FatigueFormer: 頑健なsEMGに基づく筋疲労認識のための静的-時間的特徴融合
arXiv cs.LG / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、疲労認識のためのsEMG（表面筋電図）を対象とした半エンドツーエンドの枠組みであるFatigueFormerを提案する。サリエンシー（注意領域）ガイドに基づく特徴分離と、深い時間モデリングを融合し、解釈可能性と汎化性能を高める。
- 静的特徴と時間的特徴のダイナミクスをそれぞれ別に捉えるために、並列なTransformerベースの系列エンコーダを用いる。信号のばらつきや低い信号対雑音比（SNR）にもかかわらず、異なる最大随意収縮（MVC）レベル間で頑健性を保つことを目指す。
- 30名の被験者による自己収集データセットに対する実験では、4つのMVCレベル（20〜80%）で最先端の精度を示し、軽度の疲労下で強い汎化性能を確認した。
- 本手法は、注意（attention）に基づく可視化によって疲労ダイナミクスを提示し、特徴グループや時間窓がMVCレベルごとにどのように異なって寄与するのかを解析できる。これにより、疲労の進行過程の理解を深める。
