与SVC与内核。图6说明关于n_trees袋误差。随机森林的混淆矩阵如图7。
3.1.3。Catboost分类器
表5说明了Catboost分类器的性能评价指标。模型计算的性能评价指标即精度,还记得,F1分数,和支持。是观察类的精确值是2约0.98,回忆价值较高的类1约0.97,和F1评分较高的类1约0.97。总体精度达到0.95左右,宏观平均为0.95,和加权平均为0.95。混淆矩阵如图8。表6说明了hyperparameters分类算法。表7说明了分类算法的解释基于以下指标即精度,还记得,F1分数,和支持。Catboost算法性能更好的合成价值状态与SVC和随机森林。
4所示。结论和未来的工作
拟议的工作分类各种手势用EMG信号。任何人类计算机集中系统或设备可以使用控制信号。实验的结果显示,Catboost classifier-based NN区分必要的信号快速、高效地。开发模型成功地发现了EMG信号与一个典型的基于手势的分类精度9.31%。如果网络是美联储额外的肌电图输入,可以提高分类效率。EMG信号,另一方面,时不时从不同主题。发现了猫提高分类器识别所需的运动效率和计算成本。开发模型正确地识别手势在很短的时间。的EMG信号分类用来创建一个人类主机接口,允许残疾人与计算机进行交互。muCI与人机交互应用程序的集成将是未来工作的重点。 A basic learning method is also used to explain the muCI. We planned to use augmented reality to combine hand gesture detection with surgical robot control and training. IoT-based sensor can be incorporated in the future. Other sophisticated learning approaches, such as deep learning, will be used in future research.
数据可用性
数据集是在Kaggle库(https://www.kaggle.com/georgesaavedra/hand-gestures-prediction/data)。
的利益冲突
没有利益冲突。
确认
这项研究是由公主Nourah少女阿大学研究人员支持项目数量(PNURSP2022R125),公主Nourah少女阿大学,利雅得,沙特阿拉伯。