LiteEMG-FM：一种高效且可部署的鲁棒 EMG 传感基础模型

arXiv:2610.02497v1 公告类型：新 摘要：肌电图（EMG）信号在不同个体、身体部位、记录会话和传感硬件之间存在显著差异，限制了模型在辅助设备和人机交互中的泛化能力。现有的时间序列基础模型计算开销较大，难以实现实时可穿戴部署，并且通常无法捕捉 EMG 特有的时频特征。我们提出 LiteEMG-FM，一种面向实际 EMG 传感的高效混合 CNN-Transformer 基础模型。LiteEMG-FM 在 16 个多样化的上下肢 EMG 数据集上进行预训练，学习能够跨用户和数据集泛化的表征。针对资源受限的部署场景，我们设计了一种分层唤醒架构：由轻量级、始终运行的 1D-CNN 过滤静息状态和非目标活动，仅在检测到有效手势时激活 LiteEMG-FM。我们评估了完全推理卸载、分割式推理和完全设备端处理，分析它们在延迟、功耗和内存占用方面的权衡。在多种评估设置下，LiteEMG-FM 的表现优于当前最先进的时间序列基础模型和监督学习基线，尤其是在零校准跨参与者和数据稀缺条件下。这些结果表明，LiteEMG-FM 是一种适用于 EMG 应用的有效、高效且可部署的基础模型。