FatigueFormer: 静态-时序特征融合用于鲁棒的基于sEMG的肌肉疲劳识别
机器学习
2026-03-31 v1 人工智能
摘要
我们提出FatigueFormer，一个半端到端框架，有意结合显著性引导的特征分离与深度时序建模，从表面肌电图（sEMG）中学习可解释且泛化能力强的肌肉疲劳动力学。与先前方法因信号变异性和低信噪比而难以在不同最大自主收缩（MVC）水平下保持鲁棒性不同，FatigueFormer采用并行的基于Transformer的序列编码器分别捕获静态和时序特征动力学，融合它们的互补表示以提升低MVC和高MVC条件下的性能稳定性。在涵盖30名参与者、四个MVC水平（20-80%）的自建数据集上评估，该方法达到了最先进的准确率，并在轻度疲劳条件下展现出强泛化能力。除性能外，FatigueFormer支持基于注意力的疲劳动力学可视化，揭示特征组和时间窗口在不同MVC水平下的差异化贡献，为疲劳进展提供可解释的洞察。
引用
@article{arxiv.2603.26841,
title = {FatigueFormer: Static-Temporal Feature Fusion for Robust sEMG-Based Muscle Fatigue Recognition},
author = {Tong Zhang and Hong Guo and Shuangzhou Yan and Dongkai Weng and Jian Wang and Hongxin Zhang},
journal= {arXiv preprint arXiv:2603.26841},
year = {2026}
}