基于高效能时域变换深度学习网络的肌电信号手部运动学连续估计
背景介绍
表面肌电（sEMG）信号蕴含丰富的运动信息，是实现人机交互（HMI）和智能假肢控制的重要生物源。手部运动连续估计（如手指关节角度）相比离散动作分类能更自然、灵活地反映运动意图，但现有深度学习方法普遍优先追求精度而忽视模型效率，导致在可穿戴设备上面临功耗高、散热难、推理延迟大等部署瓶颈。卷积系列模型（TCN）推理快但精度不足，RNN系列（LSTM）精度较好但无法并行训练，推理耗时长；Transformer系列虽精度优异，但参数量大、计算复杂，难以在低功耗嵌入式平台实时运行。因此，如何在保持高估计精度的同时显著提升模型能效，成为推动肌电控制实用化的关键课题。本文聚焦于此，提出基于高效多头自注意力（EMSA）和自适应剪枝前馈网络（FNN）的轻量化Transformer架构，旨在兼顾精度与效率，为可穿戴实时应用提供新方案。
论文摘要
本文提出一种面向sEMG手指关节角度连续估计的高效Transformer网络，包括sTransformer-EMSA（采用EMSA与下采样）和sTransformer-EMFN（融合EMSA与剪枝FNN），并首次将Soft-dtw时序损失函数引入训练以提升拟合质量。在Ninapro DB2数据集（38名受试者，8种抓握动作，10个手指关节）上，模型在z-zero归一化下取得CC=0.8234、RMSE=10.66、NRMSE=0.1145（EMSA*），剪枝版EMFN亦达CC=0.8177，精度与SOTA方法相当。效率方面，模型参数量仅2.95MB（EMFN），在Raspberry Pi 4B上推理时间仅65.99ms，功耗2.80W，能效指标AME=23.57，显著优于所有对比Transformer和RNN模型。在线实验（192通道HD-sEMG）验证了其实时性（Pi推理105ms）和鲁棒性。研究表明，所提方法在保持高精度的同时大幅提升能效，为可穿戴肌电控制提供了实用化路径。
研究方法
数据源自Ninapro DB2，采用OT Quattrocento同步记录10个手指关节角度。选取8种抓握动作（图1(a)）
每动作6次重复，4次训练2次测试。特征提取采用RMS（窗长100ms，步长0.5ms），并对比μ-law（μ=2²⁰）与z-zero两种归一化。模型架构（图2）
包含位置编码、编码器-解码器、EMSA模块（图3(b)）
和剪枝FNN（图3(c)）。
EMSA对K、V进行卷积下采样以降低计算复杂度；剪枝FNN通过可学习伯努利门控动态剪枝隐藏神经元（式14-15），减少参数量。平滑层（滑动平均）抑制预测波动。损失函数采用Soft-dtw（式17-18），替代传统MSE以增强时序对齐鲁棒性。训练使用PyTorch、Adam优化器（lr=0.0001，batch=32），并部署至Intel i5、Apple M1、Raspberry Pi 4B实测推理时间与功耗。
实验结果
精度上（表II，z-zero）
sTransformer-EMSA*取得最优CC=0.8234，优于TCN（0.7713）、LSTM（0.7437）、sBERT（0.7916），但略逊于LE-ConvMN（0.8557）。剪枝版EMFN精度（0.8177）接近未剪枝，说明剪枝对精度损失小。训练速度方面，Transformer系列每轮约5s，远快于LE系列（>27s）。部署效率（表III）
显示，在Raspberry Pi上，sTransformer-EMFN推理仅65.99ms，优于sBERT（336.99ms）和LSTM（137.96ms），且参数量仅2.95MB，功耗2.80W，AME达23.57（表IV）
为Transformer中最优。图4
展示了典型受试者的角度拟合曲线，可见预测与真实值高度吻合。在线实验（图5，192通道HD-sEMG）
中，模型CC=0.8028，Pi推理105ms，功耗2.30W，满足实时要求。统计检验表明，所提模型在精度上显著优于除LE-ConvMN外的所有对比模型（p<0.05），效率指标全面领先。
总结与展望
本文针对sEMG手指连续估计，提出基于EMSA和剪枝FNN的轻量Transformer，在Ninapro DB2及在线实验中验证了其精度与效率的优异平衡。模型在保持与SOTA相当精度的同时，参数量压缩至2.95MB，推理速度提升5倍以上，功耗显著降低，充分证明了其在可穿戴设备上的实用潜力。未来工作将聚焦于跨受试者迁移学习（当前仅为单受试者）以增强泛化性；探索模型量化（浮点转整型）以进一步压缩模型并加速推理；改进注意力机制并引入边缘计算部署，使模型在更低功耗下达到更高实时性。此外，多模态融合（如结合惯性传感器）有望提升复杂动作估计的鲁棒性。本研究为高能效肌电解码提供了新思路，推动了智能假肢与HMI系统迈向实际应用。
产品介绍
联系我们
