摘要
为了实现对先进手部假肢和增强现实的无缝控制，准确且即时的手势识别至关重要。表面肌电图（sEMG）信号通常用于这一目的，信号来源于前臂。本文提出了一种新颖的sEMG表示方法，利用图网络来包含前臂肌肉激活模式的信息。基于这些图网络，我们开发了一种机器学习算法，能够实现基于图神经网络的实时手势识别。该算法的性能通过从myoband获取的sEMG信号进行评估，myoband在前臂周围布置了8个电极，参与者为8名健康受试者。所提方法的平均分类准确率达到99%，超越了当前最先进技术的表现。在M1 Pro CPU上，图构建和预测的平均时间为48毫秒，使得该方法非常适合实时应用。
博主点评： 本文展示了图神经网络在sEMG信号处理中的应用潜力，尤其是在实时手势识别领域。其高达99%的准确率和快速的响应时间为未来的假肢控制和增强现实交互提供了新的可能性。研究结果表明，结合生物电信号与图神经网络的方式，可以有效提升人机交互的精度和效率。