城大學者開發自我監督的人工智能適應框架，提高EMG器件的感應準確度

「表面肌電圖」（surface electromyography, EMG）近年被廣泛應用於測量肌肉的電活動，但由於不同用戶的生物特徵有差異，令他們的表面肌電感應信號存在顯著差異，大大降低了EMG系統的性能及潛力。來自香港城市大學（城大）的研究人員最近便開發了一個基於深度學習的系統框架，名為EMGSense。EMGSense可以通過使用人工智能自我訓練技術，為新用戶提供高度靈敏及準確的感應效能，為開發更先進及準確的可穿戴EMG器件、以應用在神經康復和虛擬現實等領域，開闢了新道路。

這項新研發早前美國亞特蘭大舉行的 第21屆普適計算與通信國際會議   （PerCom 2023）上贏得了獎項。它有助於打破現有技術的瓶頸，並可推動基於EMG技術的產品的廣泛應用。

EMG可以通過於皮膚表面放置電極，測量肌肉的電活動。近年來，基於EMG的傳感技術早已引起了科學界廣泛的關注，並衍生了許多智能應用，例如神經康復、活動識別、手勢識別和虛擬實境，但現有的EMG系統存在一個重大難題，便是如何能使系統適用於不同的用戶。因為EMG信號有可能受到各種生物特徵因素的嚴重影響，例如身體脂肪比例、皮膚狀況、年齡和疲勞程度。因此，當EMG系統被不同的用戶使用時，會隨時間而變化的生物特徵差異，可令系統的性能顯著下降。

為了應對這一大挑戰，香港城大電腦科學系的研究人員最近便開發出第一個低耗能、以人工智能支援的「領域自適應」（domain adaptation）框架，名為「EMGSense」。它可以通過使用人工智能訓練技術，為新用戶實現高精確度的EMG感應效能。EMGSense是一個自我監督系統，具備自我訓練能力的人工智能策略，可以應對由不同用戶之間的生物特徵差異性，所引起的性能下降的問題。

新開發的EMGSense框架，把先進的自我監督技術融合到一個精心設計的深層神經網絡（deep neural network, DNN）結構之中。它使用來自新用戶的小規模無標籤數據，以及來自數名現有用戶的預先收集數據，以訓練出一個鑑別模型，從而實現適用於新用戶的智能應用。預先收集的用戶數據存儲在雲端之上，以便隨時可以為任何的新用戶提供服務，減少了數據收集和標註的負擔。

EMGSense的DNN結構會進行兩個相互補充的訓練階段。它首先會在特徵空間中，消除了舊有用戶特定特徵，以便進行轉移，然後它會採用人工智能技術在該空間中重新學習新的目標用戶的特定生物特徵，以實現高性能及高準確度的EMG感應。因此，最終EMGSense能夠以低耗能和自我監督的方式去適應新的用戶，從而獲得令人滿意的效能，而無需浪費大量的資源。

此外，研究人員利用在系統運作過程收集到的無標籤數據，能達至長期及穩健的性能，從而能夠處理EMG信號的時間變化特性。

在實驗中，研究人員透過對13名參與者收集兩組可觀的數據集以進行綜合評估，結果顯示，EMGSense在手勢識別和活動識別方面的平均準確率分別高達91.9%和81.2%。此外，EMGSense比現時最先進的EMG領域適應技術的準確度，還要高出12.5%至17.4%，並取得了與以監督學習方式訓練的技術可媲美的高性能。

新開發的EMGSense框架技術不但可減少數據收集和標註的負擔，並能同時以低耗能的方式實現高精確度，有望為EMG傳感領域帶來徹底改變。它填補了傳統EMG傳感技術中生物特徵異質性問題的研究空白，並有助實現各種基於EMG的新型跨用戶應用，例如臨床實踐、神經康復和人機互動。它也推動具有更高性能的智能EMG可穿戴器件的應用及其普及化，邁進了一步。

該論文已於PerCom 2023國際會議上發表，並獲得了「Mark Weiser最佳論文獎」。論文題目為〈EMGSense: A Low-Effort Self-Supervised Domain Adaptation Framework for EMG Sensing〉。

論文第一作者是城大電腦科學系博士生段頔先生。通訊作者是該學系助理教授徐偉濤博士。其他來自城大的團隊成員包括賈小華教授和楊煥琦先生。該研究主要由香港研究資助局和優配研究金的支持。