EMG具有很高的受试者间变异性。这篇文章的目标是研究当只有有限数量的训练数据可用时，为新用户校准深度学习模型的方法。这是特定受试者建模和迁移学习的首次比较。文章比较了不同条件下的特定受试者模型、预训练再微调模型。本文的目标是深入了解在何种情况下基于迁移学习的sEMG分类器用户校准表现良好的问题。
1.笔记
1.1研究目标
文献使用了两种方法：
- 特定受试者模型
- 迁移学习
这篇文章研究了权重初始化对两个不同的预训练深度学习模型在新的受试者数据上进行重新校准的迁移学习的有效性，并将其性能与受试者特定模型进行了比较。一般来说，基于机器学习的sEMG解码器因此必须针对每个新对象进行校准。大多数现有的sEMG解码器研究都是基于单个受试者对数据进行训练和评估，这在本文中称为特定受试者建模型。迄今为止，研究文献中特定受试者模型仅与特定受试者模型进行了比较，迁移学习模型仅与迁移学习模型进行了对比。然而，有必要了解两种建模方法在数据需求、训练时间和准确性方面的相互比较。
受试者间变异性：电极放置、疲劳、热量、皮肤脂肪比和性别等其他因素也会影响 sEMG 测量的受试者间和受试者内方差。
最近，一些工作使用few shot learning、具有递归神经网络的自适应层和卷积神经网络（CNN）上的自适应批处理归一化来解决人际差异的问题。
1.2研究方法
通常，迁移学习表示一种机器学习应用，能够将在一种情况下学习的知识转移到不同但相关的情况上。所述的相关的情况可能是稍微不同的输出任务、输入表示、输入和输出之间的映射或数据生成过程。在我们的案例中，我们希望使用迁移学习来对来自一个新的、看不见的受试的数据进行分类。任务和输入保持不变，但由于sEMG信号的人际变异性，预计每个受试者之间的输入特征和输入-输出的映射的不同。
2.结论
- 在所有设置中，本文的迁移学习方法在没有微调的预训练模型上平均提高了5%，在特定受试者模型上提高了12%，同时平均减少了22%的训练时间。我们的结果表明，与特定受试者模型相比，迁移学习能够在更少的训练样本上实现更快的学习。
在之前发表的研究中，深度神经网络显示了sEMG信号的有希望的分类精度，并优于传统的统计和机器学习模型，尤其是在人工特征工程更少的复杂分类任务中。