Neuromotor Hierarchy Network: Physiological Inductive Biases for Robust Generalization in sEMG Decoding

📄 arXiv: 2610.07713v1 📥 PDF

作者: He Wang, Hongyuan Qi, Zhaoxian Zhang, Jinbin Luo, Linyi He, Mehul Motani, Changsheng Wu

分类: cs.LG

发布日期: 2026-10-06

💡 一句话要点

提出神经运动层次网络以解决sEMG解码的泛化问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: sEMG解码 神经运动层次网络 运动原语 人机交互 可穿戴设备 生理学指导 参数高效

📋 核心要点

  1. 现有sEMG解码方法面临用户和会话间的变异性，导致泛化能力不足。
  2. 提出的神经运动层次网络通过任务监督学习潜在神经运动状态，增强了对神经肌肉协调的表示能力。
  3. 在emg2pose和emg2qwerty任务中，NHN显著降低了误差率，并减少了参数数量，提升了效率。

📝 摘要（中文）

表面肌电图（sEMG）为运动解码和人机交互提供了一种可穿戴的非侵入性接口。然而，由于sEMG与神经肌肉活动之间的关系因用户和会话而异，人口规模的解码仍然困难。本文提出了神经运动层次网络（NHN），通过任务监督学习紧凑的潜在神经运动状态，以表示任务相关的神经肌肉协调。NHN通过受神经运动组织启发的层次结构构建该潜在状态，适应记录统计数据，同时保持相对强度。实验结果表明，NHN在手势估计和触摸打字识别任务中显著提高了性能，减少了参数数量。

🔬 方法详解

问题定义：本文旨在解决sEMG解码中用户间和会话间的变异性问题。现有方法未能有效区分记录变异性与协调运动活动，导致泛化能力不足。

核心思路：论文提出的神经运动层次网络（NHN）通过任务监督学习构建潜在神经运动状态，旨在更好地表示任务相关的神经肌肉协调。该设计灵感来源于神经运动组织的层次结构，能够适应不同的记录统计数据。

技术框架：NHN的整体架构包括一个时空编码器，该编码器通过参数高效的通道交互来调节特征，并利用多时间尺度的历史信息。最终生成的特征用于候选激活的学习运动原语，并通过时间集成和连续加权形成最终状态。

关键创新：NHN的主要创新在于其通过生理学指导的推理来学习潜在神经运动状态，从而实现参数高效的sEMG解码。这一方法与现有的任务特定变体相比，显著提高了泛化能力。

关键设计：在网络结构上，NHN采用了参数高效的通道交互设计，并在损失函数中引入了时间集成机制，以优化运动原语的激活。此外，使用了多时间尺度的特征调节策略，以增强模型的适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在emg2pose任务中，NHN相较于Hadidi等人的最佳任务特定变体，用户平均角度误差降低了0.52%至2.84%，且参数减少了48.42%至48.51%。在emg2qwerty任务中，NHN的零-shot字符错误率降低了19.40%，经过微调后降低了30.42%，同时参数减少了65.86%。

🎯 应用场景

该研究的潜在应用领域包括可穿戴设备、康复医学和人机交互等。通过提高sEMG解码的准确性和效率，NHN可以在运动控制、虚拟现实和辅助技术等方面发挥重要作用，推动智能设备与用户之间的交互方式变革。

📄 摘要（原文）

Surface electromyography (sEMG) provides a wearable, noninvasive interface to neuromuscular activity for movement decoding and human-computer interaction. Population-scale decoding remains difficult because the relationship between sEMG and neuromuscular activity varies across users and sessions, while task-relevant dynamics span channels and multiple timescales. Learning waveform-to-output mappings from task labels leaves the distinction between recording variability and coordinated motor activity implicit. We introduce the Neuromotor Hierarchy Network (NHN), which learns a compact latent neuromotor state from task supervision to represent task-relevant neuromuscular coordination. NHN constructs this latent state through a hierarchy inspired by neuromotor organization.It adapts recording statistics while preserving relative intensity.Its spatiotemporal encoder uses parameter-efficient channel interactions and modulates features with multi-timescale history. The resulting features yield candidate activations of learned motor primitives, which are temporally integrated and continuously weighted to form the state. Theoretical analysis characterizes the efficiency, temporal behavior, and optimization of NHN's core mechanisms. We evaluate the architecture for both continuous hand-pose estimation on emg2pose and touch-typing recognition on emg2qwerty. On emg2pose, NHN reduces user-averaged angular error by 0.52% to 2.84% across all three generalization splits in both Regression and Tracking relative to Hadidi et al.'s best task-specific variants, using 48.42% to 48.51% fewer parameters. On emg2qwerty, NHN reduces beam-search character error rate by 19.40% zero-shot and 30.42% after fine-tuning relative to SplashNet-Upscale, using 65.86% fewer parameters. Physiology-guided inference of a latent neuromotor state supports parameter-efficient sEMG decoding.