基于深度生成重复的基于sEMG的模式识别中的类增量持续学习

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:

• 神经网络和传感技术的进步推动了人们对基于表面电肌图 (sEMG) 的模式识别的兴趣.
• 预先训练的网络的逐步更新增强了以用户为中心的接口,但有可能导致灾难性的遗忘.
• 传统的减轻遗忘的方法,如重播历史数据,需要大量的内存,限制了实际应用.

研究的目的:

• 提出一种新的基于重复的深度生成的持续学习 (CL) 框架.
• 为了使预先训练的网络能够逐步添加新类,而无需显著的内存开销.
• 为了应对在sEMG模式识别中的灾难性遗忘的挑战.

主要方法:

• 开发一个基于重复的深度生成的持续学习框架.
• 使用公共sEMG数据集进行评估.
• 在四个任务的两个类增量学习场景下测试.

主要成果:

• 与传统的CL方法相比,拟议的框架显示出更高的性能.
• 性能与经验重复有竞争力,这种重复直接使用历史数据.
• 该方法有效地减轻了在增量学习场景中的灾难性遗忘.

结论:

• 深度生成重复框架为sEMG模式识别的持续学习提供了有效的解决方案.
• 这种方法克服了与传统体验重复相关的记忆局限性.
• 该框架为以用户为中心的应用程序提供了预训练模型的灵活和高效更新.