用于IMU到EMG估计的GEGLU-Transformer及少样本自适应

📝 论文摘要

可靠的神经肌肉激活估计是实现可穿戴机器人自适应与个性化控制的关键推动因素。然而，由于电极敏感性、信号非平稳性及强烈的个体依赖性，表面肌电信号（EMG）在实验室环境外仍难以稳健部署。本研究提出一种自适应IMU-EMG学习框架，能够从可穿戴惯性测量数据中重建异构运动条件下的连续肌肉激活包络。该方法将Transformer编码器与高斯误差门控线性单元（GEGLU-Transformer）相结合，以增强跨被试泛化能力并实现快速的个体化适配。在多条件下的下肢生物力学数据集上采用严格的留一被试（LOSO）验证协议，所提架构在无个体适配情况下达到r=0.706±0.139、R²=0.474±0.208。仅使用0.5%的适配数据后，性能提升至r=0.761±0.030、R²=0.559±0.047，展现出快速适配与早期性能饱和特性。这些结果支持基于注意力机制的架构结合轻量化适配，可作为实际可穿戴机器人应用中直接EMG传感的可行且可扩展的替代方案。

🎯 研究动机

- 可穿戴机器人需要可靠估计**神经肌肉激活(neuromuscular activation) ** 以实现自适应个性化控制 - ** 表面肌电信号(surface EMG) ** 在实验室外难以鲁棒部署，原因包括电极敏感性、信号非平稳性和强个体依赖性 - 现有方法缺乏从** 惯性测量单元(IMU)** 到EMG的跨主体泛化能力，且个性化适配成本高

🔧 核心方法

- 提出一种**自适应IMU-to-EMG学习框架(adaptive IMU-to-EMG learning framework) ** ，从可穿戴惯性测量中重建连续肌肉激活包络 - 结合** Transformer编码器**与** 高斯误差门控线性单元(GEGLU-Transformer) ** ，实现跨主体泛化 - 采用** 留一法(leave-one-subject-out, LOSO) ** 协议评估，并在多条件下肢生物力学数据集上验证 - 使用** 少样本适应(few-shot adaptation)** ，仅0.5%的个体数据即可快速个性化

💡 核心创新

- **首创性** ：首次将**GEGLU激活函数** 与**Transformer** 结合用于IMU到EMG的估计任务 - **快速个性化** ：仅使用0.5%的适应数据即可显著提升性能（r从0.706提升至0.761，R²从0.474提升至0.559） - **早饱和特性** ：少量数据适配即可达到性能饱和，证明轻量级适应的高效性 - **跨条件泛化** ：在异构运动条件下仍保持良好表现，克服了EMG的个体依赖性和信号非平稳性

🏆 总体贡献

- 为可穿戴机器人提供了一种**实用且可扩展** 的替代直接EMG传感的方案，利用IMU信号重建肌肉激活 - 在严格LOSO协议下达到**竞争性性能** （r=0.706±0.139，R²=0.474±0.208），经少样本适应后进一步提升 - 证明了**注意力机制(attention-based) ** 与** 轻量级适应**结合的有效性，为实际应用中的鲁棒神经肌肉估计奠定了基础

用于IMU到EMG估计的GEGLU-Transformer及少样本自适应
GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation

📊 核心分析

用于IMU到EMG估计的GEGLU-Transformer及少样本自适应 GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation

📊 核心分析

用于IMU到EMG估计的GEGLU-Transformer及少样本自适应
GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation