发表机构
Imperial College London（帝国理工学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出EMG-GPT，一种基于因果Transformer的模型，利用残差量化sEMG令牌进行自监督预训练，通过深度自回归未来代码预测学习时间动态，在手部姿态估计的回归和跟踪任务中取得竞争性结果，验证了仅EMG预训练的有效性。
AI 中文摘要
表面肌电信号（sEMG）是一种低功耗、成本低廉的生物信号，用于手部姿态估计和手势分类。在这项工作中，我们研究了在sEMG上进行自监督预训练是否能够产生可迁移的表示，用于连续手部姿态估计。我们提出了EMG-GPT，一种基于因果Transformer的模型，它操作于来自冻结的残差向量量化（RVQ）分词器的离散sEMG表示，并通过深度自回归未来代码预测来学习时间动态。该模型结合了帧内集成与因果时间建模，同时保留了预训练码本的几何结构。EMG-GPT在回归和跟踪任务中均表现出竞争性结果，支持仅使用EMG的预训练作为学习可迁移sEMG表示的一种可行方法。
英文摘要
Surface electromyography (sEMG) is a low-power, cost-effective biosignal for hand-pose estimation and gesture classification. In this work, we examine whether self-supervised pretraining on sEMG can yield transferable representations for continuous hand-pose estimation. We introduce EMG-GPT, a causal transformer-based model that operates on discrete sEMG representations from a frozen residual vector quantization (RVQ) tokenizer and learns temporal dynamics through depth-autoregressive future-code prediction. The model combines within-frame integration with causal temporal modeling while preserving the geometry of the pretrained codebook. EMG-GPT shows competitive results in both Regression and Tracking tasks, supporting EMG-only pretraining as a viable approach for learning transferable sEMG representations.
