空间自适应层：面向生物信号传感器阵列应用的可解释域适应
机器学习
2025-01-30 v2 信号处理
摘要
机器学习为处理可穿戴设备记录的信号（如表面肌电图（sEMG）和脑电图（EEG））提供了有前景的方法。然而，在这些应用中，尽管会话内性能很高，但跨会话性能却受到电极移位的影响，这是跨模态的已知问题。现有解决方案通常需要庞大且昂贵的数据集，且/或缺乏鲁棒性和可解释性。因此，我们提出了空间自适应层（SAL），它可以应用于任何生物信号阵列模型，并在两次记录会话之间的输入端学习参数化的仿射变换。我们还引入了可学习基线归一化（LBN）以减少基线波动。在两个 HD-sEMG 手势识别数据集上进行测试时，SAL 和 LBN 在常规阵列上的表现优于标准微调，即使使用逻辑回归器也能达到有竞争力的性能，且参数量减少了数个数量级，并具有物理可解释性。我们的消融研究表明，前臂周向平移贡献了大部分的性能提升。
引用
@article{arxiv.2409.08058,
title = {Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications},
author = {Joao Pereira and Michael Alummoottil and Dimitrios Halatsis and Dario Farina},
journal= {arXiv preprint arXiv:2409.08058},
year = {2025}
}
备注
IJCNN(submitted), 6 pages