利用滑动窗口归一化减轻电极位移对肌电图基于运动预测分类性能的影响
信号处理
2025-05-08 v2
摘要
肌电图（EMG）信号在假肢手、辅助服及康复等诸多应用中被广泛使用。尽管近期进步显著提升了运动估计性能，但在跨主体泛化、电极位移及日常变化方面仍面临挑战。当发生电极位移时，迁移学习和对抗域适应均可通过减少分类性能差距将其降低至 -1\%（八类场景）。然而，这些方法都需要额外的数据用于重新训练（迁移学习）或训练（对抗域适应）。为此，我们研究了一种滑动窗口归一化（SWN）技术，用于实时预测场景。该方法将 z 得分归一化与滑动窗口方法结合，以减少电极位移导致的分类性能下降。我们使用来自目标轨迹跟踪任务中右臂的实验数据验证了 SWN 的有效性。对于来自 EMG 信号的三类运动分类（静息、肘部屈曲与伸展），我们的离线分析显示，SWN 将分类精度差异降低至 -1.0\%，相较于无归一化情况（-7.6\%）提升了 6.6\%。此外，SWN 结合多电极位置混合策略的分类精度比基线方法再提升 2.4\%。这些结果表明，SWN 可有效减轻电极位移导致的性能下降，从而提升 EMG 基于运动估计系统的实用性。
引用
@article{arxiv.2504.03196,
title = {Mitigating the Impact of Electrode Shift on Classification Performance in Electromyography-Based Motion Prediction Using Sliding-Window Normalization},
author = {Taichi Tanaka and Isao Nambu and Yasuhiro Wada},
journal= {arXiv preprint arXiv:2504.03196},
year = {2025}
}