전완부 표면 근전도(sEMG) 신호를 그래프 형태로 표현해 실시간 손동작을 인식하는 그래프 신경망(GNN) 기반 방법을 제안한다. 전완 근육의 활성화 패턴 정보를 담은 그래프 네트워크를 구성하고, 이를 입력으로 하는 GNN이 손동작을 실시간 분류한다. 전완에 8개 전극을 두른 Myoband로 건강한 피험자 8명의 신호를 수집해 평가한 결과 평균 분류 정확도 99%로 기존 최신 기법을 능가했다. M1 Pro CPU에서 그래프 구성과 예측을 합쳐 평균 48ms가 소요돼 실시간 응용에 적합하다. 첨단 의수 제어와 증강현실 인터페이스에 활용될 수 있는 정확하고 즉각적인 제스처 인식 방안이다.
- •전완 근육 활성화 패턴을 담은 그래프 네트워크로 sEMG를 표현하는 GNN 기반 실시간 손동작 인식 방법 제안
- •Myoband(8전극), 건강한 피험자 8명 데이터에서 평균 분류 정확도 99% 달성
- •M1 Pro CPU에서 그래프 구성+예측 평균 48ms로 실시간 응용에 적합
- •첨단 의수 제어·증강현실 인터페이스를 위한 정확·즉각적 제스처 인식 구현
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals
- 1.전완 sEMG 신호를 근육 활성 패턴 그래프로 표현해 GNN으로 실시간 손동작을 인식하는 기법 제안
- 2.8전극 Myoband 착용 피험자 8명 실험에서 평균 분류 정확도 99%로 기존 SOTA 능가
- 3.M1 Pro CPU 기준 그래프 생성+예측 평균 48ms로 실시간 의수·AR 제어에 적합
왜 중요한가?
고가 전용 하드웨어 없이 일반 CPU에서 99% 정확도·48ms 지연을 달성해, 의수 제어와 AR 인터페이스용 근전도 제스처 인식의 상용 웨어러블 적용 가능성을 높였다.
언급 프로젝트
본문 미리보기
arXiv:2607.07850v1 Announce Type: new Abstract: For seemless control of advanced hand prostheses and augmented reality, accurate and immediate hand gestures recognition is essential. Surface electromyography (sEMG) signals obtained from the forearm are commonly employed for this purpose. In this paper, we present a novel approach for sEMG representation that utilizes graph networks which contain information about muscle activation patterns in the forearm. Based on these graph networks, we have
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
