AEMG: Quadro di Apprendimento Auto-Supervisionato per Rappresentazioni EMG Generalizzabili
Un team di ricercatori ha introdotto Any Electromyography (AEMG), il primo ampio quadro auto-supervisionato per l'apprendimento di rappresentazioni di segnali EMG. Questo approccio innovativo reinterpreta le dinamiche neuromuscolari in modo linguistico attraverso un Neuromuscular Contraction Tokenizer (NCT), che converte le contrazioni muscolari in termini strutturali e i pattern di attivazione temporale in frasi. AEMG vanta il più vasto vocabolario di segnali EMG cross-dispositivo, facilitando un trasferimento fluido attraverso varie topologie di canali e frequenze di campionamento. I risultati sperimentali indicano che AEMG migliora la generalizzazione zero-shot leave-one-out tra soggetti, dispositivi e compiti, affrontando efficacemente l'eterogeneità dei dati e il problema delle etichette limitate. Questa ricerca è disponibile su arXiv con l'identificatore 2605.03462.
Fatti principali
- AEMG è il primo quadro di apprendimento rappresentazionale auto-supervisionato su larga scala per EMG.
- Utilizza un Neuromuscular Contraction Tokenizer (NCT) per tradurre le contrazioni muscolari in parole strutturali.
- I pattern di attivazione temporale vengono convertiti in frasi coerenti.
- Il quadro compila il più vasto vocabolario di segnali EMG cross-dispositivo.
- Consente un trasferimento senza soluzione di continuità attraverso topologie di canali e frequenze di campionamento arbitrarie.
- Gli esperimenti dimostrano una migliore generalizzazione zero-shot leave-one-out.
- La ricerca affronta l'eterogeneità dei dati, la scarsità di etichette e la mancanza di un quadro rappresentazionale unificato.
- Pubblicato su arXiv con ID 2605.03462.
Entità
Istituzioni
- arXiv