评估神经形态计算在电肌电图指尖力度解码中的应用
机器学习
2025-12-12 v1 信号处理
摘要
高密度表面电肌电图(HD-sEMG)为辅助和康复控制提供了非侵入性神经接口，但将神经活动映射到用户运动意图仍面临挑战。我们评估了基于神经形态架构的脉冲神经网络(SNN)相对于时序卷积网络(TCN)用于从来源于 HD-sEMG 的运动单元(MU) 发射中解码指尖力度。数据来自单名患者(10 次试验)，其两个前臂电极阵列；通过基于 FastICA 的分解获得 MU 活动，模型在带内试验上进行重叠窗口训练并采用端到端因果卷积。 held-out 试验中，TCN 达到 4.44% MVC RMSE(Pearson r = 0.974)，而 SNN 达到 8.25% MVC(r = 0.922)。虽然 TCN 更准确，但我们视 SNN 作为现实可行的神经形态基线，认为通过适度的架构和超参数调整可缩小与此差距。
引用
@article{arxiv.2512.10179,
title = {Assessing Neuromorphic Computing for Fingertip Force Decoding from Electromyography},
author = {Abolfazl Shahrooei and Luke Arthur and Om Patel and Derek Kamper},
journal= {arXiv preprint arXiv:2512.10179},
year = {2025}
}
备注
5 pages, 6 figures. Poster included as ancillary file (IEEE_NER2025_NeuromorphicEMG_poster.pdf). Presented at IEEE EMBS NER 2025, also at NC State College of Engineering Applied AI Symposium and NC State ECE Graduate Research Symposium (tied for Best Poster)