同一手势，不同传感器：面向异构 sEMG 手势识别的跨数据集表征学习

基于摘要分析。本文研究可穿戴手部手势识别中的 sEMG 跨数据集迁移问题，针对电极配置、通道数、被试及采集条件不一致导致的数据集难以联合利用，提出将异构数据视为共享手势语义的互补传感观测。研究对象是表面肌电，而非 EEG 或脑信号解码。 方法以通道 token 表征和数据集专属适配器支持可变通道输入。在异构源数据预训练阶段，掩码通道表征学习用于降低模型对单个传感观测的依赖；有监督跨数据集对比学习则显式对齐不同数据集中的同手势表征。随后，模型通过掩码适应及有监督微调迁移至此前未见的目标数据集，摘要明确该阶段仅使用目标训练划分。该机制依赖跨数据集可对应的手势标签；具体标签映射、适配器结构、损失形式及训练规模尚未验证。 作者报告，在五个独立采集、通道数覆盖 2–16 的 sEMG 数据集上，称为 source-only transfer 的方案相较单数据集训练，将平均 Balanced Accuracy 从 77.52% 提升至 80.47%，且五个目标数据集均有改善。摘要同时描述了目标训练划分上的适应与微调，因此需核对 source-only 的操作定义，以及该结果对应哪一阶段和训练条件。数据集名称、被试内或跨被试划分、各目标结果、消融及统计信息尚未验证。 平台推测（待验证）：通道 token 与掩码学习可能为 EEG 跨设备、不同通道配置下的表征复用提供方法假设，但 sEMG 的共享手势语义不能直接视为 EEG 中已成立的对齐依据。可复用的是可变通道接口与掩码训练思路；需改造电极位置编码、任务标签对应及数据集适配器。EEG 的低信噪比、跨被试差异和小样本可能导致错误语义对齐。一个可检验的小实验是在具有相同任务标签的 EEG 数据上，固定被试划分和目标训练预算，对比单源训练与多源训练，再分别移除掩码学习和跨数据集对比项，检验收益来源。已有 EEG 相关工作尚未检索确认。