[论文解读] Deep Residual Shrinkage Networks for EMG-based Gesture Identification

Yueying Ma, Chengbo Wang+2 more|arXiv (Cornell University)|Feb 7, 2022

Muscle activation and electromyography studies被引用 4

一句话总结

本文提出深度残差压缩网络（DRSN）用于高精度肌电信号（EMG）手势识别。通过在全连接层中整合残差学习与软阈值处理，DRSN有效抑制噪声并增强特征判别能力，在肌电信号数据集上的分类准确率显著优于传统神经网络。

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.

研究动机与目标

• 解决因信号噪声和变异导致的EMG手势识别准确率低下的挑战。
• 通过引入自适应噪声抑制机制，改善EMG信号的特征表示。
• 构建一种专用于EMG信号分类的深度学习架构，提升模型的鲁棒性与泛化能力。
• 证明DRSN在EMG信号识别任务中优于传统神经网络的优越性。

提出的方法

• 将残差网络（ResNet）架构改进，在全连接层中引入压缩模块。
• 在压缩模块中引入可学习阈值，对特征图执行软阈值处理。
• 应用残差连接以稳定训练过程并改善深层网络中的梯度流动。
• 使用自适应学习率和批量归一化进行网络优化。
• 采用ReLU激活函数和Dropout层以防止训练过程中的过拟合。
• 在EMG信号数据上微调网络，以优化分类性能。

实验结果

研究问题

• RQ1 与标准深度神经网络相比，深度残差压缩网络是否能提升EMG信号分类的准确率？
• RQ2 在残差网络中集成软阈值处理在抑制EMG信号噪声方面效果如何？
• RQ3 所提出的DRSN架构在不同EMG手势类别上是否具有良好的泛化能力？
• RQ4 DRSN在识别准确率方面相较于传统神经网络的性能提升有多大？
• RQ5 引入残差学习与压缩模块对模型收敛性和鲁棒性有何影响？

主要发现

• DRSN在EMG信号数据集上的分类准确率显著高于传统神经网络。
• 在全连接层中集成软阈值处理有效降低了噪声特征的影响，提升了模型鲁棒性。
• 残差连接使得深层网络能够稳定训练，从而实现更优的特征学习。
• 与三种基线算法相比，该方法在识别准确率方面表现更优，证明了其有效性。
• 模型在多种EMG手势模式中表现出强大的泛化能力，且过拟合现象极少。
• 结果证实，将残差学习与自适应阈值处理相结合，对EMG手势识别具有高度有效性。