손 제스처 인식(HGR)은 고급 보철, 뉴로로보틱스, 인간-로봇 상호작용(HRI)을 개발하는 데 핵심적이다. 표면 근전도(sEMG)와 고밀도 sEMG(HD-sEMG)는 손 제스처의 기반이 되는 근육 활동을 포착할 수 있다는 점에서 주목을 받아왔다. 동일한 대상 내에서 많은 모델이 높은 성능을 달성함에도 불구하고, 서로 다른 대상 간으로의 일반화는 여전히 중요한 과제로 남아 있어 실제 환경에서 이러한 시스템의 적용을 제한한다. 또한 대부분의 기존 접근은 주로 제스처의 정상(steady) 단계에 초점을 맞추고 있어 실시간 예측을 늦춘다. 이러한 문제를 해결하기 위해 본 연구에서는 Vision Transformer(ViT) 아키텍처를 기반으로 한 교차 대상 동적 손 제스처 인식(DHGR) 프레임워크, 즉 ViT-DHGR을 제안한다. 우리의 모델은 제스처가 안정화되기 전의 신호 과도(transient) 단계를 명시적으로 대상으로 하여 제스처 예측 지연을 줄이고 시스템 제어 지연을 상쇄하는 데 중점을 둔다. 대상 임베딩과 전이 학습 전략을 통합함으로써, 제안된 ViT-DHGR 프레임워크는 34개의 동적 손 제스처에 대해 제스처 데이터 1회 반복만 사용하여 10명의 대상에서 정확도 76.44%를 달성하였으며, 2회 반복 시 85.03%로 향상되었다. 아울러 본 프레임워크는 데이터 1회 반복 조건에서, 처음부터 학습한 대상 특이적 모델에 비해 테스트 대상 전반에 걸친 평균 정확도가 16% 이상 더 높다. 본 연구는 동적 손 제스처를 포착하는 데 HD-sEMG의 잠재력을 보여주며, 로봇 응용에서 데이터 요구량을 줄이고 실용성을 향상시키는 데 있어 교차 사용자 지식 전이의 이점을 강조한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.