💻 computer science

GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation

Dit artikel stelt een GEGLU-Transformer-raamwerk voor dat continue spieractivatie-omhullenden reconstrueert uit data van inertiale meeteenheden (IMU's) met snelle few-shot aanpassing, en biedt zo een robuust en schaalbaar alternatief voor directe oppervlakte-EMG-sensoren voor de besturing van draagbare robotica.

Oorspronkelijke auteurs: Miroljub Mihailovic, Luca Tonin, Stefano Tortora, Emanuele Menegatti

Gepubliceerd 2026-04-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Miroljub Mihailovic, Luca Tonin, Stefano Tortora, Emanuele Menegatti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een robot te leren lopen zoals een mens. Om dit veilig en natuurlijk te doen, moet de robot precies weten wanneer en hoe hard je spieren werken. Meestal gebruiken we speciale plakkerige sensoren, genaamd EMG-elektroden, om de elektrische signalen van je spieren te "luisteren". Maar hier zit het probleem: deze sensoren zijn als gevoelige microfoons op een rockconcert. Als je je arm een beetje beweegt, een beetje zweet, of als de sticker verschuift, wordt het geluid vervormd. Ze zijn ook erg "selectief", wat betekent dat een sensoropstelling die perfect voor jou werkt, misschien nutteloos is voor je vriend.

Dit artikel stelt een slimme omweg voor: In plaats van direct naar de spieren te luisteren, laten we luisteren naar de beweging.

Het Kernidee: De "Lichaamstolk"

De onderzoekers bouwden een slim computerprogramma (een AI) dat fungeert als tolk.

De Invoer: Het neemt data van IMU's (Inertial Measurement Units). Denk hierbij aan de kleine bewegingssensoren in je smartphone of smartwatch. Ze zijn robuust, goedkoop en geven niets om zweet of verschuivende stickers. Ze meten gewoon hoe je benen bewegen.
De Uitvoer: De AI probeert te raden wat je spieren zouden doen op basis van die bewegingen. Het reconstrueert de "spieractivatie-omhullende" – in feite een gladde curve die aangeeft hoe hard elke spier gedurende de tijd werkt.

Het Probleem: Iedereen Beweegt Anders

Het lastige deel is dat elke mens uniek is. Jouw loopstijl, spierkracht en botstructuur verschillen van die van mij.

De Oude Manier: De meeste AI-modellen worden getraind op een grote groep mensen en vervolgens gewoon "bevroren". Wanneer je ze op een nieuwe persoon toepast, struikelen ze vaak omdat ze de specifieke eigenaardigheden van die persoon niet hebben geleerd. Het is alsof je probeert met een buitenlander te praten met een woordenboek dat alleen algemene zinnen bevat; het werkt redelijk, maar niet perfect.
De Nieuwe Manier: Dit artikel introduceert een systeem dat onderweg kan leren. Het is alsof je een tolk hebt die direct je accent oppikt na het horen van slechts een paar zinnen.

De Geheime Ingrediënt: De "GEGLU-Transformer"

Het team bouwde een nieuw type AI-brein, een GEGLU-Transformer.

De Transformer: Stel je een bibliothecaris voor die een heel boek kan lezen en direct begrijpt hoe het begin zich verhoudt tot het einde, zelfs als er honderden pagina's tussen zitten. Dit helpt de AI om langetermijnpatronen in je loop te begrijpen, niet alleen de directe stap.
De GEGLU (Gated Linear Unit): Dit is een speciale "poortwachter" binnen de AI. Denk hierbij aan een portier in een club die beslist welke informatie belangrijk is en welke genegeerd moet worden. Het helpt de AI zich te focussen op de juiste signalen en ruis te negeren, waardoor het veel beter wordt in het raden van spieractiviteit voor verschillende mensen.

De Magische Truc: "Few-Shot" Adaptatie

Dit is het meest spannende deel. De onderzoekers testten hun systeem op een nieuwe persoon die ze nog nooit hadden gezien.

De Koude Start: Eerst lieten ze de AI raden met alleen wat het van iedereen anders had geleerd. Het was behoorlijk (ongeveer 70% accuraat in het matchen van de spierpatronen).
De "Few-Shot" Aanpassing: Vervolgens lieten ze de AI slechts 0,5% van de loopdata van die nieuwe persoon zien. Om dat in perspectief te plaatsen: als iemand 2.400 stappen zet tijdens een test, hoefde de AI slechts naar ongeveer 12 stappen te kijken om te leren hoe hij zich moest aanpassen.
Het Resultaat: Na het zien van die kleine 12 stappen, steeg de nauwkeurigheid van de AI aanzienlijk. Het leerde de specifieke stijl van die persoon bijna direct.

