表面肌电图（EMG）已被广泛用于测量肌肉的电活动。然而，由于不同用户间生物差异导致的EMG传感信号的变异性显着降低了EMG系统的性能和潜力。

最近，香港城市大学（CityU）的研究人员开发了一种基于深度学习的框架，称为EMGSense，它可以使用自学习技术实现对新用户的高感应性能。这为在神经康复和虚拟现实等领域开发更先进和准确的可穿戴式EMG设备开辟了新的道路。

这一最新发明在美国亚特兰大举行的第21届普适计算与通信国际会议（PerCom 2023）上获奖。它有助于克服现有方法中的瓶颈，支持广泛采用基于EMG的应用。

EMG使用皮肤表面电极测量肌肉的电活动。近年来，基于EMG的感应引起了相当大的关注，并创造了许多智能应用，如神经康复、活动识别、手势识别和虚拟现实。

但目前EMG系统的一个基本挑战是如何处理跨用户场景。EMG信号可能会受到各种生物因素（如体脂肪、皮肤状况、年龄和疲劳）的严重影响。因此，当EMG系统被不同用户使用时，时变的生物异质性会导致显著的性能降低。

为应对这一挑战，香港城市大学计算机科学系的研究人员最近提出了首个低成本、人工智能支持的域自适应框架——EMGSense，它采用了人工智能训练技术，为新用户提供高准确度的肌电信号（EMG）感知。EMGSense采用了一种自我监督系统和自我训练的人工智能策略。它能够应对因用户间生物差异导致的性能降低。

这一新框架将先进的自我监督技术与精心设计的深度神经网络（DNN）结构相结合。它利用新用户的小规模未标注数据和多个现有用户的预收集数据，训练一个区分模型以实现对新用户的智能应用。预收集的数据存储在云端，可为所有新用户提供服务，减轻数据收集和注释的负担。

EMGSense的DNN结构包括两个互补的训练阶段。首先，它消除了特征空间中用户特定的特征，以便实现轻松迁移；然后，它采用AI技术在该空间中重新学习新目标的用户特定的生物特征，以实现高性能的EMG感应。这使得EMGSense能够以低投入、自我监督的方式适应新用户，而不会浪费大量的部署开销。

此外，研究人员利用使用过程中收集的未标记数据实现了长期稳健的性能，可以处理EMG信号的时变性质。

经过对来自13位参与者的两个大规模数据集的综合评估，表明EMGSense在手势识别和活动识别方面的平均准确度分别达到了91.9%和81.2%。EMGSense还在EMG定向领域适应方法方面优于最先进的方法，其性能提高了12.5%-17.4%，并且与以监督学习方式训练的模型实现了相当的性能。

新颖的EMGSense框架有潜力通过减轻数据收集和注释的负担，在低努力下实现高准确度，从而革新EMG感测领域。它填补了EMG感测中异质性问题的研究空白，并能够实现各种新颖的基于EMG跨用户的应用，例如临床实践、神经康复和人机交互。它还在智能EMG可穿戴设备的普及和提高实际场景性能方面迈出了一小步。