相位引导的自监督潜在表示学习用于基于表面肌电信号的步态解码
《IEEE Transactions on Biomedical Engineering》:Phase-Guided Self-Supervised Latent Representation Learning for sEMG-Based Gait Decoding
【字体:
大
中
小
】
时间:2026年10月12日
来源:IEEE Transactions on Biomedical Engineering 4.4
编辑推荐:
表面肌电图(sEMG)提供了神经肌肉活动的无创测量方法,广泛应用于可穿戴和康复系统的步态解码中。现有的基于sEMG的方法依赖于端到端的有监督回归和密集的运动学标签,这限制了可扩展性、泛化能力和可解释性。本文提出了一种相位引导的潜变量表示学习框架,用于多通道sEMG信号。该框架
表面肌电图(sEMG)提供了神经肌肉活动的无创测量方法,广泛应用于可穿戴和康复系统的步态解码中。现有的基于sEMG的方法依赖于端到端的有监督回归和密集的运动学标签,这限制了可扩展性、泛化能力和可解释性。本文提出了一种相位引导的潜变量表示学习框架,用于多通道sEMG信号。该框架通过从稀疏的步态事件注释构建连续相位参考,减少了编码器训练过程中对连续关节角度监督的依赖。基于Transformer的相位估计器从sEMG学习圆形相位嵌入,该嵌入随后被冻结以在整个步态周期中条件化特征编码。解剖学信息的图约束了sEMG通道之间的空间相互作用,而重建和潜变量动态一致性目标促进了信息丰富和时间连贯的表示。所学习的表示通过事后膝盖角度解码进行评估,使用冻结的编码器和轻量级探针。我们的框架在小样本设置下实现了R2=0.93的事后膝盖角度解码性能,在公开数据集的水平地面行走子集上实现了R2=0.88的跨主体泛化能力。消融实验支持了相位条件、解剖图约束和潜变量动态一致性的贡献。相位依赖的通道分析揭示了与生物力学原理一致的激活模式,展示了机器人辅助康复的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号