CapsFormer:用于EMG信号表示学习的双流因果意识囊转换器网络

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) 信号对于假肢控制,康复和人机交互至关重要.
• 当前的手势识别算法难以平衡时间建模与姿势不变,导致概括性差.
• 现有的方法往往缺乏因果解释性和强大的功能集成.

研究的目的:

• 提出一种新的双流因果囊转换器网络 (CapsFormer),用于增强EMG信号处理.
• 为了提高手势识别的准确性,跨主题的稳定性和基于EMG的应用程序的可解释性.
• 为了解决平衡本地和全球特征提取现有方法的局限性.

主要方法:

• 开发了一个双流网络,集成了一个带有因果注意力的变压器流和一个带有动态路由的囊流.
• 在变压器流中使用因果注意力来确保时间步骤表示只依赖于过去的信号.
• 利用囊流中的动态路由来捕获部分整体姿势向量,增强对信号变化的稳定性.

主要成果:

• 与最先进的模型相比,CapsFormer在多主体EMG数据集上表现出更高的性能.
• 在识别精度,跨主题稳定性和模型解释性方面取得了显著的改进.
• 双流架构有效地整合了本地和全球特征,用于全面的EMG信号分析.

结论:

• CapsFormer为高效和可解释的EMG信号表示提供了一个新的范式.
• 拟议的网络增强了对智能系统的因果一致的时间信号分析.
• 这项研究对推进智能假肢控制和人机界面具有重大意义.