基于 VICReg 的自监督学习 enables 使用不明确标签的连续数据训练 EMG 模式识别
信号处理
2024-09-24 v2
摘要
本研究探讨了利用预训练的长短期记忆网络（LSTM）进行自监督学习，以用于训练基于表面电肌电图（sEMG）模式识别模型（sEMG-PR）的方法，这些模型使用具有动态转换的数据进行训练。由于在类之间转换期间缺乏 ground-truth 标签，对此类数据进行标记具有挑战性，自监督预训练提供了一种规避此问题的方法。我们将 LSTM 使用全监督或自监督损失训练的性能与传统非时序模型（LDA）进行比较，针对两种数据类型：分段坡度数据（缺乏转换信息）和包含类别转换的连续动态数据。统计分析表明，在使用连续动态数据时，时序模型在非时序模型方面表现更好。此外，使用连续动态数据的 VICReg 预训练时序模型显著优于所有其他模型。有趣的是，当仅使用坡度数据时，LSTM 的表现不如 LDA，这表明由于缺乏足够的动态信息，可能出现过拟合。这一发现突显了数据类型与模型选择之间的相互作用。总体而言，本工作突显了训练数据中代表性动态的重要性，以及利用自监督方法来增强 sEMG-PR 模型的潜力。
引用
@article{arxiv.2409.11632,
title = {Self-Supervised Learning via VICReg Enables Training of EMG Pattern Recognition Using Continuous Data with Unclear Labels},
author = {Shriram Tallam Puranam Raghu and Dawn T. MacIsaac and Erik J. Scheme},
journal= {arXiv preprint arXiv:2409.11632},
year = {2024}
}
备注
submitted to Computers in Biology and Medicine