一種創(chuàng)新的深度學習驅(qū)動技術(shù)用于恢復丟失的高密度表面肌電圖信號

高密度表面肌電圖（HD-sEMG）在醫(yī)療診斷、假肢控制和人機交互中具有重要作用。與傳統(tǒng)雙極sEMG相比，HD-sEMG采用更小的電極間距和尺寸，雖提升了空間分辨率，但也更容易因皮膚阻抗個體差異、環(huán)境電磁干擾、電極接觸不良等因素導致信號丟失。這種信號丟失嚴重影響了HD-sEMG系統(tǒng)的可靠性與進一步應用。

傳統(tǒng)處理方法如線性插值雖計算效率高，但難以捕捉HD-sEMG信號中復雜的時空依賴關系，尤其在多通道數(shù)據(jù)中表現(xiàn)有限。盡管已有研究針對雙極sEMG提出基于循環(huán)神經(jīng)網(wǎng)絡或?qū)�抗自編碼器的恢復方法，但針對HD-sEMG信號丟失的深度學習修復研究仍較為缺乏。因此，開發(fā)一種能夠有效恢復丟失HD-sEMG信號的方法，對提升其在臨床與工程應用中的實用性具有重要意義。

論文摘要

本研究提出一種基于卷積神經(jīng)網(wǎng)絡（CNN）結(jié)合注意力模塊的深度學習新方法，用于恢復丟失的HD-sEMG信號。方法采用改進的一維U-Net架構(gòu)，嵌入自注意力機制以增強對信號時空依賴關系的建模能力。實驗使用自定義64通道HD-sEMG電極網(wǎng)格（基于Kapton基板、金觸點、銅導線，制造標準與OT Bioelettronica商業(yè)產(chǎn)品一致）采集6名健康受試者在步態(tài)運動中的下肢肌電信號。信號采樣率為2000 Hz，使用OT Bioelettronica的Sessantaquattro無線16位A/D肌電放大器。研究模擬了兩種信號丟失場景：隨機丟失10%數(shù)據(jù)點，以及連續(xù)丟失8個通道的數(shù)據(jù)。實驗結(jié)果顯示，所提方法在隨機丟失場景中平均RMSE為0.108、MAE為0.070、R²為0.98、SSIM為0.96、PSNR為29.13 dB，顯著優(yōu)于傳統(tǒng)插值方法。結(jié)果表明該模型能有效恢復HD-sEMG信號，具有高保真度與良好的結(jié)構(gòu)一致性。

研究方法

01數(shù)據(jù)采集與設備

本研究使用自定義64通道HD-sEMG電極網(wǎng)格（圖1），電極排列基于Kapton基板，觸點材料為金，導線為銅，制造工藝與OT Bioelettronica商業(yè)產(chǎn)品一致。
 

 
信號采集使用OT Bioelettronica的Sessantaquattro無線16位A/D肌電放大器，采樣率2000 Hz。實驗招募6名健康受試者（3男3女），在下肢步態(tài)運動中采集HD-sEMG信號。電極網(wǎng)格置于膝下腓骨頭下方，與脛骨外側(cè)端對齊，使用前進行皮膚剃毛、去角質(zhì)和酒精清潔以降低阻抗。
 

02網(wǎng)絡架構(gòu)

模型基于U-Net架構(gòu)，將二維卷積替換為一維卷積以適應EMG信號的時序特性。網(wǎng)絡引入自注意力模塊（圖4a），通過計算查詢（Q）、鍵（K）、值（V）的權(quán)重關系，動態(tài)聚焦于信號關鍵區(qū)域。編碼器部分使用逐步下采樣和卷積塊提取特征，解碼器通過上采樣和跳躍連接恢復信號結(jié)構(gòu)。最終輸出層使用Sigmoid激活函數(shù)將信號值約束在[0,1]范圍內(nèi)。
 

03訓練與損失函數(shù)

使用隨機丟失10%數(shù)據(jù)點的信號作為輸入，真實完整信號作為標簽。損失函數(shù)結(jié)合均方誤差（MSE）與加權(quán)正則化項，專注于恢復丟失區(qū)域。訓練采用Adam優(yōu)化器，學習率4×10⁻³，批量大小256，共80輪。硬件使用NVIDIA RTX A4000 GPU加速。

實驗結(jié)果

實驗在兩種信號丟失場景下評估模型性能：

場景1（隨機10%數(shù)據(jù)丟失）：CNN恢復信號的RMSE為0.108、MAE為0.070、R²為0.98、SSIM為0.96、PSNR為29.13 dB，顯著優(yōu)于插值方法（RMSE 0.196）。視覺對比圖（圖5）顯示恢復信號與原始信號高度一致。
 

 
場景2（8通道連續(xù)丟失）：CNN恢復信號的RMSE為0.111、MAE為0.071、R²為0.98、SSIM為0.96、PSNR為28.83 dB，仍優(yōu)于插值方法（RMSE 0.243）。熱圖對比（圖7）顯示模型能有效重建通道級丟失信號。
 

 
不同丟失比例測試：在20%和30%丟失率下，模型性能略有下降但仍保持較高恢復質(zhì)量（表4），顯示其魯棒性。

注意力機制分析：去除自注意力模塊后性能下降（表5），說明該模塊對捕捉時空依賴關系至關重要。注意力權(quán)重可視化（圖8）顯示模型能自適應聚焦于關鍵通道。
 

總結(jié)與展望

本研究提出了一種基于CNN與自注意力機制的HD-sEMG信號恢復方法，在模擬信號丟失場景中表現(xiàn)出高精度與強魯棒性，優(yōu)于傳統(tǒng)插值方法。該方法不僅能提升HD-sEMG系統(tǒng)的可靠性，也為臨床診斷、康復訓練、運動分析等領域提供了更高質(zhì)量的信號支持。

未來研究可進一步拓展至更多運動類型、更大樣本量，并探索模型在嵌入式設備上的實時部署可行性，以推動HD-sEMG技術(shù)在實時監(jiān)測與交互系統(tǒng)中的應用。

原文鏈接：

https://doi.org/10.1007/s10489-025-06471-9

研究團隊介紹：

本論文由Yongkun Zhao領銜，聯(lián)合Juzheng Mao與Honghan Li共同完成。Yongkun Zhao現(xiàn)為Imperial College London神經(jīng)技術(shù)與機器人學方向博士生，曾于Osaka University、Hokkaido University及法國Paris-Saclay神經(jīng)科學研究所從事訪問研究，專注于神經(jīng)工程、人機交互與計算神經(jīng)科學。Juzheng Mao博士研究生就讀于Southeast University儀器科學與工程學院，研究方向為機器人學、可穿戴設備與生物醫(yī)學信號處理。

Honghan Li現(xiàn)任University of Science and Technology Liaoning計算機科學與軟件工程學院副教授，曾任日本學術(shù)振興會特別研究員，并于芬蘭University of Oulu機器視覺與信號分析中心擔任訪問研究員，長期致力于生物醫(yī)學信號處理與機器視覺研究。三位作者在生物醫(yī)學工程、深度學習與神經(jīng)機電系統(tǒng)領域具有扎實的理論基礎與豐富的跨學科合作經(jīng)驗，為本研究的創(chuàng)新方法與實驗設計提供了堅實支撐。

 
聯(lián)系我們

電話: 15920901903
官網(wǎng)：https//www.ruihongan.cn