城大学者开发自我监督的人工智能适应框架，提高EMG器件的感应准确度

“表面肌电图”（surface electromyography，EMG）近年被广泛应用于测量肌肉的电活动，但由于不同用户的生物特征有差异，令他们的表面肌电感应信号存在显著差异，大大降低了EMG系统的性能及潜力。来自香港城市大学（城大）的研究人员最近便开发了一个基于深度学习的系统框架，名为EMGSense。EMGSense可以通过使用人工智能自我训练技术，为新用户提供高度灵敏及准确的感应效能，为开发更先进及准确的可穿戴EMG器件、以应用在神经康复和虚拟现实等领域，开辟了新道路。

这项新研发早前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）上赢得了奖项。它有助于打破现有技术的瓶颈，并可推动基于EMG技术的产品的广泛应用。

EMG可以通过于皮肤表面放置电极，测量肌肉的电活动。近年来，基于EMG的传感技术早已引起了科学界广泛的关注，并衍生了许多智能应用，例如神经康复、活动识别、手势识别和虚拟实境，但现有的EMG系统存在一个重大难题，便是如何能使系统适用于不同的用户。因为EMG信号有可能受到各种生物特征因素的严重影响，例如身体脂肪比例、皮肤状况、年龄和疲劳程度。因此，当EMG系统被不同的用户使用时，会随时间而变化的生物特征差异，可令系统的性能显著下降。

为了应对这一大挑战，香港城大电脑科学系的研究人员最近便开发出第一个低耗能、以人工智能支援的“领域自适应”（domain adaptation）框架，名为“EMGSense”。它可以通过使用人工智能训练技术，为新用户实现高精确度的EMG感应效能。EMGSense是一个自我监督系统，具备自我训练能力的人工智能策略，可以应对由不同用户之间的生物特征差异性，所引起的性能下降的问题。

新开发的EMGSense框架，把先进的自我监督技术融合到一个精心设计的深层神经网络（deep neural network，DNN）结构之中。它使用来自新用户的小规模无标签数据，以及来自数名现有用户的预先收集数据，以训练出一个鉴别模型，从而实现适用于新用户的智能应用。预先收集的用户数据存储在云端之上，以便随时可以为任何的新用户提供服务，减少了数据收集和标注的负担。

EMGSense的DNN结构会进行两个相互补充的训练阶段。它首先会在特征空间中，消除了旧有用户特定特征，以便进行转移，然后它会采用人工智能技术在该空间中重新学习新的目标用户的特定生物特征，以实现高性能及高准确度的EMG感应。因此，最终EMGSense能够以低耗能和自我监督的方式去适应新的用户，从而获得令人满意的效能，而无需浪费大量的资源。

此外，研究人员利用在系统运作过程收集到的无标签数据，能达至长期及稳健的性能，从而能够处理EMG信号的时间变化特性。

在实验中，研究人员透过对13名参与者收集两组可观的数据集以进行综合评估，结果显示，EMGSense在手势识别和活动识别方面的平均准确率分别高达91.9%和81.2%。此外，EMGSense比现时最先进的EMG领域适应技术的准确度，还要高出12.5%至17.4%，并取得了与以监督学习方式训练的技术可媲美的高性能。

新开发的EMGSense框架技术不但可减少数据收集和标注的负担，并能同时以低耗能的方式实现高精确度，有望为EMG传感领域带来彻底改变。它填补了传统EMG传感技术中生物特征异质性问题的研究空白，并有助实现各种基于EMG的新型跨用户应用，例如临床实践、神经康复和人机互动。它也推动具有更高性能的智能EMG可穿戴器件的应用及其普及化，迈进了一步。

该论文已于PerCom 2023国际会议上发表，并获得了“Mark Weiser最佳论文奖”。论文题目为〈EMGSense: A Low-Effort Self-Supervised Domain Adaptation Framework for EMG Sensing〉。

论文第一作者是香港城大电脑科学系博士生段頔先生。通讯作者是该学系助理教授徐伟涛博士。其他来自香港城大的团队成员包括贾小华教授和杨焕琦先生。该研究主要由香港研究资助局和优配研究金的支持。