Wat Ze Vonden

Beter dan de Oude Garde: Hun nieuwe AI (GEGLU-Transformer) was consequent beter in het raden van spieractiviteit dan oudere, standaard AI-modellen (zoals LSTM's), zelfs voordat het de kans kreeg om de nieuwe persoon te leren kennen.
Snelle Leerling: De "0,5% data"-truc werkte wonderen. De AI had geen uren kalibratie nodig; het had slechts een paar seconden loopdata nodig om gepersonaliseerd te worden.
Robuustheid: Het werkte goed, ongeacht of de persoon op vlakke grond liep, trappen opklom of een helling opliep.

De Conclusie

Het artikel beweert dat we door deze nieuwe "slimme tolk"-architectuur te gebruiken, spieractiviteit kunnen schatten met eenvoudige, robuuste bewegingssensoren in plaats van kieskeurige spiersensoren. Cruciaal is dat het systeem zich bijna direct kan aanpassen aan een nieuwe gebruiker met zeer weinig data. Dit maakt het idee van draagbare robots (zoals exoskeletten voor loopondersteuning) veel praktischer voor gebruik in de echte wereld, waar je niet uren kunt besteden aan het kalibreren van sensoren voor elke individuele persoon.

1. Probleemstelling

De kernuitdaging die wordt aangepakt, is de betrouwbare schatting van neuromusculaire activatie (EMG) vanuit draagbare Inertial Measurement Units (IMU's) voor gebruik in adaptieve draagbare robotica (bijv. exoskeletten, protheses).

Beperkingen van directe EMG: Hoewel EMG directe spieractivatiedata biedt, is het moeilijk buiten laboratoria te deployen vanwege signaal-niet-stationariteit, gevoeligheid voor elektrodeplaatsing, bewegingsartefacten en sterke inter-subject variabiliteit.
Beperkingen van huidige IMU-naar-EMG-modellen: Bestaande leer-gebaseerde benaderingen vertrouwen doorgaans op statische modellen die offline zijn getraind op multi-subject datasets. Deze modellen falen vaak in generalisatie naar onbekende gebruikers omdat ze geen rekening houden met individuele neuromusculaire strategieën. Bovendien missen ze efficiënte mechanismen voor snelle, subject-specifieke personalisatie (few-shot adaptatie) in real-world scenario's met diverse locomotietaken (trappen, hellingen, enz.).

2. Methodologie

De auteurs stellen een adaptief leerframework voor dat bestaat uit drie hoofdcomponenten:

A. Signaalverwerking

Data Bron: Gesynchroniseerde IMU (200 Hz) en EMG (1000 Hz) data van 22 gezonde volwassenen die diverse taken uitvoerden (vlak lopen, trappen, hellingen, loopband).
Preprocessing:
- EMG: Band-pass gefilterd (20–450 Hz), full-wave gelijkrichting en low-pass gefilterd (8 Hz) om gladde activatie-omhulsels te extraheren.
- Uitlijning: IMU- en EMG-signalen worden opnieuw bemonsterd naar 200 Hz en uitgelijnd.
- Segmentatie: Data wordt gesegmenteerd in loopcycli (0–100%) en tijdgenormaliseerd naar 101 samples.
- Normalisatie: Signalen worden geschaald naar [0, 1] en gemiddeld gefilterd om artefacten te verwijderen.

B. GEGLU-Transformer Architectuur

Het model vervangt standaard recurrente architecturen (zoals LSTM) door een Transformer-gebaseerde encoder die is ontworpen voor cross-subject generalisatie.

Convolutionele Front-End: Een 1D Convolutionele laag (kerngrootte 5) projecteert 24 inertiale kenmerken naar een 256-dimensionale latente ruimte om lokale bewegingspatronen te vangen.
Zelf-Attention Encoder: Vier gestapelde Transformer encoder lagen met multi-head zelf-attention (8 heads) vangen lange-termijn temporele afhankelijkheden.
GEGLU Feed-Forward: In plaats van standaard feed-forward netwerken, gebruikt het model Gaussian Error Gated Linear Units (GEGLU).
- Mechanisme: $FF_{GEGLU}(x) = W_o(GELU(W_1x) \odot (W_2x))$ .
- Voordeel: Het gating-mechanisme moduleert kanaal-specifieke activaties, wat de kenmerkselectie en gradiëntstroom verbetert in vergelijking met op sigmoid gebaseerde gating, wat cruciaal is voor regressietaken.
Output: Een lineaire projectie mapt de latente representatie af naar de doel-EMG-omhulsels voor meerdere spieren.

