跨主题终身学习,用于从表面对肌电图信号的持续估计

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 表面电动图 (sEMG) 信号提供了一种非侵入性方法,用于在人机界面中估计手动力学.
• 现有的学科特定模型缺乏广泛的适用性,而当前的跨学科方法在新用户和现有用户之间扎.
• 挑战包括在跨主题的sEMG分析中有限的概括和有效的用户适应.

研究的目的:

• 开发一种新的方法,从sEMG信号中对手动力学进行 robust 跨主体估计.
• 增强基于sEMG的模型在不同用户和时间尺度上的概括能力.
• 解决当前在人机界面中的特定主题和跨主题方法的局限性.

主要方法:

• 介绍跨学科终身网络 (CSLN),这是一个全新的终身学习方法.
• 在多种不同的用户群体和不同的时间尺度上保持sEMG信号模式.
• 使用联合和连续培训策略来评估模型性能.

主要成果:

• 在基于sEMG的手动力学估计中,CSLN在跨主题场景中表现出更好的性能.
• 提出的方法有效地减轻了终身学习期间的灾难性遗忘.
• 在个人和时间上下文中改进了获得的sEMG信号模式的概括性.

结论:

• 在开发广泛适用和适应的人机界面方面,CSLN提供了显著的进步.
• 终身学习是提高跨学科sEMG模型的有效性和稳定性的可行策略.
• 该CSLN模型提高了培训效率,并扩大了sEMG在人机交互中的潜在应用.