LiteEMG-FM：可部署的肌电基础模型

肌电（EMG）信号在个体、身体区域、记录会话与传感硬件间差异显著，限制了辅助设备与人机交互模型的泛化。现有时间序列基础模型对可穿戴实时部署计算昂贵，且常无法捕捉EMG特有的时频特征。我们提出LiteEMG-FM，一个面向实用EMG感知的高效CNN-Transformer混合基础模型：在16个多样化的上下肢EMG数据集上预训练，学到跨用户、跨数据集泛化的表示。面向资源受限部署，我们实现分层唤醒架构：常开的轻量1D-CNN过滤静息与非目标活动，仅对有效手势激活LiteEMG-FM。我们评估全推理卸载、分割推理与全端侧处理三种方式，刻画其延迟、功耗与内存足迹的权衡。在多样评估设置下，LiteEMG-FM超越SOTA时序基础模型与监督基线，尤其在零校准跨被试与数据稀缺条件下。结果表明LiteEMG-FM是有效、高效、可部署的EMG应用基础模型。