检测 Myoelectric 激活中的领域漂移：数据流学习中的挑战与机遇
机器学习
2025-09-01 v1 机器人学
摘要
检测Myoelectric激活中的领域漂移是一个重大的挑战，这源于肌电图(EMG)信号的内在非平稳性。这篇论文探讨了使用数据流(DS)学习技术检测领域漂移，聚焦于Ninapro数据库中的DB6数据集。我们将领域定义为基于不同受试主体和记录session的时序序列片段，应用以余弦核为kernel的Kernel主成分分析(KPCA)进行预处理和突出显示这些漂移。通过评估诸如CUSUM、Page-Hinckley和ADWIN等多种漂移检测方法，我们揭示了当前技术在实现EMG信号实时领域漂移检测方面的局限性。我们的结果强调了基于流式的ethods在维持稳定EMG解码模型方面的潜力，同时指出了进一步研究以提高鲁棒性和准确性的领域。
引用
@article{arxiv.2508.21278,
title = {Detecting Domain Shifts in Myoelectric Activations: Challenges and Opportunities in Stream Learning},
author = {Yibin Sun and Nick Lim and Guilherme Weigert Cassales and Heitor Murilo Gomes and Bernhard Pfahringer and Albert Bifet and Anany Dwivedi},
journal= {arXiv preprint arXiv:2508.21278},
year = {2025}
}
备注
16 pages, 5 figures, 1 table, PRICAI25