Neues Modell FatigueFormer verbessert Muskelermüdungs-Erkennung mit sEMG

Ein neu entwickeltes Framework namens FatigueFormer kombiniert gezielte Merkmals­trennung mit tiefem zeitlichen Modellieren, um aus Oberflächselektromyographie (sEMG) interpretierbare und generalisierbare Muskelermüdungs­dynamiken zu lernen. Durch die parallele Nutzung von Transformer‑basierten Sequenz­encodern erfasst FatigueFormer sowohl statische als auch zeitliche Merkmale separat und fusioniert deren komplementäre Repräsentationen. Dadurch bleibt die Leistung stabil, auch wenn die maximale freiwillige Kontraktion (MVC) stark variiert.

Die Autoren haben das System an einem selbst erstellten Datensatz getestet, der 30 Probanden über vier MVC‑Stufen (20 % bis 80 %) umfasst. FatigueFormer erzielt damit die bisher höchste Genauigkeit und zeigt eine starke Generalisierung bei leichtem Ermüdungsgrad. Im Vergleich zu früheren Ansätzen, die bei unterschiedlichen MVC‑Niveaus an Stabilität verlieren, bleibt die Genauigkeit über das gesamte Spektrum hinweg konstant.

Ein besonderes Merkmal des Modells ist die auf Aufmerksamkeitsmechanismen basierende Visualisierung. Sie ermöglicht es, die Beiträge einzelner Merkmalgruppen und Zeitfenster zu untersuchen und liefert damit nachvollziehbare Einblicke in die Entwicklung der Muskelermüdung. FatigueFormer bietet damit nicht nur eine leistungsstarke Erkennungs­lösung, sondern auch ein Werkzeug zur transparenten Analyse von Ermüdungs­prozessen.