Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications

要約

機械学習は、表面筋電図（SEMG）や脳波（EEG）などのウェアラブルデバイスで記録された信号を処理するための有望な方法を提供します。
ただし、これらのアプリケーションでは、セッション内パフォーマンスが高いにもかかわらず、セッション間パフォーマンスは、モダリティ全体で既知の問題である電極シフトによって妨げられます。
既存のソリューションでは、多くの場合、大規模で高価なデータセットや堅牢性と解釈が欠けています。
したがって、任意のバイオシグナルアレイモデルに適用できる空間適応層（SAL）を提案し、2つの録音セッション間の入力でパラメータ化されたアフィン変換を学習します。
また、ベースラインの変動を減らすために、学習可能なベースライン正規化（LBN）を導入します。
2つのHD-SEMGジェスチャー認識データセットでテストされたSALおよびLBNは、通常のアレイで標準の微調整を上回り、数桁少ない、物理的に解釈可能なパラメーターで競争力のあるパフォーマンスを達成しました。
私たちのアブレーション研究は、前腕の円周翻訳がパフォーマンスの改善の大部分を占めることを示しました。

要約(オリジナル)

Machine learning offers promising methods for processing signals recorded with wearable devices such as surface electromyography (sEMG) and electroencephalography (EEG). However, in these applications, despite high within-session performance, intersession performance is hindered by electrode shift, a known issue across modalities. Existing solutions often require large and expensive datasets and/or lack robustness and interpretability. Thus, we propose the Spatial Adaptation Layer (SAL), which can be applied to any biosignal array model and learns a parametrized affine transformation at the input between two recording sessions. We also introduce learnable baseline normalization (LBN) to reduce baseline fluctuations. Tested on two HD-sEMG gesture recognition datasets, SAL and LBN outperformed standard fine-tuning on regular arrays, achieving competitive performance even with a logistic regressor, with orders of magnitude less, physically interpretable parameters. Our ablation study showed that forearm circumferential translations account for the majority of performance improvements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google