Core Concepts
본 연구는 sEMG 신호를 효율적으로 압축하고 생체역학적 및 생물학적 특징으로 계층적으로 분해하여 피험자 간 관절 각도 추정 정확도를 향상시키는 SAFE-Net을 제안한다.
Abstract
본 연구는 sEMG 신호 기반 관절 각도 추정을 위한 SAFE-Net을 제안한다. SAFE-Net은 두 가지 주요 모듈로 구성된다:
Spike-driven Sparse Attention Encoder (SSAE):
sEMG 신호를 스파이킹 형태로 압축하여 계산 효율성을 높임
기존 Transformer 기반 모델 대비 39.1%와 37.5%의 전력 소모 감소 달성
Spiking Attentional Feature Decomposition (SAFD) 모듈:
압축된 sEMG 특징을 생체역학적 특징과 생물학적 특징으로 계층적으로 분해
생체역학적 특징을 이용하여 관절 각도 추정 정확도 향상
생물학적 특징을 이용하여 피험자 식별 가능
실험 결과, SAFE-Net은 두 데이터셋에서 기존 방법 대비 우수한 관절 각도 추정 정확도와 계산 효율성을 보였다. 이는 SAFE-Net이 피험자 간 시나리오에서 강건한 성능을 발휘할 수 있음을 시사한다.
Stats
관절 각도 추정 RMSE:
DB1 평균 RMSE: SSAE 4.02, Informer 5.52, Spikformer 9.99
DB2 평균 RMSE: SSAE 3.39, Informer 4.93, Spikformer 8.90