表面肌电（sEMG）信号蕴含丰富的运动信息，是实现人机交互（HMI）和智能假肢控制的重要生物源。手部运动连续估计（如手指关节角度）相比离散动作分类能更自然、灵活地反映运动意图，但现有深度学习方法普遍优先追求精度而忽视模型效率，导致在可穿戴设备上面临功耗高、散热难、推理延迟大等部署瓶颈。卷积系列模型（TCN）推理快但精度不足，RNN系列（LSTM）精度较好但无法并行训练，推理耗时长；Transformer系列虽精度优异，但参数量大、计算复杂，难以在低功耗嵌入式平台实时运行。因此，如何在保持高估计精度的同时显著提升模型能效，成为推动肌电控制实用化的关键课题。本文聚焦于此，提出基于高效多头自注意力（EMSA）和自适应剪枝前馈网络（FNN）的轻量化Transformer架构，旨在兼顾精度与效率，为可穿戴实时应用提供新方案。
论文摘要
本文提出一种面向sEMG手指关节角度连续估计的高效Transformer网络，包括sTransformer-EMSA（采用EMSA与下采样）和sTransformer-EMFN（融合EMSA与剪枝FNN），并首次将Soft-dtw时序损失函数引入训练以提升拟合质量。在Ninapro DB2数据集（38名受试者，8种抓握动作，10个手指关节）上，模型在z-zero归一化下取得CC=0.8234、RMSE=10.66、NRMSE=0.1145（EMSA*），剪枝版EMFN亦达CC=0.8177，精度与SOTA方法相当。效率方面，模型参数量仅2.95MB（EMFN），在Raspberry Pi 4B上推理时间仅65.99ms，功耗2.80W，能效指标AME=23.57，显著优于所有对比Transformer和RNN模型。在线实验（192通道HD-sEMG）验证了其实时性（Pi推理105ms）和鲁棒性。研究表明，所提方法在保持高精度的同时大幅提升能效，为可穿戴肌电控制提供了实用化路径。
研究方法
数据源自Ninapro DB2，采用OT Quattrocento同步记录10个手指关节角度。选取8种抓握动作（图1(a)）
每动作6次重复，4次训练2次测试。特征提取采用RMS（窗长100ms，步长0.5ms），并对比μ-law（μ=2²⁰）与z-zero两种归一化。模型架构（图2）
包含位置编码、编码器-解码器、EMSA模块（图3(b)）
和剪枝FNN（图3(c)）。
EMSA对K、V进行卷积下采样以降低计算复杂度；剪枝FNN通过可学习伯努利门控动态剪枝隐藏神经元（式14-15），减少参数量。平滑层（滑动平均）抑制预测波动。损失函数采用Soft-dtw（式17-18），替代传统MSE以增强时序对齐鲁棒性。训练使用PyTorch、Adam优化器（lr=0.0001，batch=32），并部署至Intel i5、Apple M1、Raspberry Pi 4B实测推理时间与功耗。
实验结果
精度上（表II，z-zero）
sTransformer-EMSA*取得最优CC=0.8234，优于TCN（0.7713）、LSTM（0.7437）、sBERT（0.7916），但略逊于LE-ConvMN（0.8557）。剪枝版EMFN精度（0.8177）接近未剪枝，说明剪枝对精度损失小。训练速度方面，Transformer系列每轮约5s，远快于LE系列（>27s）。部署效率（表III）
显示，在Raspberry Pi上，sTransformer-EMFN推理仅65.99ms，优于sBERT（336.99ms）和LSTM（137.96ms），且参数量仅2.95MB，功耗2.80W，AME达23.57（表IV）
为Transformer中最优。图4
展示了典型受试者的角度拟合曲线，可见预测与真实值高度吻合。在线实验（图5，192通道HD-sEMG）
中，模型CC=0.8028，Pi推理105ms，功耗2.30W，满足实时要求。统计检验表明，所提模型在精度上显著优于除LE-ConvMN外的所有对比模型（p<0.05），效率指标全面领先。
总结与展望
本文针对sEMG手指连续估计，提出基于EMSA和剪枝FNN的轻量Transformer，在Ninapro DB2及在线实验中验证了其精度与效率的优异平衡。模型在保持与SOTA相当精度的同时，参数量压缩至2.95MB，推理速度提升5倍以上，功耗显著降低，充分证明了其在可穿戴设备上的实用潜力。未来工作将聚焦于跨受试者迁移学习（当前仅为单受试者）以增强泛化性；探索模型量化（浮点转整型）以进一步压缩模型并加速推理；改进注意力机制并引入边缘计算部署，使模型在更低功耗下达到更高实时性。此外，多模态融合（如结合惯性传感器）有望提升复杂动作估计的鲁棒性。本研究为高能效肌电解码提供了新思路，推动了智能假肢与HMI系统迈向实际应用。
产品介绍
联系我们
电话: 15920901903
官网：https//www.ruihongan.cn
