解读肌电控制中的深度学习特征：与手工特征的比较
信号处理
2020-03-23 v2 机器学习
摘要
肌电控制系统的研究主要通过设计手工特征从肌电图（EMG）信号中提取判别性表示。近来，深度学习技术已被应用于基于 EMG 的手势识别这一具有挑战性的任务。这些技术的采用正缓慢地将研究重点从特征工程转向特征学习。然而，深度学习的黑盒性质使得我们难以理解网络所学到的信息类型及其与手工特征的关系。此外，由于不同受试者间 EMG 记录的高度变异性，使用标准训练方法时深度特征往往跨受试者泛化能力较差。因此，本工作引入了一种名为 ADANN 的新多域学习算法，与标准训练相比，其将跨受试者分类准确率显著提升了平均 19.40%（p=0.00004）。利用 ADANN 生成的特征，本工作的主要贡献是首次对基于 EMG 的手势识别进行拓扑数据分析，以刻画深度网络内编码的信息，并使用手工特征作为地标。该分析揭示，手工特征与学习到的特征（在较早层中）都试图区分所有手势，但为此编码的信息并不相同。此外，使用卷积网络可视化技术揭示，学习到的特征往往忽略手势收缩期间最激活的通道，这与旨在捕获幅度信息的手工特征的普遍性形成鲜明对比。总体而言，本工作通过提供学习特征与手工特征中所编码互补信息的明确指引，为混合特征集铺平了道路。
引用
@article{arxiv.1912.00283,
title = {Interpreting Deep Learning Features for Myoelectric Control: A Comparison with Handcrafted Features},
author = {Ulysse Côté-Allard and Evan Campbell and Angkoon Phinyomark and François Laviolette and Benoit Gosselin and Erik Scheme},
journal= {arXiv preprint arXiv:1912.00283},
year = {2020}
}
备注
The first two authors shared first authorship. The last three authors shared senior authorship. 32 pages