EMGBlend: Pretraining Swasupervisi Sadar-Heterogenitas untuk Dekode Gestur dan Gaya

Hasil ini memposisikan EMGBlend sebagai pendekatan berprinsip untuk memanfaatkan dataset EMG heterogen. Wawasan kuncinya adalah bahwa penggabungan naif tidak cukup dan bahkan dapat merugikan karena semantik kanal yang tidak selaras, target spektral yang tidak dapat diamati, dan ketidakseimbangan sumber. Dengan merancang mekanisme secara eksplisit untuk menangani masalah ini, EMGBlend mencapai transfer yang lebih baik.

Mekanisme attention sadar-geometri memungkinkan model berbagi pengetahuan antar dataset dengan tata letak elektroda berbeda, secara efektif mempelajari ruang representasi terpadu. Target spektral sadar-pita mencegah model mengejar frekuensi yang tidak ada pada rekaman tertentu, yang merupakan jebakan umum saat mencampur dataset dengan laju sampling berbeda. Penyeimbangan sumber memastikan dataset yang lebih kecil tidak tenggelam oleh yang lebih besar, mendorong keragaman dalam fitur yang dipelajari.

Namun, studi ini juga menyoroti batasan. Estimasi gaya NinaPro lintas-orang tetap sulit, menunjukkan bahwa variabilitas antar-individu pada sinyal EMG merupakan hambatan signifikan. Pekerjaan selanjutnya dapat mengeksplorasi teknik personalisasi atau adaptasi domain untuk mengatasi hal ini. Selain itu, meskipun model memiliki 109M parameter, biaya komputasi untuk pretraining pada 11 sumber mungkin besar, meskipun penulis tidak memberikan analisis efisiensi terperinci dalam abstrak.

Implikasi yang lebih luas adalah bahwa seiring bertambahnya jumlah dataset EMG publik, kerangka seperti EMGBlend akan sangat penting untuk memanfaatkan kekuatan kolektifnya. Kode tersedia di https://github.com/tamanano/EMGBlend, memfasilitasi reproduksibilitas dan penelitian lebih lanjut. Pekerjaan ini sejalan dengan tren self-supervised learning untuk biosinyal, di mana heterogenitas adalah norma, bukan pengecualian.