从肌肉脉冲到运动意图：面向异构 EMG 的自监督标记建模
摘要
表面电位图(EMG)为从可穿戴肌肉记录中推断人类运动意图提供了实用方法，但在用户、会话、电极布局或手势协议发生变化时，基于单一获取设置训练的模型往往失去可靠性。本文提出AEMG，一种自监督学习方法，旨在从多样化EMG来源中提取可重用的神经肌肉表征。首先将八个公开手势数据集转化为共享信号格式，以减少通道配置、传感器拓扑和记录协议之间的差异。不依赖固定长度滑动窗口，而是通过能量变化识别收缩事件，并将其表示为紧凑的神经肌肉标记，同时有序的标记组描述了多个肌肉在运动期间的协同活动。随后使用受空间和时间条件限制的Transformer对这些标记序列进行编码，保留关于电极位置、激活时序和序列结构的信息。进行预训练时，模型通过向量量化重建构建离散的收缩原型库，并通过恢复被遮蔽的神经肌肉标记来进一步学习情境依赖性。实验在留出被试外推和低标签适应设置下表明，所学表征能提高对不可见用户的鲁棒性，并减少手势识别所需的校准数据量。这些发现表明，事件级标记建模为向可适应且数据高效的基于EMG的运动意图理解提供了可扩展的路径。
关键词
引用
@article{arxiv.2605.03462,
title = {From Muscle Bursts to Motor Intent: Self-Supervised Token Modeling for Heterogeneous EMG},
author = {Zhenghao Huang and Huilin Yao and Kaikai Wang},
journal= {arXiv preprint arXiv:2605.03462},
year = {2026}
}
备注
After further verification, we identified issues in the current version that may affect the reliability and reproducibility of the reported experimental results. In particular, part of the evaluation relies on a dataset for which the public-release/redistribution status and supporting validation remain unresolved