IMUからEMG推定のためのFew-Shot適応を備えたGEGLU-Transformer

要旨: 神経筋活性の信頼できる推定は、ウェアラブルロボティクスにおける適応的かつパーソナライズされた制御のための重要な基盤です。しかし、表面筋電図（EMG）は、電極の感度、信号の非定常性、そして強い被験者依存性により、実験室環境の外で堅牢に導入することが依然として困難です。本研究では、異なる運動条件にまたがって、ウェアラブル慣性計測から連続的な筋活動エンベロープを再構成する適応的IMU-to-EMG学習フレームワークを提案します。この手法は、Transformerエンコーダとガウス誤差ゲート付き線形ユニット（GEGLU-Transformer）を組み合わせることで、被験者間の汎化性能を高め、迅速な被験者固有のパーソナライズを可能にします。複数条件の下肢バイオメカニクス・データセットに対する厳格な「1人の被験者を除外する（LOSO）」プロトコルの下で、提案アーキテクチャは、被験者固有の適応なしで r = 0.706 +/- 0.139 および R^2 = 0.474 +/- 0.208 を達成します。適応データをわずか0.5%だけ用いると、性能は r = 0.761 +/- 0.030 および R^2 = 0.559 +/- 0.047 まで向上し、迅速な適応と初期段階での性能飽和を示します。これらの結果は、現実のウェアラブルロボティクス応用において、直接的なEMGセンシングの代替として、軽量な適応を組み合わせた注意（attention）ベースのアーキテクチャが実用的でスケーラブルな選択肢となり得ることを支持します。