SparseEMG：用于手势传感的稀疏 EMG 布局的计算设计

DOI

使用肌电图（EMG）进行手势识别是一个复杂的问题，受手势集合、电极数量和放置位置以及机器学习参数（如特征、分类器）的影响。现有的工具包大多侧重于简化模型开发，但忽略了电极选择对分类准确性的影响。本工作首次对电极选择和分类器选择如何影响准确性和稀疏性进行了数据驱动的分析。通过对 28 种组合（4 种选择方案、7 种分类器）在六个数据集上的系统评估，我们识别出一种在不牺牲准确性的情况下最小化电极数量的方法。结果表明，排列重要性（选择方案）与随机森林（分类器）相结合可以减少 53.5% 的电极数量。基于这些发现，我们引入了 SparseEMG，这是一种基于用户选择的手势集合、电极约束和机器学习参数生成稀疏电极布局的设计工具，同时还能预测分类性能。SparseEMG 支持 50 多种独特手势，并在三种使用不同硬件设置的真实应用中得到验证。我们多数据集评估的结果表明，SparseEMG 设计工具生成的布局在不同用户之间可迁移，手势识别性能仅存在轻微变化。