轻量级基于EMG的手势识别测试时适应方法
机器学习
2026-01-08 v1 人机交互
摘要
表面电生理信号（EMG）可靠的长期解码受到电极漂移、肌肉疲劳和姿势变化引起的信号漂移的阻碍。虽然最先进的模型在同一会话内实现高准确率，但性能常常急剧下降。现有解决方案通常需要大量数据或高计算需求的管道，难以应用于节能可穿戴设备。我们提出一种基于时序卷积网络（TCN）的轻量级测试时适应（Test-Time Adaptation, TTA）框架。我们引入三种部署就绪策略：（i）因果自适应批量归一化用于实时统计对齐；（ii）结合经验回放的高斯混合模型（GMM）对齐以防止遗忘；（iii）基于元学习的快速few-shot标定。评估于NinaPro DB6多会话数据集，本框架在最小开销下显著缩小了跨会话准确率差距。结果表明，经验回放更新在数据有限的情况下优异稳定性，而元学习在仅需极少数据即可实现的1-shot和2-shot情景下表现竞争。本工作为长期义肢控制建立了可靠、即插即用型肌电控制路径。
引用
@article{arxiv.2601.04181,
title = {Lightweight Test-Time Adaptation for EMG-Based Gesture Recognition},
author = {Nia Touko and Matthew O A Ellis and Cristiano Capone and Alessio Burrello and Elisa Donati and Luca Manneschi},
journal= {arXiv preprint arXiv:2601.04181},
year = {2026}
}