.png){kind=icon}
返回
Calibration-Free Electromyography Motor Intent Decoding Using Large-Scale Supervised Pretraining
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202500791.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习算法用于肌电模式识别需要大量的用户特定训练数据，限制了肌电（EMG）在人机接口中的更广泛应用。我们提出了一种用于EMG介导的运动意图解码的框架，设计为无需收集用户特定训练数据即可为新用户提供功能。我们引入了一种基于Transformer的架构，称为空间感知特征学习Transformer（SAFT），它通过结合通道级时域特征提取、电极位置的学习空间编码以及跨通道的注意力机制，处理来自任意空间电极配置的具有可变通道数量的EMG时间窗口。这使得在异构EMG数据集上训练单个模型成为可能。在当前研究中，大规模监督预训练是指在经过预处理的包含29个公开EMG数据库的合并语料库上进行的预训练，该语料库包含506个受试者、108个运动类别和约990万个非静息EMG窗口。一个预训练的SAFT模型在一个保留的数据库上进行微调，并用于评估跨用户性能。在3DC基准测试中，仅预训练的模型达到了28.7%的平衡准确率（vs. 10%的随机概率），而预训练和微调的跨用户SAFT模型达到了81.8%的平衡准确率，可与传统的用户特定线性判别分析（LDA）模型（82.9%）相媲美。这些发现表明，无需最终用户校准即可工作的“开箱即用”EMG意图解码模型的可行性。
Keyword:
electromyography
human–computer interfacing
machine learning
myoelectric control
zero-shot learning
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
引用论文
TEMGNet: deep transformer-based decoding of upperlimb semg for hand gestures recognition. arXiv preprint arXiv:2109.12379TEMGNet：基于深度Transformer的解码方法，用于上肢表面肌电信号的手势识别。arXiv预印本 arXiv:2109.12379.png)
IF0
PREAI
分享收藏
分享收藏Contrastive learning rivals masked image modeling in fine-tuning via feature distillation对比学习通过特征蒸馏在微调方面与掩码图像建模不相上下。OAAI
IF0
OAAI分享收藏Comparison of algorithms for estimation of EMG variables during voluntary isometric contractions
PREAI
分享收藏
查看更多内容