用于基于sEMG的肌肉疲劳检测的高效鲁棒脉冲神经网络
神经与进化计算
2026-07-13 v1
摘要
通过表面肌电图（sEMG）检测肌肉疲劳对于运动、康复和可穿戴健康监测中的应用至关重要。准确及时的疲劳检测对于预防损伤、优化身体表现以及确保长时间活动期间的用户安全至关重要。然而，现有的深度学习模型通常因其高计算成本和对大规模数据的依赖而不适合此任务。在这项工作中，我们提出了一种基于脉冲神经网络（SNN）的节能肌肉疲劳检测框架，该网络利用稀疏、事件驱动的计算和时间建模。我们进一步引入了一种量化兼容的训练方案（SDH），该方案结合了多个正则化项以提高在噪声条件下的鲁棒性。在两个公开的sEMG数据集上，针对广泛的基线和七种噪声条件（包括物理动机扰动）进行评估，我们的量化SNN匹配或超过了强基线，同时在各种噪声下保持更稳定，并将估计能耗降低了高达201.77倍。这些结果表明，该框架在低功耗可穿戴系统的实时部署中具有巨大潜力。
引用
@article{arxiv.2607.11065,
title = {Efficient and Robust Spiking Neural Networks for sEMG-Based Muscle Fatigue Detection},
author = {Kaiwen Tang and Jiaqi Dong and Zhanglu Yan and Weng-Fai Wong},
journal= {arXiv preprint arXiv:2607.11065},
year = {2026}
}
备注
9 pages, 5 figures