基于掩码自编码器和 Swin Transformer 网络的高密度电生理信号电极漂移消除
信号处理
2024-10-24 v1 人工智能
机器学习
摘要
多通道表面电生理信号（sEMG），也称为高密度sEMG（HD-sEMG），在提高肌电控制的手势识别性能方面发挥着关键作用。然而，基于HD-sEMG开发的模式识别模型对变化的记录条件（例如由于电极漂移导致的信号可变性）较为敏感。这导致跨主体和跨会话的性能显著下降。针对此背景，本文提出了掩码自编码器结合 Swin Transformer（MAST）框架，其中在掩码化的HD-sEMG通道子集上进行训练。采用四种掩码策略，即随机块掩码、时间掩码、传感器级随机掩码和多尺度掩码，以学习潜在表征并提高对电极漂移的鲁棒性。掩码化数据随后通过MAST的三路径编码器-解码器结构传递，利用多路径Swin-Unet架构同时捕获HD-sEMG信号的时间域、频域和幅值域特征。这些增强输入以自监督预训练方式使用，以提高模型的泛化能力。实验结果表明，所提出的MAST框架在各种掩码策略下均优于现有方法。
引用
@article{arxiv.2410.17261,
title = {Masked Autoencoder with Swin Transformer Network for Mitigating Electrode Shift in HD-EMG-based Gesture Recognition},
author = {Kasra Laamerad and Mehran Shabanpour and Md. Rabiul Islam and Arash Mohammadi},
journal= {arXiv preprint arXiv:2410.17261},
year = {2024}
}