用于 IMU 到 EMG 估计及少样本自适应的 GEGLU-Transformer
机器人学
2026-04-29 v1
摘要
神经肌肉激活的可靠估计是实现可穿戴机器人自适应和个性化控制的关键使能因素。然而，由于电极敏感性、信号非平稳性以及强烈的个体依赖性，表面肌电图（EMG）在实验室环境外难以稳健部署。在本工作中，我们提出了一种自适应的 IMU 到 EMG 学习框架，该框架能在异构运动条件下从可穿戴惯性测量中重建连续的肌肉激活包络。该方法将 Transformer 编码器与高斯误差门控线性单元相结合，以增强跨被试泛化能力并实现快速的特定被试个性化。在多条件下肢生物力学数据集上严格的留一被试法（LOSO）协议下，所提出的架构在无需特定被试自适应的情况下达到了 r = 0.706 +/- 0.139 和 R^2 = 0.474 +/- 0.208。仅使用 0.5% 的自适应数据，性能即提升至 r = 0.761 +/- 0.030 和 R^2 = 0.559 +/- 0.047，展示了快速自适应和早期性能饱和。这些结果支持将基于注意力的架构与轻量级自适应相结合，作为真实世界可穿戴机器人应用中直接 EMG 传感的一种实用且可扩展的替代方案。
引用
@article{arxiv.2604.25670,
title = {GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation},
author = {Miroljub Mihailovic and Luca Tonin and Stefano Tortora and Emanuele Menegatti},
journal= {arXiv preprint arXiv:2604.25670},
year = {2026}
}