TrustEMG-Net:使用U-Net的表示掩饰变压器进行表面肌电图增强

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 表面电肌图 (sEMG) 对于肌肉活动分析至关重要,但易受污染物的影响.
• 现有的排污方法通常是基于启发式的,缺乏稳定性,并且是特定于污染物的.

研究的目的:

• 开发一种强大,稳固和普遍的sEMG拒绝方法.
• 引入TrustEMG-Net,一种基于神经网络的新方法来清理sEMG信号.

主要方法:

• 使用了一种无噪自编码器结构,将U-Net与变压器编码器结合起来.
• 采用代表性掩盖方法来增强特征学习.
• 在Ninapro sEMG数据库上评估了TrustEMG-Net,其污染类型和SNR水平不同.

主要成果:

• 在五个评估指标中,TrustEMG-Net表现出色,超过现有方法至少20%.
• 该方法在不同的信号噪声比率 (SNR) 中显示出一致的优越性,从-14到2dB,以及五种污染物类型.
• 一项废除研究证实了TrustEMG-Net的架构组件的有效性.

结论:

• TrustEMG-Net提供了一种高效,强大和通用的解决方案,用于sEMG的拒绝.
• 拟议的神经网络方法显著提高了各种应用的sEMG信号质量.
• 这一进步支持医疗保健和使用sEMG数据的人与计算机交互系统的准确性提高.