Repaint High-Density Surface Electromyography Signal Using Denoising Diffusion Probabilistic Model

doi:10.1109/TBME.2025.3604527

Repaint High-Density Surface Electromyography Signal Using Denoising Diffusion Probabilistic Model

2025-09-02

0

PRE

AI

DOI：10.1109/TBME.2025.3604527

原文链接

原文求助

摘要

En 中文

目的：高密度表面肌电信号（HD-sEMG）已发展成为一种用于肌电控制和激活模式分析的有力工具。然而，由于电极接触不良和通道损坏导致的信号丢失仍然是一个重大挑战，限制了HD-sEMG信号的可靠性和实际应用。传统的插值方法无法有效重建损坏的信号，尤其是在多个相邻通道受影响时。方法：本文提出了一种基于去噪扩散概率模型（DDPM）并结合重绘策略的新型HD-sEMG信号重建方法。通过利用带有时空嵌入模块的U-Net结构，该方法能够有效学习HD-sEMG信号的空间和时序特征，从而在不依赖损坏模式先验知识的情况下实现高保真信号重建。结果：实验评估在6种不同比例（12.5%至50%）的损坏模式上进行，使用了自采集数据集（包括截肢受试者）和一个基准数据集。结果表明，所提出的方法在（$nRMSE$）指标上持续优于插值方法（线性：0.038 $\pm$ 0.033，三次：0.038 $\pm$ 0.032）、生成对抗网络（GAN）（0.049 $\pm$ 0.041）和变分自编码器（VAE）（0.068 $\pm$ 0.046）（$p < 0.001$），在所有损坏比例下平均误差最低，达到0.027 $\pm$ 0.027。在$PSNR$方面，所提出的方法达到最高均值（35.81 $\pm$ 17.95 dB），优于插值方法（线性：33.89 $\pm$ 26.85，三次：33.88 $\pm$ 26.88 dB）、GAN（31.08 $\pm$ 19.14 dB）和VAE（26.98 $\pm$ 18.94 dB）（$p < 0.001$）。此外，所提出的方法在较低损坏比例下保持了稳健的分类精度，其性能与真实信号无统计学差异。意义：所提出的HD-sEMG信号重建方法为提升HD-sEMG信号采集的保真度和可靠性提供了新的解决方案。

Keyword:

High-density electromyography

signal reconstruction

myoelectric control

diffusion model

Repaint High-Density Surface Electromyography Signal Using Denoising Diffusion Probabilistic Model

摘要

期刊

机构

引用论文