Покращення класифікації ЕМГ-сигналів за допомогою трансферного навчання в умовах обмежених даних та варіативності між користувачами
DOI:
https://doi.org/10.64915/RADAP.2025.102.61-68Ключові слова:
поверхнева електроміографія (ЕМГ), розпізнавання рухів, трансферне навчання, глибоке навчання, згорткові нейронні мережі, міжіндивідуальна варіативність, узагальнення моделей, стратегії донавчання, персоналізація моделей, міоелектричне керування, ЕМГ-інтерфейс, перехресна перевірка (cross-validation), обробка біомедичних сигналів, реабілітаційні технології, спрощене калібруванняАнотація
Поверхнева електроміографія (ЕМГ) — це неінвазивний метод моніторингу м’язової активності, який широко застосовується в реабілітації, протезуванні, асистивній робототехніці та системах взаємодії людини з комп’ютером. Однак її практичне застосування часто обмежується значною варіативністю між користувачами та необхідністю налаштування моделей під кожного нового користувача. У цьому дослідженні розглядається застосування трансферного навчання до задачі класифікації жестів кисті та зап’ястя на основі методів глибокого навчання. Експерименти проводилися на датасеті, що містить одинадцять жестів, кожен з яких повторено вісім разів 22 здоровими учасниками. Було протестовано три підходи до навчання: (i) навчання та тестування на даних одного учасника (внутрішньоособове навчання), (ii) навчання на даних декількох учасників і тестування на новому (міжособове узагальнення), (iii) трансферне навчання з донавчанням, із скиданням та без скидання повнозв’язного вихідного шару згорткової нейронної мережі. Усі моделі оцінювались за допомогою стратегії перехресної перевірки з виключенням одного елемента (leave-one-out) як по учасниках, так і по повтореннях.
Результати показали, що обидві стратегії трансферного навчання дали вищу точність класифікації порівняно з іншими двома підходами. Найкращого результату вдалося досягти при скиданні FC шару перед донавчанням (F1-оцінка = 0.907, σ = 0.074). Статистичні тести Вілкоксона підтвердили, що ці покращення є статистично значущими навіть за використання лише кількох повторень для донавчання. Ба більше, трансферне навчання з чотирма повтореннями забезпечило подібну точність, як і навчання з нуля на восьми повтореннях.
Отримані результати свідчать, що донавчання попередньо натренованих моделей може суттєво зменшити зусилля, необхідні для адаптації EMG-систем до нових користувачів, і є практичним та ефективним підходом для створення інтерфейсів, орієнтованих на допоміжне та реабілітаційне застосування.
Посилання
1. Mohan, D.C. and R, Y.R. (2026) Cloud-Based IoT and AWS Architecture for Real-Time Cardiovascular Patient Monitoring. SSRG International Journal of Electronics and Communication Engineering, vol. 13, no. 2, pp. 281-290, DOI: 10.14445/23488549/IJECE-V13I2P121
2. K. Nguyen, H., and V. Pham, M. (2026) An edge AIoT system for non-invasive biological indicators estimation and continuous health monitoring using PPG and ECG signals. International Journal of Reconfigurable and Embedded Systems (IJRES). Vol. 15, No. 1, pp. 97-108, DOI: 10.11591/ijres.v15.i1.pp97-108
3. Neri, L., Oberdier, M. T., van Abeelen, K. C. J., Menghini, L., Tumarkin, E., Tripathi, H., Jaipalli, S., Orro, A., Paolocci, N., Gallelli, I., Dall'Olio, M., Beker, A., Carrick, R. T., Borghi, C. and Halperin, H. R. (2023) Electrocardiogram Monitoring Wearable Devices and Artificial-Intelligence-Enabled Diagnostic Capabilities: A Review. Sensors, 23(10), 4805. DOI: 10.3390/s23104805
