基于对抗与监督对比学习结合Inception-Attention网络的跨受试者肌肉疲劳检测
机器学习
2026-04-06 v1
摘要
肌肉疲劳检测在物理康复中扮演着重要角色。此前的研究已证明，sEMG在检测肌肉疲劳方面比其他生物信号具有更高的灵敏度。然而，从sEMG中提取的特征在动态收缩过程中以及在不同受试者之间可能会发生变化，这导致疲劳检测的稳定性不足。为应对这些挑战，本研究提出了一种新型神经网络，包含一个Inception-Attention模块作为特征提取器、一个疲劳分类器以及一个配备梯度反转层的领域分类器。集成的领域分类器鼓励网络学习主体无关的通用疲劳特征，同时最小化主体特定特征。此外，还采用了一种监督对比损失函数以增强模型的泛化能力。实验结果表明，所提出的模型在三分类任务中取得了出色的性能，准确率达到93.54%，召回率达到92.69%，F1分数达到92.69%，为跨受试者肌肉疲劳检测提供了一个稳健的解决方案，为康复训练和辅助提供了重要指导。
引用
@article{arxiv.2604.02670,
title = {Cross-subject Muscle Fatigue Detection via Adversarial and Supervised Contrastive Learning with Inception-Attention Network},
author = {Zitao Lin and Chang Zhu and Wei Meng},
journal= {arXiv preprint arXiv:2604.02670},
year = {2026}
}
备注
This work has been submitted to ICARM 2026 for possible publication. 6 pages, 7 figures, 5 tables