E-Taste Signal Encoding and Classification via Multi- Attention Residual Networks Using sEMG Streams in Virtual Sensory Systems
本研究引入了一种新颖的 MACB-ResNet 深度学习模型，该模型显著提高了通过面部表面肌电图 (sEMG) 信号对虚拟味觉刺激进行分类的准确率，达到 86.32%，优于用于数字健康和食品技术领域的传统及标准深度学习分类器。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的舌头就像一个微型且超敏锐的无线电台，当你品尝某种味道时，它会向你的大脑发送秘密信号。但如果能制造出一个机器人，无需你开口，就能“听见”这些信号呢？这正是这项研究试图做的事情：教计算机通过聆听你面部肌肉极其细微的电信号，来识别电子味觉感知。
研究人员构建了一个名为 MACB-ResNet 的特殊“超级聆听者”。把这个模型想象成一个拥有两项超能力的侦探。首先，它拥有残差连接（residual connections），这就像一条秘密隧道，让侦探能够跳过混乱的噪音，直接获取重要的线索，而不会感到疲劳或迷失方向。其次，它使用了多注意力模块（multi-attention blocks），这就像一副神奇的眼镜。这些眼镜能帮助侦探聚焦于信号中最重要的部分（比如特定的肌肉抽动），并忽略掉无聊的背景杂音。
为了训练这位侦探，团队给了它一个庞大的数据库。他们将 10 个银电极 连接到 8 名志愿者（他们都是健康的年轻人，平均年龄为 23 ± 3 岁）的面部。这些志愿者将舌尖放在一个特殊的装置上，该装置通过微小的电流和温度变化来产生六种不同的“味道”：无味、咸味、雪碧味、苦味、薄荷味和酸味。电极记录了每次电刺激后 7 秒钟 内的肌肉运动，从而产生了一堆巨大的数据。
团队将这些肌肉信号转化成了被称为**谱图（spectrograms）**的彩色图片（可以把它们想象成变成彩虹地图的声音波形）。他们将这些地图输入到他们的 MACB-ResNet 侦探中，并将其与另外三个侦探进行了对比：KNN、**随机森林（Random Forest）**和 DenseNet-201。
这里是重磅揭晓：全新的 MACB-ResNet 侦探成为了全场的明星。它的正确率达到了 86.32%。这比其他侦探有了巨大的飞跃：KNN 仅为 65.11%，随机森林 达到了 78.35%，而 DenseNet-201 则表现为 81.93%。
但它并不完美。论文指出，侦探有时会对相似的味道感到困惑，比如混淆苦味和酸味，或者混淆雪碧味和薄荷味。这就像试图分辨两个长得几乎一模一样的双胞胎一样；这些信号实在太相似了。研究人员使用特殊的视觉图表（称为 PCA 和 t-SNE）展示了虽然“无味”组表现得非常清晰，但其他组有时会挤在一起，形成一团混乱。
团队还进行了一项名为消融实验（ablation study）的“假设测试”。他们将他们的超级侦探拆解开来，逐一观察是什么让它如此出色。当他们移除残差连接时，准确率下降了 7.18%。当他们拿掉注意力眼镜时，准确率下降得更多。这证明了这条“隧道”和这副“眼镜”对于获得高分都是绝对必要的。
这项研究表明，这种方法可能会成为个人营养学、数字健康、食品技术、神经营销学以及脑机接口（BCI）系统领域的游戏规则改变者。然而，作者也谨慎地指出，他们的结果是基于特定的一组年轻人和适量的数据。他们承认，该模型可能需要更多的训练，才能处理老年人、儿童或存在味觉障碍的人群，并且目前的方法可能会忽略掉味觉感受随时间变化的微妙特性。
简而言之，这篇论文表明，通过结合深度学习和注意力机制，我们可以比以往任何时候都更好地教计算机通过肌肉信号来“品尝”味道，但在这项技术真正走向每个人的餐桌之前，还有很长的路要走。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。