4. Jingye Xu and Yuntong Zhang and Wei Wang and Mimi Xie and Dakai Zhu (2025) A Comprehensive PPG-based Dataset for HR/HRV Studies. arXiv, eprint 2505.18165
5. Baigutanova, A., Park, S., Constantinides, M. et al. (2025) A continuous real-world dataset comprising wearable-based heart rate variability alongside sleep diaries. Sci Data 12, 1474. DOI: 10.1038/s41597-025-05801-3
6. Tasmurzayev, N., Amangeldy, B., Imankulov, T., Imanbek, B., Postolache, O. A. and Konysbekova, A. (2025) A Wearable IoT-Based Measurement System for Real-Time Cardiovascular Risk Prediction Using Heart Rate Variability. Eng, 6(10), 259. DOI: 10.3390/eng6100259
7. Kim, K. B. and Baek, H. J. (2023) Photoplethysmography in wearable devices: a comprehensive review of technological advances, current challenges, and future directions. Electronics 12, 2923, DOI: 10.3390/electronics12132923
8. Baigutanova, A., Park, S., Lee, S. W. and Cha, M. (2023) End-to-end system based on wearable devices for measuring HRV and its potential as an insomnia indicator. J. Korea Inst. Inf. Sci. Pract., 29, 403-409. DOI: 10.5626/KTCP.2023.29.9.403
9. S. M. R. Islam, D. Kwak, M. H. Kabir, M. Hossain and K. -S. Kwak (2015) The Internet of Things for Health Care: A Comprehensive Survey, IEEE Access, vol. 3, pp. 678-708, DOI: 10.1109/ACCESS.2015.2437951
10. Li, Z., Xiao, H., Xia, Z., Zhou, F., Huang, X. and Liu, T. (2025) Three-Branch Network for Multi-Scale Spatiotemporal Feature Fusion in Remote Physiological Measurement. IEEE Transactions on Consumer Electronics, 71, 10270-10282. DOI: 10.2139/ssrn.5113756
11. Ali, I. (2021) Data Collection in Studies on Internet of Things (IoT), Wireless Sensor Networks (WSNs), and Sensor Cloud (SC): Similarities and Differences. IEEE Access, 10, 33909-33931. DOI: 10.1109/ACCESS.2022.3161929
12. Hercog, D., Lerher, T., Truntič, M. and Težak, O. (2023) Design and Implementation of ESP32-Based IoT Devices. Sensors, 23(15), 6739. DOI: 10.3390/s23156739
13. A. Tazarv, S. Labbaf, A. Rahmani, N. Dutt and M. Levorato (2023) Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings, 2023 IEEE/ACM Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE), pp. 44-55, DOI: 10.1145/3580252.3586979.
14. Aqajari, S.A., Wang, Z., Tazarv, A., Labbaf, S., Jafarlou, S., Nguyen, B., Dutt, N.D., Levorato, M., and Rahmani, A.M. (2024) Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach. ArXiv, eprint 2407.08215. DOI: 10.48550/arXiv.2407.08215
15. Yali Zheng and Chen Wu and Peizheng Cai and Zhiqiang Zhong and Hongda Huang and Yuqi Jiang (2023) Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices, arXiv, eprint 2305.03308. DOI: 10.48550/arXiv.2305.03308
16. Moraes, J. L., Rocha, M. X., Vasconcelos, G. G., Vasconcelos Filho, J. E., De Albuquerque, V. H. C. and Alexandria, A. R. (2018) Advances in Photopletysmography Signal Analysis for Biomedical Applications. Sensors, 18(6), 1894. DOI: 10.3390/s18061894
17. Mehrgardt, P., Khushi, M., Poon, S. and Withana, A. (2022) Pulse Transit Time PPG Dataset (version 1.1.0). PhysioNet. RRID:SCR_007345. DOI: 10.13026/jpan-6n92
18. Pimentel, M.A.F. et al. (2016) Towards a Robust Estimation of Respiratory Rate from Pulse Oximeters. IEEE Transactions on Biomedical Engineering, 64(8), pp.1914-1923. DOI: 10.1109/TBME.2016.2613124
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Б. Ю. Коломієць, Є. С. Карплюк
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
