Neuromotor Hierarchy Network：用于 sEMG 解码鲁棒泛化的生理归纳偏置

基于摘要分析。研究针对 sEMG 解码中用户与会话差异，以及任务相关动态跨通道、跨时间尺度的问题，提出 Neuromotor Hierarchy Network（NHN）。其核心贡献是通过任务监督学习紧凑的潜在神经运动状态，以显式表示任务相关的神经肌肉协同，而非仅学习波形到输出的映射。 机制上，NHN 采用受神经运动组织启发的层级结构：适配记录统计量并保留相对强度；通过参数高效的通道交互与多时间尺度历史调制构建时空特征；随后生成所学习运动基元的候选激活，经时间整合与连续加权形成潜在状态。这里的状态是任务监督下学习的表示，摘要未提供其与真实生理状态直接对应的验证。作者还提出了关于核心机制效率、时间行为和优化的理论分析，具体假设与适用边界尚未验证。 作者报告，在 emg2pose 连续手部姿态估计任务中，相比 Hadidi 等人的最佳任务专用变体，NHN 在 Regression 和 Tracking 两种设置、全部三种泛化划分下，将用户平均角度误差相对降低 0.52%–2.84%，参数量减少 48.42%–48.51%。三种划分的具体定义与误差绝对值未在摘要中给出。作者报告，在 emg2qwerty 触摸打字识别任务中，相比 SplashNet-Upscale，beam-search 字符错误率在零样本和微调后分别相对降低 19.40% 与 30.42%，参数量减少 65.86%；这些相对降幅不是百分点变化。数据划分、微调数据量、解码配置、消融及统计信息尚未验证。 平台推测（待验证）：多时间尺度整合与参数高效通道交互可能用于 EEG 解码，但这一假设不等同于已验证的 BCI 效果。sEMG 运动基元与 EEG 信号生成机制不同，需要改造归一化及潜在状态解释；低信噪比、通道布局差异和小样本监督可能使该归纳偏置失效。可在固定 Cross-subject EEG 协议下，以参数匹配的时空编码器为对照，仅检验多时间尺度调制模块是否稳定改善泛化。已有 EEG 相关工作尚未检索确认。