跳到正文
原文
arXiv · Signal Processing· Matteo Fasulo, Giusy Spacone, Thorir Mar Ingolfsson 等 6 人
· 2 天前AI 评分53

TinyMyo:用于边缘端灵活肌电信号处理的微型基础模型

TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge

预印本 · 尚未经过同行评审

AI 导读

表面肌电在假肢控制和人机接口中应用广泛,但跨被试、跨采集系统的泛化以及低功耗部署仍有困难。作者用自监督掩码重建在公开肌电数据上预训练了一个 360 万参数的 Transformer 编码器,在手势分类、手部运动学回归、语音产生和语音识别上评测,其中手势分类在 NinaPro DB5、UCI-EMG 和 EPN-612 上分别达到 87.98%、97.1% 和 96.6% 的准确率。模型在 GAP9 超低功耗微控制器上单次推理耗时 0.785 秒、耗能 44.91 毫焦,该预印本尚未经同行评审。

摘要 · AI 翻译

目的:表面肌电(EMG)广泛应用于生物力学、康复、假肢控制和人机接口。跨受试者、记录系统和采集协议的泛化仍然具有挑战性。现有的 EMG 基础模型(FM)对多种下游任务的支持有限,且难以部署在低功耗设备上。方法:我们提出 TinyMyo,一个具有 360 万参数的 Transformer 编码器,使用自监督掩码重建在公开 EMG 数据集上预训练。TinyMyo 仅需对任务特定的预测头做最小改动即可支持多种任务。结果:我们在手势分类、手部运动学回归、语音产生和语音识别上评估了 TinyMyo。在手势分类上,TinyMyo 优于此前报道的 EMG 基础模型,在 NinaPro DB5 上达到 87.98% 的准确率,在 UCI-EMG 上达到 97.1%,在 EPN-612 上达到 96.6%。在 GAP9 超低功耗微控制器上,TinyMyo 的推理时间为 0.785 s,平均功耗 57.18 mW 时每次推理消耗 44.91 mJ。一个 190 万参数的变体分别以 0.496 s 和 0.089 s 处理 5 s 和 1 s 的输入窗口。结论:TinyMyo 表明,一个紧凑的自监督 EMG 编码器可以支持多种下游任务,并能在低功耗微控制器上运行。意义:据我们所知,这是 EMG 基础模型在超低功耗微控制器上的首次部署,为设备端运动意图解码、神经肌肉评估和人机交互开辟了道路。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Signal Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。