近日，厦门大学姚俊峰教授课题组的最新研究成果"Transformer-based Network with Temporal Depthwise Convolutions for sEMG Recognition"被国际计算机学术期刊Pattern Recognition（CCF-B、JCR Q1、中国科学院1区）录用。
目前的sEMG深度学习方法受限于空间和局部信息，并行能力差，并且存在梯度消失/爆炸的问题。它们的混合结构往往面临模型复杂性和计算成本高等问题。
图1. sEMG识别网络TDCT
图2. 基于sEMG的注意力机制TDCMSA
针对这些问题，本论文提出了一种基于 Transformer的稀疏sEMG识别网络TDCT（图1）。利用该网络，只需较少的卷积参数和较低的计算成本，就能实现更高的识别准确率。具体来说，该网络具有并行能力，可以捕捉 sEMG 信号内部的长程特征。如图2所示，通过提出的时序深度卷积（TDC）取代线性变换，我们改进了用于 sEMG 建模的多头自注意（MSA）的局部特征提取和通道相关性捕捉，从而降低了卷积参数量和计算量，提高了特征学习性能。我们在四个 sEMG 基准数据集评估和比较了TDCT。结果表明，在识别稀疏 sEMG 原始信号方面，我们的网络在大多数时间窗口都优于其他方法，从而证明了我们方法的先进性和有效性。
该项工作由我中心2020级博士生汪泽丰，姚俊峰教授，许梅燕副教授（闽南师范大学），江敏教授，苏劲松教授合作完成。
该项工作得到了国家自然科学基金（62072388）、福建省科技厅产业引导项目基金（2020H0047）、福建省阳光慈善基金会、福建省科技创新基金项目（2020Y9048）和福建省自然科学基金项目（2023J011797）的资助。
