在电肌图 (EMG) 任务上转移学习:方法和超越

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 机器学习在电肌图 (EMG) 数据上假设数据分布一致,这在现实世界中往往是未满足的.
• 模型重新校准需要昂贵的数据重新收集和注释,这阻碍了实际的EMG应用.
• 转移学习 (TL) 通过利用源域的知识来提供解决方案,以更少的数据提高目标任务性能.

研究的目的:

• 调查和评估50多种转移学习 (TL) 方法的适用性,用于电肌图 (EMG) 分析.
• 通过检查肌肉生理和EMG生成,提供对现有的TL方法的生物学见解.
• 将现有的TL研究对EMG进行分类,分为基于数据,基于模型,基于培训方案和基于对抗的方法.

主要方法:

• 对EMG相关的同行评审转移学习文献进行系统审查和分类.
• 分析EMG信号的生物基础,包括肌肉结构和生成机制.
• 基于其核心策略 (数据,模型,培训,对抗) 的转移学习方法的分类.

主要成果:

• 识别和评估50多种代表性的转移学习方法,用于EMG应用.
• 现有研究被分为四种主要类型:基于数据,基于模型,基于培训计划和基于对抗.
• 讨论影响TL在EMG分析中的有效性的生物基础.

结论:

• 转移学习是减少EMG机器学习中的校准工作的一个有希望的范式.
• 了解EMG信号的生物基础对于开发有效的TL策略至关重要.
• 需要进一步的研究来提高EMG转移学习算法的实用性,以便在现实世界中部署.