본 논문에서는 네트워크 기반 전이학습(transfer learning, TL)과 기준 수의수축(reference voluntary contraction, RVC) 정규화를 활용한 새로운 수화(손 제스처) 인식 전략을 제안한다. 이미지 분류의 소스 과제에 사용되는 VGG19, ResNet152, DenseNet121와 같은 최신 딥러닝 모델의 구조와 파라미터를, 표면 근전도(surface electromyography, EMG) 신호에 기반한 손 제스처 인식의 타깃 과제에 재사용한다. 대상자에 따라 달라지는 EMG 신호를 처리하는 데 따르는 어려움을 완화하기 위해 신호 전처리 단계에서 RVC 정규화를 적용한다. 시간영역의 EMG 신호를 2-D 이미지로 변환하여 TL 네트워크에 입력한다. 실험 결과는 제안 방법이 인식 정확도 측면에서 타당함을 입증한다. VGG19, RVC 정규화 및 회색 이미지(gray image) 변환을 이용한 TL은 20가지 서로 다른 제스처를 수행하는 15명의 참여자 데이터에서 99.78%의 정확도를 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.