用于患者特定模型重校正的深度迁移学习：在表面肌电信号分类中的应用
机器学习
2022-01-03 v1
摘要
表面肌电图（sEMG）的准确解码对于肌肉到机器接口（MMI）及其在康复疗法等中的应用至关重要。由于皮肤厚度、体脂率和电极放置等多种因素，sEMG信号具有高度的主体间变异性。因此，训练得到的sEMG解码器很难获得较高的泛化质量。通常，基于机器学习的sEMG解码器要么在主体特定数据上训练，要么至少为每位用户单独重新校准。尽管深度学习算法在sEMG解码上取得了若干state of the art结果，但由于sEMG数据可用量有限，深度学习模型容易过拟合。近来，用于域适应的迁移学习在各种机器学习任务上以更短的训练时间改善了泛化质量。在本研究中，我们探讨了使用权重初始化进行迁移学习、在新受试者数据上对两个不同预训练深度学习模型进行重校正的有效性，并将其性能与主体特定模型进行比较。据我们所知，这是首个深入探究基于权重初始化的迁移学习用于sEMG分类、并将迁移学习与主体特定建模进行比较的研究。我们在三个公开数据库上于多种设置下测试了模型。在所有设置的平均结果上，我们的迁移学习方法在未经微调的预训练模型上提升了5个百分点，在主体特定模型上提升了12个百分点，同时平均训练轮数减少22%。我们的结果表明，只要有足够数据可用，迁移学习相比用户特定模型能用更少样本实现更快训练，并提升预训练模型的性能。
引用
@article{arxiv.2112.15019,
title = {Deep Transfer-Learning for patient specific model re-calibration: Application to sEMG-Classification},
author = {Stephan Johann Lehmler and Muhammad Saif-ur-Rehman and Tobias Glasmachers and Ioannis Iossifidis},
journal= {arXiv preprint arXiv:2112.15019},
year = {2022}
}