Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu zorlukların üstesinden gelmek amacıyla, bu çalışmada geçici olay çözünürlüğünü ve spektral seçiciliği artırmak üzere tasarlanmış, yeni formüle edilmiş ve tam kabul edilebilir bir dalgacık olan Quadratic Morphing Morlet (QMM) wavelet önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Yüzey elektromiyografi (sEMG) sinyallerinin doğru biçimde tanınması, sezgisel insan-makine etkileşimi ve miyolektrik protez kontrolü açısından büyük önem taşımaktadır. Ancak sEMG sinyallerinin doğası gereği geçici, durağan olmayan ve düşük genlikli yapıda olması, geleneksel zaman-frekans temsilleri ile derin öğrenme modellerinin etkinliğini sınırlamaktadır. Bu yaklaşımlar çoğu zaman kısa süreli nöromüsküler olayları ve kas aktivitesinin çok ölçekli spektral-zamansal özelliklerini yeterince yakalayamamaktadır. Bu zorlukların üstesinden gelmek amacıyla, bu çalışmada geçici olay çözünürlüğünü ve spektral seçiciliği artırmak üzere tasarlanmış, yeni formüle edilmiş ve tam kabul edilebilir bir dalgacık olan Quadratic Morphing Morlet (QMM) wavelet önerilmektedir. Bu geliştirilmiş temsil üzerine kurulu olarak, Multi-Scale Frequency-Attentive Temporal Network (MFATNet) adlı hibrit bir derin öğrenme mimarisi sunulmaktadır. MFATNet; üç kollu çok ölçekli spektral kodlama, frekans-bazlı dikkat mekanizması ve genişletilmiş zamansal modellemeyi bütünleştirerek, spektral çeşitliliği, frekans uyarlanabilirliğini ve hareket dinamiklerini tek bir çerçevede birlikte öğrenmektedir. Önerilen QMM–MFATNet hattı, 27 denekten elde edilen sEMG kayıtlarını içeren NinaPro DB1 veri setinin 52 sınıflı el hareketi kümesi üzerinde değerlendirilmiştir. Bu kapsamda, model eğitimi için yüksek çözünürlüklü skalogramlar üretmek amacıyla QMM tabanlı sürekli dalgacık dönüşümü (CWT) temsilleri kullanılmıştır. Deneysel sonuçlar, QMM’nin klasik Morlet, Gaussian ve Mexican Hat dalgacıklarına kıyasla daha keskin ve daha ayırt edici skalogramlar ürettiğini göstermektedir. Ayrıca MFATNet, standart CNN, ResNet ve MobileNet modellerinden daha iyi performans göstererek en yüksek %93.13 doğruluk ve %93.15 F1-skoru değerlerine ulaşmıştır. Farklı dalgacık türleri arasındaki karşılaştırmalar da, 0.9313 ± 0.0194 ortalama doğruluk değeriyle QMM’nin tüm geleneksel çekirdekleri geride bırakarak üstün performans sergilediğini ortaya koymaktadır.
Abstract
Accurate recognition of surface electromyography (sEMG) signals is essential for intuitive human–machine interaction and myoelectric prosthetic control. However, the inherently transient, nonstationary, and low-amplitude nature of sEMG signals limits the effectiveness of conventional time–frequency representations and deep learning models, which often struggle to capture short-duration neuromuscular events and the multi-scale spectral–temporal characteristics of muscle activity. To address these challenges, this study introduces the quadratic morphing morlet (QMM) wavelet, a newly formulated and fully admissible wavelet designed to enhance transient resolution and spectral selectivity. Building upon this improved representation, a hybrid deep-learning architecture, the multi-scale frequency-attentive temporal network (MFATNet), is proposed as a novel hybrid deep learning architecture. MFATNet integrates tri-branch multi-scale spectral encoding, frequency-wise attention, and dilated temporal modeling to jointly capture spectral diversity, frequency adaptivity, and gesture dynamics within a unified framework. The proposed QMM–MFATNet pipeline is evaluated on the 52-class hand-gesture corpus of the NinaPro DB1 dataset, comprising sEMG recordings from 27 subjects, wherein QMM-based continuous wavelet transform (CWT) representations are used to generate high-resolution scalograms for subsequent model training. Experimental results indicate that QMM provides sharper and more discriminative scalograms than classical Morlet, Gaussian, and Mexican Hat wavelets. Additionally, MFATNet outperforms standard CNN, ResNet, and MobileNet models, achieving the highest accuracy (93.13%) and F1-score (93.15%). Comparisons of different wavelet types further demonstrate the superiority of QMM, which yields a mean accuracy of 0.9313 ± 0.0194, surpassing all traditional kernels.