通过双分支对抗特征解,实现跨主体EMG模式识别

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 电肌图 (EMG) 信号的跨主体变异性使模式识别复杂化.
• 传统方法需要对特定主体进行校准,这限制了现实世界的适用性.
• 开发无校准的跨主题EMG模式识别对于广泛部署至关重要.

研究的目的:

• 开发一个端到端的深度学习模型,用于无校准的跨学科EMG模式识别.
• 将EMG特征分解为特定于模式和特定于主题的组件.
• 为新用户提供强大的模式识别,并促进生物识别.

主要方法:

• 提出了一个端到端的双分支对抗神经网络架构.
• 实现了特征解,以分离特定模式和特定主题信息.
• 在跨主题场景中对未见的用户进行评估模型性能.

主要成果:

• 在不需要用户特定校准的情况下实现了强大的跨主题EMG模式识别.
• 拟议的模型在对新主题的概括方面表现优于各种基线方法.
• 成功证明了解特征对模式识别和生物识别的有用性.

结论:

• 开发的双分支对抗网络为无校准的跨主题EMG模式识别提供了一个新的解决方案.
• 功能解是一种有效的策略,可以改善不同用户的概括性.
• 该模型显示了更广泛应用的潜力,包括任务不变生物识别系统.