4 мин. чтения
5/26/2023 8:00:00 AM

Фреймворк адаптации ИИ для повышения точности обнаружения устройств ЭМГ

Featured Image Зондирование на основе ЭМГ создало множество интеллектуальных приложений. Фото: Д-р Сюй Вэйтао / Городской университет Гонконга

Поверхностная электромиография (ЭМГ) широко используется для измерения электрической активности мышц. Однако изменчивость сигналов ЭМГ из-за биологических различий разных пользователей значительно ухудшает производительность и потенциал систем ЭМГ.

Недавно исследователи из Городского университета Гонконга (CityU) разработали фреймворк на основе глубокого обучения под названием EMGSense, который может обеспечить высокую производительность зондирования для новых пользователей, используя методы самообучения ИИ. Это открывает новый путь для разработки более совершенных и точных носимых устройств ЭМГ в таких областях, как нейрореабилитация и виртуальная реальность.

Это последнее изобретение получило награду на 21-й Международной конференции по всепроникающим вычислениям и коммуникациям (PerCom 2023), состоявшейся в Атланте, США. Это помогает преодолеть узкие места в существующих подходах и поддерживает широкое внедрение приложений на основе ЭМГ.

ЭМГ измеряет электрическую активность мышц с помощью поверхностных электродов на коже. Зондирование на основе ЭМГ привлекло значительное внимание в последние годы и создало множество интеллектуальных приложений, таких как нейрореабилитация, распознавание активности, распознавание жестов и виртуальная реальность.

Но фундаментальная проблема в существующих системах EMG заключается в том, как справляться с межпользовательскими сценариями. На сигналы ЭМГ могут серьезно влиять различные биологические факторы, такие как жировые отложения, кожные заболевания, возраст и усталость. Таким образом, значительное снижение производительности будет вызвано изменяющейся во времени биологической гетерогенностью, когда система ЭМГ используется разными пользователями.

Чтобы решить эту проблему, исследователи из Департамента компьютерных наук в CityU недавно предложили первую инфраструктуру адаптации предметной области с низкими усилиями под названием EMGSense, которая обеспечивает высокоточное зондирование ЭМГ для новых пользователей с использованием методов обучения ИИ. EMGSense — это самоуправляемая система со стратегией самообучающегося ИИ. Он может справиться со снижением производительности, вызванным биологической гетерогенностью между пользователями.

Новая структура объединяет передовые методы самоконтроля в тщательно разработанную структуру глубокой нейронной сети (DNN). Он использует мелкомасштабные немаркированные данные от нового пользователя и предварительно собранные данные от нескольких существующих пользователей для обучения дискриминационной модели для реализации интеллектуальных приложений для новых пользователей. Предварительно собранные данные хранятся в облаке и могут обслуживать всех новых пользователей, снижая нагрузку на сбор данных и аннотацию.

Image 1 Ключевым принципом метода является общий экстрактор общих признаков, целью которого является обеспечение переносимости признаков. Комбинация экстракторов и классификаторов объектов, специфичных для предметной области, отвечает за независимое изучение разнообразия глубоких признаков из разных исходных доменов. Предоставлено: Ди, Д. и др., https://ieeexplore.ieee.org/document/10099164/authors 🔗

Структура DNN EMGSense включает в себя два этапа обучения, которые дополняют друг друга. Сначала он устраняет специфические для пользователя функции в пространстве признаков для облегчения передачи, а затем использует методы искусственного интеллекта для повторного изучения биологических особенностей новой цели в этом пространстве для высокопроизводительного зондирования ЭМГ. Это позволяет EMGSense адаптироваться к новым пользователям с удовлетворительной производительностью с минимальными усилиями и самоконтролем, не тратя при этом значительные накладные расходы на развертывание.

Кроме того, исследователи использовали немаркированные данные, собранные во время использования, для достижения долгосрочной надежной производительности, которая может обрабатывать изменяющуюся во времени природу сигналов ЭМГ.

Всесторонняя оценка двух значительных наборов данных, собранных от 13 участников, показала, что EMGSense достигла средней точности 91,9% и 81,2% в распознавании жестов и распознавании активности соответственно. EMGSense также превзошел современные подходы к адаптации предметной области, ориентированные на EMG, на 12,5–17,4% и достиг сопоставимых результатов с обучением, обученным в режиме контролируемого обучения.

Новая структура EMGSense может произвести революцию в области зондирования ЭМГ, уменьшив нагрузку на сбор и аннотацию данных при одновременном достижении высокой точности при минимальных усилиях. Он заполняет пробел в исследованиях проблем гетерогенности в зондировании ЭМГ и позволяет использовать множество новых межпользовательских приложений на основе ЭМГ, таких как клиническая практика, нейрореабилитация и взаимодействие человека с машиной. Это также делает скромный шаг к повсеместному распространению интеллектуальных носимых устройств ЭМГ с более высокой производительностью в реальных сценариях.

**Оригинал статьи:**Ди Дуан и др., EMGSense: самоконтролируемая адаптационная структура с минимальными усилиями для зондирования ЭМГ, Международная конференция IEEE по повсеместным вычислениям и коммуникациям (PerCom) 2023 г. (2023 г.) DOI: 10.1109/PERCOM56429.2023.10099164 🔗

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

AI генерирует видео из активности мозга

5/26/2023 · 4 мин. чтения

AI генерирует видео из активности мозга

Интерактивная 3D-манипуляция 2D-изображениями с помощью AI

5/26/2023 · 4 мин. чтения

Интерактивная 3D-манипуляция 2D-изображениями с помощью AI