基于表面肌电信号的图神经网络实时手势识别模型
研究团队提出了一种基于图神经网络的实时手势识别方法，利用表面肌电信号构建肌电图网络，在8名受试者上达到99%的准确率，处理时间仅48毫秒，适用于假肢控制与增强现实等应用。
基于表面肌电信号的图神经网络实时手势识别模型
2026年7月8日，arXiv上发布了一项创新研究，提出了一种基于图神经网络（GNN）的实时手势识别方法，旨在提升先进手部假肢和增强现实系统的控制精度与响应速度。该研究由Pragatheeswaran Vipulanandan等人完成，利用表面肌电信号（sEMG）从前臂采集肌肉活动数据，并通过图网络表示肌肉激活模式，进而训练机器学习算法识别手势。
研究团队使用Myoband设备，在8名健康受试者的前臂放置8个电极，采集sEMG信号。他们将信号转化为图结构，其中节点对应电极位置，边表示肌肉间的协同激活关系，从而捕捉肌肉之间的空间关系与协同激活模式。基于这些图网络，算法采用图神经网络进行手势分类，平均准确率达到99%，超越了现有技术水平。同时，图构建与预测平均耗时仅48毫秒（在M1 Pro CPU上），满足了实时应用的需求。
该方法的优势在于其高效性与准确性，为假肢控制和增强现实等需要即时响应的场景提供了可行的解决方案。与传统的基于特征提取的方法相比，图网络能够自然地融合空间信息，从而提升识别鲁棒性。未来，研究者计划扩展数据集至更多受试者和手势类型，并探索模型在嵌入式设备上的部署，以进一步推动实际应用。