基於表面肌電信號的圖神經網絡實時手勢識別模型
研究團隊提出了一種基於圖神經網絡的實時手勢識別方法，利用表面肌電信號構建肌電圖網絡，在8名受試者上達到99%的準確率，處理時間僅48毫秒，適用於假肢控制與增強現實等應用。
基於表面肌電信號的圖神經網絡實時手勢識別模型
2026年7月8日，arXiv上發佈了一項創新研究，提出了一種基於圖神經網絡（GNN）的實時手勢識別方法，旨在提升先進手部假肢和增強現實系統的控制精度與響應速度。該研究由Pragatheeswaran Vipulanandan等人完成，利用表面肌電信號（sEMG）從前臂採集肌肉活動數據，並通過圖網絡表示肌肉激活模式，進而訓練機器學習算法識別手勢。
研究團隊使用Myoband設備，在8名健康受試者的前臂放置8個電極，採集sEMG信號。他們將信號轉化為圖結構，其中節點對應電極位置，邊表示肌肉間的協同激活關係，從而捕捉肌肉之間的空間關係與協同激活模式。基於這些圖網絡，算法採用圖神經網絡進行手勢分類，平均準確率達到99%，超越了現有技術水平。同時，圖構建與預測平均耗時僅48毫秒（在M1 Pro CPU上），滿足了實時應用的需求。
該方法的優勢在於其高效性與準確性，為假肢控制和增強現實等需要即時響應的場景提供了可行的解決方案。與傳統的基於特徵提取的方法相比，圖網絡能夠自然地融合空間信息，從而提升識別魯棒性。未來，研究者計劃擴展數據集至更多受試者和手勢類型，並探索模型在嵌入式設備上的部署，以進一步推動實際應用。