MESTNet 手势识别网络

非理想条件下鲁棒

针对多扰动条件下的表面肌电信号，给出一个具有域自适应能力的多分支时空特征混合网络，可跨非理想工况维持手势识别精度。

Jiwei, Li · 张弼 · Zhaohan, Wang · Jun, Feng · Ye, Dan · 赵新刚

IEEE Transactions on Instrumentation and Measurement 2025

参数信息

平均分类准确率（建模方法一）

91.89 %

平均分类准确率（建模方法二）

73.43 %

技术优势

精度更高

在 SeNic 数据集上，MESTNet 平均分类准确率 91.89%，显著超过对比模型。

适应未知扰动

引入域自适应方法，可应对训练时未见过的非理想因素，提升泛化能力。

关键特征增强

卷积层结合 squeeze-and-excitation 模块，强化关键特征、抑制冗余特征。

应用场景

• 肌电人机接口：在电极偏移、疲劳等实际扰动下仍能稳定识别，可直接用于肌电控制。
• 手势识别控制：鲁棒的手势识别可替代传统控制输入，用于假手或交互设备。
• 可穿戴肌电假肢：在非理想条件下保持高准确率，适合可穿戴假肢的日常使用。