EMGBench：面向肌电图分布外泛化与适应的基准测试
机器学习
2024-11-05 v2
摘要
本文介绍了首个利用机器学习评估肌电图（EMG）分类算法分布外性能的泛化与适应基准测试。EMG 分类器处理来自与训练分布不同分布的输入的能力，对于其作为控制接口的实际部署至关重要。通过使用 EMG 信号预测用户的意图手势，我们可以创建一种可穿戴解决方案来控制辅助技术，例如计算机、假肢和移动操作机器人。这个新的分布外基准测试包含两个主要任务，它们对于构建鲁棒且自适应的控制接口具有实用价值：1）跨被试分类和 2）使用时间序列的训练-测试分割进行适应。该基准测试涵盖了九个数据集——这是基准测试中规模最大的 EMG 数据集集合。其中引入了一个新数据集，该数据集采用一种新颖、易于佩戴的高密度 EMG 可穿戴设备进行数据采集。开源基准测试的缺乏使得 EMG 研究社区难以比较不同论文之间的准确率结果。这个新基准测试为研究人员提供了一个宝贵的资源，用于分析 EMG 数据集分布外性能的实际度量。我们的代码和新数据集的数据可在 emgbench.github.io 找到。
引用
@article{arxiv.2410.23625,
title = {EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography},
author = {Jehan Yang and Maxwell Soh and Vivianna Lieu and Douglas J Weber and Zackory Erickson},
journal= {arXiv preprint arXiv:2410.23625},
year = {2024}
}