研究人员开发了一个自我监督的人工智能适应框架，以提高EMG设备的传感精度。

表面肌电图（EMG）已被广泛用于测量肌肉的电活动。然而，由于不同用户的生物学差异，EMG传感信号的可变性大大降低了EMG系统的性能和潜力。



最近，香港城市大学的研究人员开发了一个基于深度学习的框架——EMGSense，它可以使用人工智能自我训练技术为新用户实现高感知性能。这为在神经康复和虚拟现实等领域开发更先进、更准确的可穿戴肌电图设备开辟了一条新道路。

这项最新发明在美国亚特兰大举行的第21届普适计算与通信国际会议（PerCom 2023）上获奖。它有助于克服现有方法的瓶颈，并支持基于EMG的应用程序的普及。

肌电图使用皮肤上的表面电极测量肌肉的电活动。基于肌电图的传感近年来引起了相当大的关注，并创造了许多智能应用，如神经康复、活动识别、手势识别和虚拟现实。

但现有EMG系统的一个基本挑战是如何应对跨用户场景。肌电信号会受到各种生物因素的严重影响，如体脂、皮肤状况、年龄和疲劳等。因此，当不同用户使用EMG系统时，时间变化的生物异质性会导致显著的性能下降。

为应对这一挑战，城大计算机科学系的研究人员最近提出了一种低成本、人工智能赋能的领域适应框架EMGSense，它利用人工智能训练技术为新用户提供高精度的肌电图传感。EMGSense 是一个具有自我智能策略的自我监督系统。它可以应对用户间生物异质性造成的性能下降。

新框架将先进的自我监督技术集成到精心设计的深度神经网络（DNN）结构中。它使用来自新用户的小规模未标记数据和来自多个现有用户的预收集数据来训练判别模型，为新用户实现智能应用。预采集的数据存储在云端，可以服务于所有新用户，减轻数据收集和标注的负担。

该方法的关键原理是共享通用特征提取器，其目的是确保特征的可转移性。特定领域特征提取器和分类器的组合负责独立探索来自不同源领域的深层特征之间的差异。

EMGSense 的 DNN 结构包括两个相互补充的训练阶段。它首先消除特定用户的特征，以便于转移，然后采用人工智能技术重新学习新目标的用户特定的生物学特征，以实现高性能肌电图传感。这使得 EMGSense 能够以低工作量、自我监督的方式以令人满意的性能适应新用户，而不会浪费大量的部署开销。

此外，研究人员利用在使用过程中收集的未标记数据来实现长期稳健的性能，可以处理EMG信号的时间变异性。

对从13名参与者收集的两个大型数据集的综合评估表明，EMGSense 在手势识别和活动识别方面分别实现了91.9%和81.2%的平均准确率。EMGSense 在EMG定向领域适应方法中的表现比现有技术高出12.5%-17.4%，与以监督学习方式训练的框架表现相当。

这种新颖的EMGSense框架通过减轻数据收集和标注的负担，在低成本的方式下实现了高准确性，有可能彻底改变EMG感知领域。它填补了肌电图传感中异质性问题的研究空白，并实现了各种基于肌电图的新型跨用户应用，如临床实践、神经康复和人机交互。它还朝着在现实场景中具有更高性能的智能EMG可穿戴设备的普及迈出了一小步。

 

来源：https://techxplore.com/news/2023-05-self-supervised-ai-framework-accuracy-emg.html