表面肌电图(EMG)已广泛用于测量肌肉的电活动。然而，由于不同用户的生物差异导致的肌电传感信号的可显着降低了肌电系统的性能和潜力。

(资料图片仅供参考)

最近，城市大学(CityU)的研究人员开发了一种名为EMGSense的基于深度学习的框架，该框架可以使用AI自我训练技术为新用户实现高感知性能。这为在神经康复和虚拟现实等领域开发更先进、更准确的可穿戴EMG设备开辟了一条新途径。

这项最新发明在美国亚特兰大举行的第21届普适计算与通信国际会议(PerCom2023)上获奖。它有助于克服现有方法的瓶颈，并支持广泛采用基于EMG的应用程序。

EMG使用皮肤上的表面电极测量肌肉的电活动。近年来，基于肌电图的传感引起了相当大的关注，并创造了许多智能应用，如神经康复、活动识别、手势识别和虚拟现实。

但现有EMG系统的一个根本挑战是如何解决跨用户场景。EMG信号会受到各种生物因素的严重影响，例如身体脂肪、皮肤状况、年龄和疲劳。当EMG系统被不同的用户使用时，随时间变化的生物异质性将导致显着的性能下降。

为应对这一挑战，城大计算机科学系的研究人员最近提出了第一个省力、人工智能赋能的领域适应框架，称为EMGSense，它为使用人工智能训练技术的新用户提供高精度肌电感应。EMGSense是一个具有自我训练AI策略的自我监督系统。它可以应对用户间生物异质性引起的性能下降。

新框架将先进的自我监督技术集成到精心设计的深度神经网络(DNN)结构中。它使用来自新用户的小规模未标记数据和来自多个现有用户的预收集数据来训练判别模型，以实现对新用户的智能应用。预先收集的数据存储在云端，可以服务于所有新用户，减轻数据收集和标注的负担。

EMGSense的DNN结构包括两个训练阶段，它们相互补充。它首先消除了特征空间中用户特定的特征以便于迁移，然后利用人工智能技术在该空间中重新学习新目标的用户特定生物特征，以实现高性能的EMG传感。这使EMGSense能够以省力、自我监督的方式以令人满意的性能适应新用户，而不会浪费大量部署开销。

此外，研究人员利用在使用过程中收集的未标记数据来实现能够处理EMG信号随时间变化的特性的长期稳健性能。

对从13名参与者收集的两个大型数据集的综合评估表明，EMGSense在手势识别和活动识别方面的平均准确率分别达到91.9%和81.2%。EMGSense的性能也比最先进的面向EMG的域适应方法高出12.5%–17.4%，并且与以监督学习方式训练的方法取得了相当的性能。

新颖的EMGSense框架有可能通过减少数据收集和注释的负担来彻底改变EMG传感领域，同时以低工作量的方式实现高精度。它填补了EMG传感异质性问题的研究空白，并实现了各种基于EMG的新型跨用户应用，例如临床实践、神经康复和人机交互。它还朝着在现实场景中具有更高性能的智能EMG可穿戴设备的普及迈出了谦逊的一步。