单通道表面肌电图用于手势分类的探索性研究

arXiv cs.LG 论文
surface-electromyography hand-gesture-classification single-channel machine-learning feature-extraction low-power embedded-systems

摘要

本研究探索了使用单通道sEMG信号结合轻量级机器学习模型对十种手势进行分类的可行性，准确率高达90%。该研究展示了在低成本、低功耗手势识别方面的潜力。

arXiv:2607.15972v1 公告类型：新 摘要：使用表面肌电图（sEMG）进行准确的手势识别通常依赖于多通道传感器阵列和计算密集型模型，这限制了其在低功耗和嵌入式系统中的实际部署。本研究探讨了使用单通道sEMG信号结合轻量级机器学习架构对十种手势进行分类的可行性。原始sEMG信号被转化为基于特征的全面表示，包括时域、频域、高阶交叉和相对强度特征。通过皮尔逊相关性过滤和去除高度相关的特征来减少特征冗余，并选择性地应用降维技术（LDA和PCA）。系统评估了三种分类器——前馈神经网络（NN）、k近邻（KNN）和支持向量机（SVM），在四项实验中进行了测试。结果表明，将时域和频域特征与皮尔逊过滤以及紧凑的神经网络相结合，即使时空信息有限，也能达到高达90%的准确率。这些发现突显了单通道sEMG系统在低成本、低功耗手势识别应用中的潜力。
查看原文
查看缓存全文

缓存时间: 2026/07/20 09:31 

# 单通道表面肌电图在手势分类中的探索性研究
来源: https://arxiv.org/abs/2607.15972
查看PDF (https://arxiv.org/pdf/2607.15972)

> 摘要:利用表面肌电图（sEMG）进行准确的手势识别通常依赖于多通道传感器阵列和计算密集型模型，这限制了其在低功耗嵌入式系统中的实际部署。本研究探讨了使用单通道sEMG结合轻量级机器学习架构对十种手势进行分类的可行性。原始sEMG信号被转换为全面的基于特征的表征，包括时域、频域、高阶交叉和相对强度特征。通过皮尔逊相关滤波和移除高相关特征来减少特征冗余，同时有选择地应用降维技术（LDA和PCA）。我们在四个实验中系统评估了三种分类器：前馈神经网络（NN）、k近邻（KNN）和支持向量机（SVM）。结果表明，将时频特征与皮尔逊滤波及紧凑型NN相结合，即使在时间和空间信息有限的情况下，也能达到高达90%的准确率。这些发现凸显了单通道sEMG系统在成本效益高、低功耗手势识别应用中的潜力。

## 提交历史

来自: Daanish Hindustani [查看邮箱 (https://arxiv.org/show-email/569d78e2/2607.15972)] **[v1]**Fri, 17 Jul 2026 14:06:40 UTC (1,091 KB)

相似文章

基于sEMG信号的实时手势识别图神经网络模型

arXiv cs.AI

本文介绍了一种基于前臂表面肌电（sEMG）信号的实时手势识别图神经网络模型。该方法在M1 Pro CPU上实现了99%的分类准确率，平均处理时间为48毫秒，性能优于现有最先进技术。

利用生理信号通过机器学习预测考试结果

arXiv cs.LG

本研究探讨了利用皮肤电活动、心率和皮肤温度等生理数据，通过机器学习模型预测考试结果，发现深度学习方法与随机森林等简单模型均能有效发挥作用。