论文
EMGBlend：用于手势和力解码的异质性感知自监督预训练
EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding
摘要
公共表面肌电图 (EMG) 数据集在电极布局、通道数、频率支持和大小方面差异很大。简单地将它们混合进行预训练可能会导致通道语义不一致，引入某些设备无法观察到的光谱目标，并让大型或高通道数数据集主导学习。我们引入了 EMGBlend，这是一个围绕这些差异设计的自我监督框架。它将共享通道补丁与几何感知注意力相结合，将频谱目标限制在每个记录支持的频段，并平衡数据源之间的暴露。我们在 11 个公共 EMG 源上预训练了 1.09 亿参数模型，并在手势识别、连续力回归和接触分类方面对其进行了评估。 EMGBlend 始终优于匹配的随机初始化和波形重建控制。固定预算源控制表明，多源预训练可以改善手势识别，并在强制解码方面保持竞争力。消融证实，几何形状、带感知目标和源平衡都有助于转移，尽管跨人 NinaPro 力估计仍然很困难。总体而言，EMGBlend 展示了如何通过显式机制设计而不是简单的串联来组合异构 EMG 数据集。代码可在此 https URL 获取