C. Few-Shot Adaptatie

Om om te gaan met onbekende onderwerpen, hanteert het framework een lichtgewicht adaptatiestrategie:

Protocol: Een klein subsetje van de data van het testonderwerp (bijv. 0,5% tot 10% van loopcycli) wordt gebruikt voor kalibratie.
Proces: De parameters van het vooraf getrainde model worden fijn afgestemd met gradiëntafname (AdamW) op deze kleine adaptatiedataset.
Beperkingen: Alle parameters worden bijgewerkt (geen laag-vriezen) om volledige personalisatie mogelijk te maken, maar het proces wordt beperkt door een lage leersnelheid en gradiëntnorm-clipping om catastrofaal vergeten te voorkomen en stabiliteit te waarborgen.

3. Belangrijkste Bijdragen

Nieuwe Architectuur: Introductie van de GEGLU-Transformer voor IMU-naar-EMG-schatting, die state-of-the-art recurrente baselines (LSTM en CNN-LSTM) overtreft in cross-subject generalisatie.
Robuustheid tegen Omgevingsvariabiliteit: Systematische evaluatie over diverse locomotiemodi (vlak terrein, trappen, hellingen, loopband), wat aantoont dat de superioriteit van het model niet beperkt is tot eenvoudige loopcondities.
Efficiënte Few-Shot Adaptatie: Aantonen dat het voorgestelde architecture snelle personalisatie bereikt met minimale data (zoveel als 0,5% van de loopcycli van een onderwerp), waarbij het snel de prestaties verzadigt in vergelijking met baselines.

4. Experimentele Resultaten

Het model werd geëvalueerd met een Leave-One-Subject-Out (LOSO) cross-validatieprotocol op een dataset van 22 onderwerpen.

Baseline Vergelijking (Geen Adaptatie):
- Correlatie ( $r$ ): GEGLU-Transformer behaalde 0,706 (vs. 0,664 voor CNN-LSTM en 0,647 voor LSTM).
- Determinatiecoëfficiënt ( $R^2$ ): GEGLU-Transformer behaalde 0,474 (vs. 0,420 en 0,397).
- Foutmetrieken: Het toonde een lagere Genormaliseerde Root Mean Square Error (nRMSE) en verminderde piektiming/amplitudefouten.
- Opmerking: De GEGLU-variant verbeterde $R^2$ specifiek met ~1,5% en correlatie met ~0,33% ten opzichte van een niet-gegateerde Transformer, wat het voordeel van het gating-mechanisme bevestigt.
Few-Shot Adaptatie (0,5% Data):
- Met slechts 0,5% adaptatiedata steeg de correlatie van de GEGLU-Transformer naar 0,761 en $R^2$ naar 0,559.
- Dit vertegenwoordigt een significante sprong in prestaties met verwaarloosbare data, terwijl baselines veel kleinere winsten lieten zien.
- Prestatiewinsten verzadigden snel; het verhogen van data boven de 5% leverde marginale verbeteringen op, wat wijst op hoge steekproeffe efficiency.
Spier-specifieke Prestaties:
- Het model presteerde het beste op hoog-amplitude, regelmatige spieren (bijv. Soleus, Gastrocnemius, Vastus).
- Minder presterende spieren (bijv. Gracilis, Biceps Femoris) vertoonden hogere variabiliteit, wat wijst op uitdagingen gerelateerd aan signaalkwaliteit en biomechanische complexiteit in plaats van alleen modelcapaciteit.

5. Betekenis en Impact

Schaalbaarheid voor Draagbare Robotica: Door de afhankelijkheid van directe EMG-sensoren (die breekbaar en moeilijk te kalibreren zijn) te verminderen en snelle personalisatie met minimale data mogelijk te maken, maakt deze aanpak EMG-gestuurde controle haalbaar voor real-world, langetermijngebruik.
Adaptieve Controle: Het framework ondersteunt het paradigma van "adaptieve controle" in robotica, waardoor systemen zich snel kunnen aanpassen aan nieuwe gebruikers zonder uitgebreide kalibratiesessies.
Generaliseerbaarheid: De taak-agnostische aard van de architectuur suggereert dat deze kan worden uitgebreid naar boven-limb bewegingen of andere assistieve robotische toepassingen buiten de onder-limb gang.
Efficiëntie: De resultaten bewijzen dat op attention gebaseerde architecturen, wanneer gecombineerd met gated units en lichtgewicht adaptatie, een superieur alternatief bieden voor traditionele recurrente modellen voor continue neuromusculaire regressie.

Concluderend biedt dit werk een praktische, schaalbare oplossing voor het schatten van spieractivatie vanuit inertiale sensoren, waardoor de kloof wordt overbrugd tussen laboratoriumkwaliteit nauwkeurigheid en real-world deployability in draagbare robotica.