[논문 리뷰] Deep Residual Shrinkage Networks for EMG-based Gesture Identification

Yueying Ma, Chengbo Wang외 2명|arXiv (Cornell University)|2022. 02. 07.

Muscle activation and electromyography studies인용 수 4

한 줄 요약

이 논문은 고정밀 전기근전도도(EMG) 기반 제스처 인식을 위한 딥 리스크리드 샤프닝 네트워크(Deep Residual Shrinkage Networks, DRSN)를 제안한다. 완전 연결층에 잔차학습과 소프트 임계처리를 통합함으로써 DRSN은 노이즈를 효과적으로 억제하고 특징 구분 능력을 향상시켜 기존의 신경망보다 EMG 신호 데이터셋에서 뛰어난 분류 정확도를 달성한다.

ABSTRACT

This work introduces a method for high-accuracy EMG based gesture identification. A newly developed deep learning method, namely, deep residual shrinkage network is applied to perform gesture identification. Based on the feature of EMG signal resulting from gestures, optimizations are made to improve the identification accuracy. Finally, three different algorithms are applied to compare the accuracy of EMG signal recognition with that of DRSN. The result shows that DRSN excel traditional neural networks in terms of EMG recognition accuracy. This paper provides a reliable way to classify EMG signals, as well as exploring possible applications of DRSN.

연구 동기 및 목표

• 신호 노이즈와 변동성으로 인한 EMG 기반 제스처 식별의 낮은 정확도 문제를 해결하기 위해.
• 적응형 노이즈 억제 메커니즘을 통합하여 EMG 신호의 특징 표현을 향상시키기 위해.
• 더 높은 내구성과 일반화 능력을 갖춘 EMG 신호 분류를 위한 딥 러닝 아키텍처를 개발하기 위해.
• 기존의 신경망에 비해 DRSN이 EMG 신호 식별 작업에서 우월함을 입증하기 위해.

제안 방법

• 완전 연결층에 샤프닝 모듈을 통합한 잔차신경망(ResNet) 아키텍처를 적용하기 위해.
• 특징맵에 대한 소프트 임계처리를 수행하기 위해 샤프닝 모듈 내에서 학습 가능한 임계값을 도입하기 위해.
• 학습 안정성 향상과 깊은 네트워크에서의 기울기 흐름 개선을 위해 잔차 연결을 적용하기 위해.
• 적응형 학습률과 배치 정규화를 사용한 역전파를 통한 네트워크 최적화를 위해.
• 과적합 방지를 위해 ReLU 활성화 함수와 드롭아웃 레이어를 적용하기 위해.
• 분류 성능 최적화를 위해 EMG 신호 데이터로 네트워크를 정밀 조정하기 위해.

실험 결과

연구 질문

• RQ1 표준 딥 신경망에 비해 깊이 있는 잔차 샤프닝 네트워크가 EMG 신호 분류 정확도를 향상시킬 수 있는가?
• RQ2 잔차신경망에 소프트 임계처리를 통합하는 것이 EMG 신호의 노이즈 억제에 얼마나 효과적인가?
• RQ3 제안된 DRSN 아키텍처는 EMG 데이터의 다양한 제스처 클래스에 대해 잘 일반화되는가?
• RQ4 인식 정확도 측면에서 DRSN은 기존의 신경망에 비해 얼마나 높은 성능 향상을 보이는가?
• RQ5 잔차학습과 샤프닝 모듈의 통합이 모델 수렴성과 내구성에 어떤 영향을 미치는가?

주요 결과

• DRSN은 기존의 신경망에 비해 EMG 신호 데이터셋에서 유의미하게 높은 분류 정확도를 달성했다.
• 완전 연결층에 소프트 임계처리를 통합함으로써 노이즈가 많은 특징의 영향을 줄여 모델의 내구성을 향상시켰다.
• 잔차 연결 덕분에 더 깊은 네트워크의 안정적인 학습이 가능해져 더 나은 특징 학습이 이뤄졌다.
• 제안된 방법은 세 가지 기준 알고리즘보다 인식 정확도 측면에서 뛰어나 효과성을 입증했다.
• 과적합 최소화와 함께 다양한 EMG 제스처 패턴에 대해 강력한 일반화 능력을 보였다.
• 잔차학습과 적응형 임계처리의 조합이 EMG 기반 제스처 식별에 매우 효과적임을 결과가 확인했다.