गतिशील मानव-यंत्र अंतरण में विषय-विशिष्ट मॉडलों से परे: बेंचमार्किंग और अनुकूलन रणनीतियाँ

सतही इलेक्ट्रोमायोग्राफी (EMG) से निरंतर अंगुली की स्थिति का अनुमान मानव-यंत्र इंटरफेस में असमान भावाभिव्यक्ति वर्गीकरण की तुलना में अधिक सहज, सहज नियंत्रण सक्षम बनाता है। हालांकि, सटीक प्रतिगमन के लिए प्रभावी कालिक मॉडलिंग और उपयोगकर्ता विविधता के अनुरूप अनुकूलन की आवश्यकता होती है। हम Ninapro डेटाबेस पर पुनरावर्ती न्यूरल नेटवर्क, टेम्पोरल कॉन्वॉल्यूशन नेटवर्क (TCNs), ट्रांसफॉर्मर, और इस संदर्भ में पहली बार, न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस (NODEs) का बेंचमार्क करते हैं। प्रत्येक मॉडल के रिसेप्टिव फील्ड (RF) को EMG ऑटोकोरिलेशन से व्यवस्थित रूप से समायोजित किया गया है ताकि निष्पक्ष तुलना सुनिश्चित हो सके। हमने अंगुली की गतियों का गतिशील प्रणाली के रूप में प्रतिनिधित्व करने के लिए बाहरी इनपुट के साथ एक नॉनऑटोनोमस NODE संस्करण भी प्रस्तुत किया है। वर्स्टाइल जनरलाइज़ेशन के लिए, हम अनुक्रियाशील शिक्षण रूप-रेखाओं, मल्टीटास्क, ट्रांसफर और प्रथम-स्तरीय मेटा-लर्निंग की खोज करते हैं, और टेम्पोरल बायोसिग्नल प्रतिगमन के लिए LoRA और एडाप्टर लेयर्स जैसे हल्के फाइन-ट्यूनिंग विधियाँ अनुकूलित करते हैं। Ninapro DB8 पर, TCN मल्टीटास्क और ट्रांसफर लर्निंग के लिए 5.4 से कम का सर्वश्रेष्ठ औसत निश्चित त्रुटि (MAE) प्राप्त करता है, और टू-शॉट मेटा-लर्निंग के लिए 6.47। ये निष्कर्ष EMG-से-काइनेमैटिक्स प्रतिगमन में प्रगति करते हैं और प्रोस्थेटिक्स, वर्चुअल रियलिटी (VR), और टेलीऑपरेशन में व्यक्तिगत, वास्तविक-समय नियंत्रण के लिए व्यावहारिक समाधान प्रदान करते हैं।