Europe PMC（brain-computer interface · Preprints）· Song Z, Ullah A, Mansoor M, Wang Y.·· 2026-07-09AI 评分12
基于 sEMG 流与多注意力残差网络的 E-Taste 信号编码与分类
E-Taste Signal Encoding and Classification via Multi- Attention Residual Networks Using sEMG Streams in Virtual Sensory Systems
AI 导读
研究提出 MACB-ResNet 多注意力通道模块与残差学习模型，用银电极采集面部肌肉 sEMG 信号，对舌尖受刺激后的六类电子味觉（无、咸、雪碧、苦、薄荷、酸）进行分类，准确率达 86.32%，高于 KNN 的 65.11%、RF 的 78.35% 和 DenseNet-201 的 81.93%。PCA 与 t-SNE 可视化及消融实验显示残差连接与多注意力通道模块对性能均有显著影响。
AI 要点
团队
作者为 Song Z、Ullah A、Mansoor M、Wang Y，原文未列出所属机构
主要结果
MACB-ResNet 分类准确率 86.32%，高于 KNN（65.11%）、随机森林（78.35%）和 DenseNet-201（81.93%）。
解决什么问题
提升基于表面肌电（sEMG）的电子味觉（E-Taste）分类精度。
方法
用银电极采集面部肌肉 sEMG，刺激舌尖产生无、咸、雪碧、苦、薄荷、酸六类味觉；数据去趋势、滤波后转频谱图，由 MACB-ResNet 分类。
局限
从研究设计看，为分类算法可行性研究，未涉及真实使用场景验证；苦与酸等相似类别仍存在混淆。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · Preprints） · doi.org