sEMG 基础模型能改善跨被试泛化吗？

sEMG 基础模型旨在学习跨不同受试者和记录条件的通用表征，以提升多种下游任务的性能。然而，现有评估难以辨别仅靠预训练是否足以对抗跨受试者过拟合——正是这种过拟合使 sEMG 上的机器学习如此具有挑战性。我们在三个手势分类数据集上，于会话内和跨受试者两种划分下，采用三种旨在分离预训练贡献的微调策略，对三个 sEMG 基础模型进行了系统评估。我们发现，当训练和测试样本来自同一记录会话时，预训练能提升性能，但在跨受试者评估下这一收益基本消失。在受试者数量较少的数据集中，预训练带来的收益微乎其微甚至没有，经典机器学习基线可达到或超过基础模型的性能。

中文由 AI 翻译，仅供参考，以原文为准。