ترجمه فارسی مقاله نقش شبکه‌های عضلانی عملکردی در بهبود درک حرکات دست برای رابط‌های انسان و ماشین

چکیده

Developing accurate hand gesture perception models is critical for various robotic applications, enabling effective communication between humans and machines and directly impacting neurorobotics and interactive robots. Recently, surface electromyography (sEMG) has been explored for its rich informational context and accessibility when combined with advanced machine learning approaches and wearable systems. The literature presents numerous approaches to boost performance while ensuring robustness for neurorobots using sEMG, often resulting in models requiring high processing power, large datasets, and less scalable solutions. This paper addresses this challenge by proposing the decoding of muscle synchronization rather than individual muscle activation. We study coherence-based functional muscle networks as the core of our perception model, proposing that functional synchronization between muscles and the graph-based network of muscle connectivity encode contextual information about intended hand gestures. This can be decoded using shallow machine learning approaches without the need for deep temporal networks. Our technique could impact myoelectric control of neurorobots by reducing computational burdens and enhancing efficiency. The approach is benchmarked on the Ninapro database, which contains 12 EMG signals from 40 subjects performing 17 hand gestures. It achieves an accuracy of 85.1%, demonstrating improved performance compared to existing methods while requiring much less computational power. The results support the hypothesis that a coherence-based functional muscle network encodes critical information related to gesture execution, significantly enhancing hand gesture perception with potential applications for neurorobotic systems and interactive machines.

چکیده به فارسی (ترجمه ماشینی)

توسعه مدل های دقیق درک ژست دست برای کاربردهای مختلف روباتیک بسیار مهم است ، امکان برقراری ارتباط مؤثر بین انسان و ماشین ها و تأثیر مستقیم بر عصبی و روبات های تعاملی.اخیراً ، الکترومیوگرافی سطح (SEMG) در هنگام ترکیب با رویکردهای پیشرفته یادگیری ماشین و سیستم های پوشیدنی ، به دلیل زمینه اطلاعاتی غنی و دسترسی آن مورد بررسی قرار گرفته است.این ادبیات رویکردهای بی شماری را برای تقویت عملکرد ارائه می دهد و ضمن اطمینان از استحکام برای عصبی با استفاده از SEMG ، اغلب منجر به مدل هایی می شود که نیاز به قدرت پردازش بالا ، مجموعه داده های بزرگ و راه حل های مقیاس پذیر کمتری دارند.این مقاله با پیشنهاد رمزگشایی هماهنگ سازی عضلات به جای فعال سازی عضلات فردی ، به این چالش می پردازد.ما شبکه های عضلانی عملکردی مبتنی بر انسجام را به عنوان هسته اصلی مدل ادراک خود مطالعه می کنیم ، و پیشنهاد می کنیم که هماهنگ سازی عملکردی بین عضلات و شبکه مبتنی بر نمودار اتصال عضلات ، اطلاعات متنی را در مورد حرکات دست در نظر گرفته شده رمزگذاری می کند.این می تواند با استفاده از رویکردهای یادگیری ماشین کم عمق و بدون نیاز به شبکه های زمانی عمیق رمزگشایی شود.تکنیک ما می تواند با کاهش بارهای محاسباتی و افزایش کارآیی ، کنترل میو الکتریک عصبی را تحت تأثیر قرار دهد.این رویکرد در پایگاه داده نیناپرو ، که شامل 12 سیگنال EMG از 40 فرد است که 17 حرکات دست دارند ، معیار است.این به دقت 85.1 ٪ دست پیدا می کند ، که عملکرد بهبود یافته در مقایسه با روش های موجود را نشان می دهد در حالی که به قدرت محاسباتی بسیار کمتری نیاز دارد.نتایج این فرضیه را پشتیبانی می کند که یک شبکه عضلانی عملکردی مبتنی بر انسجام ، اطلاعات مهم مربوط به اجرای ژست را رمزگذاری می کند ، و به طور قابل توجهی درک ژست دست را با کاربردهای بالقوه برای سیستم های عصبی و دستگاه های تعاملی تقویت می کند.