基于贝叶斯推断的肌电图模式分类中面向人群的方差迁移学习
信号处理
2025-05-22 v1 机器学习
摘要
在肌电图（EMG）基于运动识别中，通常会使用充足的标记数据对特定受试者的分类器进行训练。然而，这一过程需要在延长的时间内收集大量数据，给受试者带来负担。为此，利用来自多个受试者的预训练信息来训练目标受试者可能有益。本文提出了一种基于贝叶斯方法的面向人群方差迁移学习方法。该方法基于以下简单假设：虽然EMG特征在不同受试者间的均值差异很大，但其方差可能呈现类似模式。我们的做法通过在多个源受试者上进行预训练获取方差信息，然后在贝叶斯更新框架中将其迁移到目标受试者，从而利用有限的目标校准数据即可实现精确分类。我们还引入了一个系数，用于高效调整迁移信息的量。使用两个EMG数据集进行的实验评估表明，我们的方差迁移策略有效且优于现有方法。
引用
@article{arxiv.2505.15381,
title = {Inter-Subject Variance Transfer Learning for EMG Pattern Classification Based on Bayesian Inference},
author = {Seitaro Yoneda and Akira Furui},
journal= {arXiv preprint arXiv:2505.15381},
year = {2025}
}
备注
5 pages, 3 figures, 3 tables, accepted at EMBC2024