Multi-Strategy Generalization Enhancement for sEMG-Based Wrist Motion Regression: Domain Adaptation and Synthetic Data Expansion

Abstract

본 연구는 sEMG(표면 근전도) 신호를 이용한 손목 운동 회귀 모델의 일반화 성능을 향상시키기 위해 도메인 적응, 스타일 변환 기반 합성 데이터 증강, 근골격 시뮬레이션 기반 합성 sEMG 생성의 세 가지 상호 보완적 전략을 통합적으로 제안한다. sEMG는 비침습성과 실시간성의 장점으로 보조·재활 로봇 및 의지 제어의 핵심 신호로 활용되지만, 개인 간 생리적 차이, 세션 간 변화, 팔 위치 변화 등으로 인한 비정상성으로 신호 분포가 크게 달라져 새로운 사용자나 환경에서 모델 성능이 저하되는 문제가 존재한다. 이를 해결하기 위해 첫째, MAMBA 기반 회귀 모델과 표현 서브스페이스 거리를 활용한 비지도 도메인 적응 기법을 결합하여 개인 간 분포 차이를 줄이면서도 회귀에 필수적인 특징 스케일을 보존하는 전략을 제안하고, 추가 캘리브레이션 없이도 새로운 사용자에 대해 안정적인 손목 운동 추정이 가능함을 확인하였다. 둘째, STENet을 통해 개별 사용자의 고유 sEMG 스타일을 유지하면서도 다른 사용자 스타일로 변환된 신호를 생성하는 주체 간 변환 기반 합성 데이터 증강 기법을 제안하여 운동 의도를 보존한 상태로 데이터 다양성을 확장하고, 교차 세션 및 교차 사용자 회귀 정확도를 효과적으로 향상시켰다. 셋째, OpenSim 기반 상지 근골격 모델을 이용하여 근육 활성도와 근섬유 길이 변화를 반영한 생체역학적 합성 sEMG를 생성함으로써 팔 위치 변화에 따른 신호 분포 변화를 보완하고 다양한 자세 조건에서의 강건성을 확보하였다. 전체적으로 세 방법은 각각 독립적으로 성능 향상에 기여할 뿐 아니라 상호 보완적으로 작용하여 실환경에서의 일반화 및 연속적 제어 성능을 크게 개선하였으며, 제안된 통합 전략은 개인별 캘리브레이션 부담을 줄이고 다자유도 보조기 및 의지 제어 시스템의 실시간 적용 가능성을 높이는 데 중요한 기반을 제공한다.|This study proposes an integrated framework to enhance the generalization performance of wrist-motion regression models using surface electromyography (sEMG) signals by combining three complementary strategies: domain adaptation, style-transferred synthetic data augmentation, and musculoskeletal simulation–based synthetic sEMG generation. Although sEMG offers noninvasive and real-time access to muscle activity and is widely used as a key signal for assistive and rehabilitation robots as well as prosthetic control, it suffers from nonstationarity caused by inter-subject physiological differences, inter-session variability, and changes in arm position. These factors lead to substantial shifts in signal distribution and degrade model performance when applied to new users or environments. To address this issue, we first combine a MAMBA-based regression model with an unsupervised domain adaptation method using representation subspace distance, which reduces inter-subject discrepancies while preserving feature scale essential for regression, enabling stable wrist-motion estimation without additional calibration. Second, we introduce STENet, a subject-style transfer data augmentation approach that generates sEMG signals transformed into the styles of other users while maintaining motor intent. This expands data diversity and effectively improves cross-session and cross-subject regression accuracy. Third, we develop a musculoskeletal simulation–driven synthetic sEMG generation method using an OpenSim upper-limb model, reflecting muscle activations and fiber-length variations to compensate for posture-induced distribution shifts and enhance robustness under diverse arm configurations. Collectively, these three methods not only individually contribute to performance improvement but also act synergistically to substantially enhance generalization and continuous control performance in real-world scenarios. The proposed integrated framework reduces user-specific calibration requirements and provides a strong foundation for real-time deployment of multi-degree-of-freedom assistive and prosthetic control systems.