Sep, 2024

空间适应层：可解释的生物信号传感器阵列领域适应

HTML
PDF
TL;DR本研究针对生物信号获取在不同录制会话中的表现不一致问题，提出了一种新方法——空间适应层（SAL），旨在增强模型的鲁棒性和可解释性。通过在生物信号阵列模型前添加SAL和可学习基线归一化（LBN），我们的实验显示，即便使用逻辑回归器，其性能也超越了传统的微调方法，具有数量级更少的可解释参数，潜在地推动了可穿戴设备中生物信号处理的应用。
发现论文，激发创造
  • 基于表面肌电信号、轻量级全卷积网络和迁移学习的跨会话/跨受试者手势识别

    提出了一种基于All-ConvNet+TL模型和轻量级卷积层的手势识别方法，旨在提高跨会话和跨被试的手势识别性能。实验结果表明，该方法在四个数据集上的表现均显著优于现有复杂方法，并在目标域上表现相当甚至更好，这表明现有的最先进模型可能对sEMG基于跨会话和跨被试手势识别任务存在过度参数化现象。

    May, 2023

  • 增强基于肌电信号的手势识别表达能力的多标签分类方法

    通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。

    Sep, 2023

  • 手势识别中的瞬态高密度肌电图的深度学习序列解码器与主体嵌入式迁移学习

    使用HD-sEMG和深度学习来实现手势识别，通过主观内嵌结构和预知预培训的方法，在数据有限的情况下，相对于特定用户方法，取得了超过13%的平均准确率，为新用户减少了大量数据需求，提高了实用性。

    Sep, 2023

  • 基于黎曼流形的手势解码表面肌电信号拓扑学

    通过分析上肢的非侵入性表面肌电图（sEMG）信号，我们展示了一种简单的技术，可以识别不同手势并且解决了信号变异性的问题，并且通过在Riemann流形上使用协方差矩阵分析空间模式，成功地模拟了分布在各个肌肉之间的复杂相互作用和评估sEMG信号之间的差异。

    Nov, 2023

  • 利用HD-EMG电极子集解决手势识别中的电极偏移问题

    通过使用多通道肌电信号识别算法，该研究提出通过训练不同通道子集的集合，并利用来自不同电极位置的数据来增加鲁棒性，同时解决电极变动和降低输入维度的问题，从而显著提高了跨受试者和分类算法的会话间性能。

    Jan, 2024

  • 手势识别中噪声鲁棒性策略再探：基于表面肌电信号分析的短期增强

    基于表面肌电图的手势识别, 通过短期增强模块(STEM)和可学习的降噪机制, 实现了对噪音的减少和对各种手势识别任务的泛化。

    Apr, 2024

  • 评估神经网络在脑机接口中的快速适应能力

    这篇论文提出了一种简单的评估快速适应性的策略，并就电子脑图谱、脑机接口、模型不可知元学习、卷积神经网络和适应性等方面进行了实证研究。

    Apr, 2024

  • SpGesture：基于Jaccard注意力脉冲神经网络的无源域自适应sEMG手势识别

    通过膜电位作为记忆列表，我们首次将无源领域适应引入脉冲神经网络，以缓解由分布变化引起的准确性降低，并通过新型的脉冲波Jaccard注意力提高了脉冲神经网络对表面肌电图特征的表示能力，从而显著提高了系统的准确性。在收集的新的表面肌电图手势数据集中，SpGesture在不同的前臂姿势中实现了最高的准确率（89.26%），并且在CPU上的实际部署展示了低于100毫秒的系统延迟，完全满足实时要求，这些令人印象深刻的性能展示了SpGesture在实际场景中增强表面肌电图的应用潜力。

    May, 2024

  • ADAPT: 探测缺失模态下的生理变化的多模态学习

    为了解决多模态数据中的贡献平衡和缺失模态问题，在本文中，我们介绍了一种名为ADAPT的多模态框架，它包括两个关键组件：在最强、最丰富的模态空间中对齐所有模态以学习联合嵌入空间，并利用遮蔽多模态Transformer处理跨模态和内部模态的相关性，从而检测特定触发引起的个体应激和战斗机飞行员由g力引起的失去意识的生理变化，实验证明了ADAPT的广泛适用性和在各种模态场景下的鲁棒性，具有高度的实际应用潜力。

    Jul, 2024

  • 多模态生物信号的鲁棒手势分类的随机通道剥离

    通过使用随机通道消除方法来提高多模态和多通道生物信号手势分类器的鲁棒性。

    Jul, 2024