Revisiting Noise Resilience Strategies in Gesture Recognition: Short-Term Enhancement in Surface Electromyographic Signal Analysis

基于表面肌电图（sEMG）的手势识别在许多3D交互场景中越来越重要。然而，在现实世界的环境中，sEMG很容易受到各种形式的噪声的影响，从而导致通过sEMG提供长期稳定的交互面临挑战。现有的方法通常通过各种预定义的数据增强技术来增强模型的噪声鲁棒性。在这项工作中，我们从短期增强的角度重新审视了这个问题，以利用sEMG固有模式信息和滑动窗口注意力提高精度和对各种常见噪声场景的鲁棒性。我们提出了一个短期增强模块（STEM），可以轻松地与各种模型集成。 STEM具有以下几个优点：1）可学习的去噪，实现无需手动数据增强的噪声降低；2）可扩展性，适应各种模型；以及3）成本效益，通过高效的注意机制实现最小化权重共享的短期增强。特别地，我们将STEM纳入变压器中，创建了短期增强变压器（STET）。与最佳竞争方法相比，噪声对STET的影响降低了20%以上。我们还报告了在分类和回归数据集上的有希望的结果，并展示了STEM在不同手势识别任务中的泛化能力。

解决问题的问题是如何提高基于表面肌电图（sEMG）的手势识别的稳定性和精度，以应对真实世界中的各种噪声情况？

提出了一种短期增强模块（STEM），通过学习可降噪的sEMG内在模式信息和滑动窗口注意力机制来提高模型的噪声鲁棒性。STEM可以轻松地与各种模型集成，具有可学习的去噪、可扩展性和成本效益等优点。将STEM集成到transformer中，创建了短期增强transformer（STET），并在分类和回归数据集上取得了有希望的结果。

论文提出的STEM模块可以通过学习可降噪的sEMG内在模式信息和滑动窗口注意力机制来提高模型的噪声鲁棒性；STEM可以轻松地与各种模型集成，具有可学习的去噪、可扩展性和成本效益等优点；将STEM集成到transformer中，创建了短期增强transformer（STET），并在分类和回归数据集上取得了有希望的结果。

最近的相关研究包括：1）使用多种数据增强技术来提高sEMG噪声鲁棒性的方法；2）使用CNN和LSTM等模型来进行手势识别。