MoEMba：一种基于 Mamba 的混合专家模型用于高密度肌电手势识别
信号处理
2026-02-25 v2 人工智能
机器学习
摘要
高密度表面肌电图（HDsEMG）已成为人机交互（HCI）的重要资源，为肌肉活动和运动意图提供了直接洞察。然而，基于HD-sEMG的模型在实际应用中面临的一个重大挑战是跨会话和跨被试分类准确率较低。由于HD-sEMG信号固有的时变特性，会话间的变异性可高达40%。针对这一挑战，本文提出了MoEMba框架，这是一种利用选择性状态空间模型（SSM）来增强基于HD-sEMG手势识别的新方法。MoEMba框架通过通道注意力技术捕捉时间依赖性和跨通道交互。此外，集成了小波特征调制以捕捉多尺度的时空关系，从而改善信号表示。在CapgMyo HD-sEMG数据集上的实验结果表明，MoEMba实现了56.9%的平衡准确率，优于其最先进的对比方法。所提框架对会话间变异性的鲁棒性及其对高维多元时间序列数据的高效处理能力，突显了其在推进基于HD-sEMG的人机交互系统方面的潜力。
引用
@article{arxiv.2502.17457,
title = {MoEMba: A Mamba-based Mixture of Experts for High-Density EMG-based Hand Gesture Recognition},
author = {Mehran Shabanpour and Kasra Rad and Sadaf Khademi and Arash Mohammadi},
journal= {arXiv preprint arXiv:2502.17457},
year = {2026}
}