[论文解读] A wearable electromyography-based hand gesture recognition system with real-time on-board incremental learning and classification

Ali Moin, Andy Zhou+12 more|arXiv (Cornell University)|Jan 2, 2019

Ferroelectric and Negative Capacitance Devices被引用 1

一句话总结

本文提出了一种基于可穿戴肌电信号（EMG）的手势识别系统，采用类脑超维计算（hyperdimensional computing）实现端侧实时增量学习，有效提升了对肌肉收缩水平变化的鲁棒性。系统将不同用力水平下的准确率下降从39.17%降低至仅30.35%的恢复水平，实现了对多级用力水平的识别能力与系统鲁棒性的兼顾。

ABSTRACT

Varying contraction levels of muscles is a big challenge in electromyography-based gesture recognition. Some use cases require the classifier to be robust against varying force changes, while others demand to distinguish between different effort levels of performing the same gesture. We use brain-inspired hyperdimensional computing paradigm to build classification models that are both robust to these variations and able to recognize multiple contraction levels. Experimental results on 5 subjects performing 9 gestures with 3 effort levels show up to 39.17% accuracy drop when training and testing across different effort levels, with up to 30.35% recovery after applying our algorithm.

研究动机与目标

• 解决基于EMG的手势识别中肌肉收缩水平变化带来的挑战，该问题会降低分类器性能。
• 开发一种能够同时识别明确手势与同一手势内不同用力水平的系统。
• 实现在可穿戴设备上无需依赖外部重新训练或云端处理的实时自适应。
• 相比标准分类器，在不同力道水平下测试时提升模型鲁棒性。

提出的方法

• 采用类脑超维计算（HDC）范式，将EMG信号编码为高维向量，实现鲁棒的表征。
• 设计一种端侧增量学习机制，随新数据到达实时更新分类器。
• 利用向量操作（如绑定与叠加）同时学习和分类手势及用力水平。
• 实现轻量化、低功耗的分类流水线，适用于可穿戴嵌入式系统。
• 在初始设置阶段对多个用力水平进行模型训练，并在部署过程中持续增量适应，以应对分布偏移。
• 应用误差反馈机制，在无需完整重训的情况下随时间逐步提升分类准确率。

实验结果

研究问题

• RQ1 超维计算能否使EMG分类器在不同肌肉收缩水平下测试时仍保持鲁棒性？
• RQ2 在实时可穿戴系统中，端侧增量学习在多大程度上可减少因用力变化导致的性能下降？
• RQ3 单一模型能否在不为每种用力水平单独训练的情况下，同时识别手势与用力水平？
• RQ4 该系统在部署过程中从不同力道水平间切换时，能否保持高准确率？

主要发现

• 使用标准模型在不同用力水平间进行训练与测试时，系统准确率下降达39.17%。
• 应用所提出的增量学习算法后，系统恢复了30.35%的准确率损失，显著提升了鲁棒性。
• 超维计算框架实现了无需外部重训或云端依赖的端侧实时自适应。
• 系统成功区分了在三种不同用力水平下执行的9种不同手部手势。
• 增量学习机制使模型在部署过程中能以极低延迟适应新的收缩水平。
• 该方法在受试者间表现出强泛化能力，所有5名参与者均实现了稳定一致的性能提升。