通过双分支对抗特征解耦实现跨受试者肌电模式识别
计算机视觉与模式识别
2026-01-28 v2 人机交互
摘要
跨受试者肌电（EMG）模式识别面临由于肌肉解剖结构、电极放置和信号特征在个体间差异所带来的重大挑战。传统方法依赖受试者特定的校准数据来适配新用户，这种方法既耗时又不适用于大规模实际部署。本文提出了一种通过特征解耦消除校准需求的方法，实现了有效的跨受试者泛化。我们提出了一种端到端的双分支对抗神经网络，通过将肌电特征解耦为模式特定分量和受试者特定分量，同时执行模式识别和个体识别。模式特定分量有助于在不进行模型校准的情况下对新用户进行鲁棒的模式识别，而受试者特定分量则支持下游应用，如与任务无关的生物特征识别。实验结果表明，所提出的模型在未见用户的数据上表现出鲁棒的性能，在跨受试者场景中优于各种基线方法。总体而言，本研究为无需模型校准的跨受试者肌电模式识别提供了新视角，并展示了所提出模型在更广泛应用中的潜力，例如与任务无关的生物特征系统。
引用
@article{arxiv.2506.08555,
title = {Towards Cross-Subject EMG Pattern Recognition via Dual-Branch Adversarial Feature Disentanglement},
author = {Xinyue Niu and Akira Furui},
journal= {arXiv preprint arXiv:2506.08555},
year = {2026}
}
备注
6 pages, 3 figures. This work has been accepted for presentation at the IEEE Engineering in Medicine and Biology Conference (EMBC) 2025. New version corrects numerical errors in Table 1. Conclusions are unaffected