跳到正文
arXiv cs.AI· Matteo Fasulo, Giusy Spacone, Thorir Mar Ingolfsson, Yawei Li, Luca Benini, Andrea Cossettini·· 10 小时前AI 评分34

TinyMyo:可在超低功耗微控制器上运行的小型 EMG 基础模型

TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge

AI 导读

TinyMyo 是一个 360 万参数的 Transformer 编码器,用自监督掩码重建在公开 EMG 数据集上预训练,仅需微调任务预测头即可支持手势分类、手部运动学回归、语音生成与语音识别。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:目的:表面肌电(EMG)广泛应用于生物力学、康复、假肢控制和人机接口。跨受试者、记录系统和采集协议的泛化仍然具有挑战性。现有的 EMG 基础模型(FM)对多种下游任务的支持有限,且难以部署在低功耗设备上。方法:我们提出 TinyMyo,一个具有 360 万参数的 Transformer 编码器,使用自监督掩码重建在公开 EMG 数据集上预训练。TinyMyo 只需对任务特定的预测头做最小改动即可支持多种任务。结果:我们在手势分类、手部运动学回归、语音产生和语音识别上评估了 TinyMyo。在手势分类上,TinyMyo 优于此前报道的 EMG 基础模型,在 NinaPro DB5 上达到 87.98%、UCI-EMG 上达到 97.1%、EPN-612 上达到 96.6% 的准确率。在 GAP9 超低功耗微控制器上,TinyMyo 的推理时间为 0.785 s,平均功耗 57.18 mW 时每次推理消耗 44.91 mJ。一个 190 万参数的变体处理 5 s 和 1 s 输入窗口分别耗时 0.496 s 和 0.089 s。结论:TinyMyo 表明,一个紧凑的自监督 EMG 编码器可以支持多种下游任务,并能在低功耗微控制器上运行。意义:据我们所知,这是 EMG 基础模型首次部署在超低功耗微控制器上,为设备端运动意图解码、神经肌肉评估和人机交互开辟了道路。
主题: 信号处理(eess.SP);人工智能(cs.AI);人机交互(cs.HC);机器学习(cs.LG)
引用为: arXiv:2512.15729 [eess.SP]
  (或此版本的 arXiv:2512.15729v3 [eess.SP])
  https://doi.org/10.48550/arXiv.2512.15729

由 DataCite 颁发的 arXiv DOI

相关 DOI: https://doi.org/10.1109/TBME.2026.3736157

链接到相关资源的 DOI

提交历史

来自:Giusy Spacone [查看邮箱]
[v1] 2025年12月5日星期五 17:36:57 UTC(398 KB)
[v2] 2026年1月15日星期四 18:05:25 UTC(396 KB)
[v3] 2026年11月17日星期二 20:59:30 UTC(710 KB)

来源:arXiv cs.AI · arxiv.org