VAE-Based Synthetic EMG Generation with Mix-Consistency Loss for Recognizing Unseen Motion Combinations
Itsuki Yazawa, Akira Furui
基于电肌图(EMG)的运动分类使用机器学习已广泛应用于假体控制等应用中。 虽然之前的研究已经探索了生成组合运动的合成模式,以减少训练数据要求,但这些方法假设组合运动可以表示为基本运动的线性组合。 然而,由于肌肉共收缩等复杂的神经肌肉现象,这种假设经常失败,导致低保真合成信号和降解分类性能。 为了解决这一限制,我们提出了一种新的方法,该方法学习在结构化的潜在空间中合成组合运动模式。 具体来说,我们使用变向自动编码器(VAE)将EMG信号编码为低维表示,并引入混合一致性损失,该损耗构建潜在空间,以便组合运动嵌入其组成基本运动之间。 然后在这个结构化的潜在空间内生成合成模式,并用于训练分类器以识别看不见的组合运动。 我们通过8名健康参与者的上肢运动分类实验验证了我们的方法。 结果表明,我们的方法优于输入空间合成方法,在精度方面提高了约30%。
Electromyogram (EMG)-based motion classification using machine learning has been widely employed in applications such as prosthesis control. While previous studies have explored generating synthetic patterns of combined motions to reduce training data requirements, these methods assume that combined motions can be represented as linear combinations of basic motions. However, this assumption often fails due to complex neuromuscular phenomena such as muscle co-contraction, resulting in low-fidelit...
