본 논문은 근전도(EMG) 기반 수부 동작 인식을 위한 새로운 접근법인 XMANet을 제안한다. XMANet은 얕은 CNN 전문가부터 깊은 CNN 전문가까지의 계층 간 상호 주의 메커니즘을 통해 저수준 국소적 특징과 고수준 의미적 단서를 통합하는 모델이다. 단시간 푸리에 변환(STFT)과 웨이블릿 변환(WT)을 통해 얻은 스펙트로그램과 스케일로그램을 사용하여, ResNet50, DenseNet-121, MobileNetV3, EfficientNetB0 등의 기존 모델들과 비교 평가하였다. Grabmyo 및 FORS EMG 데이터셋 실험 결과, XMANet은 다양한 기저 모델과 신호 처리 기법에서 일관되게 성능 향상을 보이며, 미세한 특징을 활용한 정확하고 견고한 EMG 분류의 가능성을 보여준다. STFT와 WT 모두에서 기존 모델들 대비 성능 향상을 확인하였으며, 그 향상폭은 데이터셋과 기저 모델에 따라 1.46%~9.36%에 달한다.
