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

1. Formulação do Problema

O desafio central abordado é a estimativa confiável de ativação neuromuscular (EMG) a partir de Unidades de Medição Inercial (IMUs) vestíveis para uso em robótica vestível adaptativa (por exemplo, exoesqueletos, próteses).

• Limitações do EMG Direto: Embora o EMG forneça dados diretos de ativação muscular, é difícil de implantar fora de laboratórios devido à não estacionariedade do sinal, sensibilidade ao posicionamento dos eletrodos, artefatos de movimento e forte variabilidade inter-sujeito.
• Limitações dos Modelos Atuais de IMU-para-EMG: Abordagens baseadas em aprendizado existentes geralmente dependem de modelos estáticos treinados offline em conjuntos de dados multi-sujeito. Esses modelos frequentemente falham em generalizar para usuários não vistos porque não levam em conta estratégias neuromusculares individuais. Além disso, carecem de mecanismos eficientes para personalização rápida e específica do sujeito (adaptação de poucos exemplos) em cenários do mundo real envolvendo tarefas de locomoção diversas (escadas, rampas, etc.).

2. Metodologia

Os autores propõem um quadro de aprendizado adaptativo consistindo em três componentes principais:

A. Processamento de Sinal

• Fonte de Dados: Dados sincronizados de IMU (200 Hz) e EMG (1000 Hz) de 22 adultos saudáveis realizando várias tarefas (caminhada em nível, escadas, rampas, esteira).
• Pré-processamento:
  • EMG: Filtrado passa-banda (20–450 Hz), retificado de onda completa e filtrado passa-baixa (8 Hz) para extrair envelopes de ativação suaves.
  • Alinhamento: Sinais de IMU e EMG são reamostrados para 200 Hz e alinhados.
  • Segmentação: Os dados são segmentados em ciclos de marcha (0–100%) e normalizados no tempo para 101 amostras.
  • Normalização: Os sinais são escalonados para [0, 1] e filtrados por mediana para remover artefatos.

B. Arquitetura GEGLU-Transformer

O modelo substitui arquiteturas recorrentes padrão (como LSTM) por um codificador baseado em Transformer projetado para generalização entre sujeitos.

• Front-End Convolucional: Uma camada de Convolução 1D (tamanho do kernel 5) projeta 24 características inerciais em um espaço latente de 256 dimensões para capturar padrões locais de movimento.
• Codificador de Auto-atenção: Quatro camadas de codificador Transformer empilhadas com auto-atenção multi-cabeça (8 cabeças) capturam dependências temporais de longo alcance.
• Feed-Forward GEGLU: Em vez de redes feed-forward padrão, o modelo utiliza Unidades Lineares Portadas com Erro Gaussiano (GEGLU).
  • Mecanismo: $FF_{GEGLU}(x) = W_o(GELU(W_1x) \odot (W_2x))$.
  • Benefício: O mecanismo de portão modula as ativações por canal, melhorando a seleção de características e o fluxo de gradiente em comparação com a portagem baseada em sigmoid, o que é crucial para tarefas de regressão.
• Saída: Uma projeção linear mapeia a representação latente para os envelopes de EMG alvo para múltiplos músculos.

C. Adaptação de Poucos Exemplos

Para lidar com sujeitos não vistos, o quadro emprega uma estratégia de adaptação leve:

• Protocolo: Um pequeno subconjunto dos dados do sujeito de teste (por exemplo, 0,5% a 10% dos ciclos de marcha) é usado para calibração.
• Processo: Os parâmetros do modelo pré-treinado são ajustados finamente usando descida de gradiente (AdamW) neste pequeno conjunto de adaptação.
• Restrições: Todos os parâmetros são atualizados (sem congelamento de camadas) para permitir personalização completa, mas o processo é restringido por uma baixa taxa de aprendizado e corte de norma de gradiente para evitar esquecimento catastrófico e garantir estabilidade.

3. Contribuições Principais

1. Arquitetura Novel: Introdução do GEGLU-Transformer para estimativa de IMU-para-EMG, que supera as bases recorrentes state-of-the-art (LSTM e CNN-LSTM) na generalização entre sujeitos.
2. Robustez à Variabilidade Ambiental: Avaliação sistemática em diversos modos de locomoção (solo plano, escadas, rampas, esteira), demonstrando que a superioridade do modelo não se limita a condições simples de caminhada.
3. Adaptação de Poucos Exemplos Eficiente: Demonstração de que a arquitetura proposta alcança personalização rápida com dados mínimos (tão pouco quanto 0,5% dos ciclos de marcha de um sujeito), atingindo saturação de desempenho rapidamente em comparação com as bases.

4. Resultados Experimentais

O modelo foi avaliado usando um protocolo de validação cruzada Leave-One-Subject-Out (LOSO) em um conjunto de dados de 22 sujeitos.

• Comparação com Baseline (Sem Adaptação):

  • Correlação ($r$): GEGLU-Transformer alcançou 0,706 (vs. 0,664 para CNN-LSTM e 0,647 para LSTM).
  • Coeficiente de Determinação ($R^2$): GEGLU-Transformer alcançou 0,474 (vs. 0,420 e 0,397).
  • Métricas de Erro: Mostrou menor Erro Quadrático Médio Normalizado (nRMSE) e redução de erros de tempo de pico/amplitude.
  • Nota: A variante GEGLU melhorou especificamente $R^2$ em ~1,5% e correlação em ~0,33% sobre um Transformer sem portão, confirmando o benefício do mecanismo de portagem.

• Adaptação de Poucos Exemplos (0,5% de Dados):

  • Com apenas 0,5% de dados de adaptação, a correlação do GEGLU-Transformer aumentou para 0,761 e $R^2$ para 0,559.
  • Isso representa um salto significativo no desempenho com dados negligenciáveis, enquanto as bases mostraram ganhos muito menores.
  • Os ganhos de desempenho saturaram rapidamente; aumentar os dados além de 5% produziu melhorias marginais, indicando alta eficiência de amostra.

• Desempenho Específico por Músculo:

  • O modelo teve melhor desempenho em músculos de alta amplitude e regulares (por exemplo, Sóleo, Gastrocnêmio, Vasto).
  • Músculos de menor desempenho (por exemplo, Grácil, Bíceps Femoral) mostraram maior variabilidade, sugerindo desafios relacionados à qualidade do sinal e complexidade biomecânica e não apenas à capacidade do modelo.

5. Significado e Impacto

• Escalabilidade para Robótica Vestível: Ao reduzir a dependência de sensores de EMG diretos (que são frágeis e difíceis de calibrar) e permitir personalização rápida com dados mínimos, esta abordagem torna o controle acionado por EMG viável para uso real, de longo prazo.
• Controle Adaptativo: O quadro suporta o paradigma de "controle adaptativo" na robótica, permitindo que sistemas se ajustem rapidamente a novos usuários sem sessões extensas de calibração.
• Generalizabilidade: A natureza agnóstica à tarefa da arquitetura sugere que pode ser estendida para movimentos do membro superior ou outras aplicações robóticas assistivas além da marcha do membro inferior.
• Eficiência: Os resultados provam que arquiteturas baseadas em atenção, quando combinadas com unidades portadas e adaptação leve, oferecem uma alternativa superior aos modelos recorrentes tradicionais para regressão neuromuscular contínua.

Em conclusão, este trabalho fornece uma solução prática e escalável para estimar ativação muscular a partir de sensores inerciais, preenchendo a lacuna entre a precisão de nível laboratorial e a implantabilidade no mundo real na robótica vestível.