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

要約

生体信号の取得はヘルスケア アプリケーションやウェアラブル デバイスの鍵であり、機械学習は表面筋電図 (sEMG) や脳波 (EEG) などの信号を処理するための有望な方法を提供します。
セッション内のパフォーマンスは高いにもかかわらず、セッション間のパフォーマンスは、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は、多くの場合、大規模で高価なデータセットを必要としたり、堅牢性や解釈可能性に欠けたりします。
したがって、私たちは空間適応層 (SAL) を提案します。これは、任意の生体信号配列モデルの前に追加でき、2 つの記録セッション間の入力でパラメーター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軽減するために、学習可能なベースライン正規化 (LBN) も導入します。
2 つの HD-sEMG ジェスチャ認識データセットでテストしたところ、SAL と LBN は通常のアレイでの標準的な微調整よりも優れたパフォーマンスを発揮し、ロジスティック回帰分析を使用した場合でも、桁違いに少ない物理的に解釈可能なパラメータ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、sEMG の生理学的期待に沿って、前腕の周囲方向の移動がパフォーマンス向上の大部分を占めることを示しています。

要約(オリジナル)

Biosignal acquisition is key for healthcare applications and wearable devices, with machine learning offering promising methods for processing signals like surface electromyography (sEMG) and electroencephalography (EEG). 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 prepended 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 outperform 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 shows that forearm circumferential translations account for the majority of performance improvements, in line with sEMG physiological expectations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google