Neuromotor Hierarchy Network：用于 sEMG 解码稳健泛化的生理学归纳偏置

arXiv:2610.07713v1 发布类型：new 摘要：表面肌电图（sEMG）为运动解码和人机交互提供了一种可穿戴、非侵入式的神经肌肉活动接口。面向大规模人群的解码仍然困难，因为 sEMG 与神经肌肉活动之间的关系会因用户和采集会话而变化，而与任务相关的动态涵盖多个通道和多个时间尺度。从任务标签中学习波形到输出的映射，会将记录变化性与协调运动活动之间的区别隐式化。我们提出 Neuromotor Hierarchy Network（NHN），通过任务监督学习紧凑的潜在神经运动状态，以表示与任务相关的神经肌肉协调。NHN 通过受神经运动组织启发的层级结构构建这一潜在状态。它在保留相对强度的同时适应记录统计特征。其时空编码器采用参数高效的通道交互，并利用多时间尺度历史信息调制特征。由此得到的特征生成已学习运动基元的候选激活，这些激活经过时间整合并进行连续加权，从而形成该状态。理论分析刻画了 NHN 核心机制的效率、时间行为和优化特性。我们在 emg2pose 上的连续手部姿态估计任务和 emg2qwerty 上的触摸打字识别任务中评估了该架构。在 emg2pose 上，相较于 Hadidi et al. 最优的任务特定变体，NHN 在 Regression 和 Tracking 的全部三种泛化划分中均将用户平均角度误差降低了 0.52% 至 2.84%，同时参数量减少了 48.42% 至 48.51%。在 emg2qwerty 上，相较于 SplashNet-Upscale，NHN 将束搜索字符错误率在零样本设置下降低了 19.40%，微调后降低了 30.42%，同时参数量减少了 65.86%。由生理学引导的潜在神经运动状态推断支持参数高效的 sEMG 解码。