研究人员开发了一种名为PGUDA（带压力的无监督域自适应）的新型框架，以提高使用表面肌电图（sEMG）信号的手势识别准确性。该方法通过使用压力信号来指导自适应过程，解决了因受试者和会话之间数据差异导致性能下降的常见挑战。PGUDA采用跨模态知识蒸馏策略，其中在压力数据上训练的教师网络帮助sEMG学生网络从无标签的目标域学习可迁移知识。实验表明，PGUDA在跨受试者和跨会话任务中取得了领先的性能，准确率达到58.08%，同时显著减少了对标签数据的需求。 AI
影响 这项研究为基于sEMG的手势识别提供了一种更具数据效率的解决方案，有可能减轻实际应用中的校准负担。
排序理由 详细介绍一种新的基于sEMG的手势识别方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
