基于Transformer的面向ADL分类的sEMG信号迁移学习方法——EMGTTL
信号处理
2024-10-02 v1
摘要
面表面电位图（sEMG）因其在康复、假肢、机械臂控制及人机交互等领域的广泛应用而受到广泛关注。然而，利用sEMG信号进行日常活动（ADL）分类通常需要大量特征提取，这会导致计算耗时和能耗较高。本研究旨在回答以下问题：给定sEMG数据集（如电位图人体活动数据库DB1和DB4），其中包含对应ADL的多通道信号，是否可以在无显式特征提取的情况下确定ADL类别？是否可以在不同数据集之间进行学习以提升分类性能？本文开发了一种称为EMGTTL的分类框架，使用Transformer进行ADL分类，并通过跨数据迁移学习提升性能。该方法在EMAHA-DB1和EMAHA-DB4上实现。实验结果表明，Transformer架构在DB1上达到64.47%的准确率，在DB4上达到68.82%的准确率。进一步地，通过迁移学习，DB1（在DB4上预训练）的准确率提升至66.75%，DB4（在DB1上预训练）的准确率提升至71.04%。
引用
@article{arxiv.2410.00586,
title = {EMGTTL: Transformers-Based Transfer Learning for Classification of ADL using Raw Surface EMG Signals},
author = {Ashraf Ali Kareemulla and Rakesh Kumar Sanodiya and Anish Chand Turlapaty and Surya Naidu},
journal= {arXiv preprint arXiv:2410.00586},
year = {2024}
}