基于卷积自编码器的高密度表面肌电信号分解方法研究

《Biomedical Signal Processing and Control》:A convolutional autoencoder approach for high-density surface electromyogram decomposition

【字体: 大 中 小 】 时间:2026年10月12日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

  深度学习方法的兴起为高密度表面肌电(HD sEMG)信号分解提供了一种新的替代途径。然而,目前大多数相关应用依赖于监督学习方法,这类方法往往需要预先从经典线性盲源分离算法中获取训练数据。在此,研究人员提出了一种用于HD sEMG分解的无监督卷积自编码器方法,该

  
深度学习方法的兴起为高密度表面肌电(HD sEMG)信号分解提供了一种新的替代途径。然而,目前大多数相关应用依赖于监督学习方法,这类方法往往需要预先从经典线性盲源分离算法中获取训练数据。在此,研究人员提出了一种用于HD sEMG分解的无监督卷积自编码器方法,该方法在瓶颈层引入了稀疏性和源去相关正则化,从而突破了近期工作中仅能采用单层密集网络的架构限制,实现了多层网络架构的构建。该方法在三种收缩强度及多种噪声水平条件下生成的、具有生理学基础的合成HD sEMG数据上进行了评估,并在低强度等长收缩期间从第一骨间背侧肌记录的实验HD sEMG数据上进行了验证。所提出的算法与传统线性无监督算法及近期基于自编码器的算法进行了对比验证。在合成数据中,所提出的深度学习方法在性能上优于先前报道的方法,尤其是在噪声增加和收缩强度增大等具有挑战性的条件下,获得了更高的脉冲噪声比(PNR)值。对实验数据的分解结果显示,基于自编码器的方法所提取的源信号具有比线性方法更高的脉冲噪声比,同时保持了相当的源数量和一致率(RoA)。这些研究结果表明,所提出的卷积算法在估计运动单元脉冲序列方面比线性方法更为精确。这一进展为无监督深度学习方法在HD sEMG分解中的应用铺平了道路,尤其是在需要尽量减少专家事后分解精修的场合,例如假肢控制和人机接口领域。
一、研究背景与问题提出
高密度表面肌电(HD sEMG)信号分解是深入理解运动控制背后神经生理机制的重要技术手段。除其生理学意义外,该技术在人与机器接口和神经假肢领域也得到了广泛应用,旨在提升多自由度控制的可用性与直观性。经典的HD sEMG分解方法主要基于线性盲源分离思路,依据源信号(即运动单元脉冲序列)的统计特性先验知识来估计分离向量。这类线性方法在多种实验条件下已得到充分验证并被广泛采用。然而,随着深度学习方法的普及,其被引入到HD EMG信号分解中并展现出良好前景。例如,Clarke等人提出的算法在低信噪比条件下优于线性方法,即使在线性算法参与深度学习训练阶段的情况下也是如此。这归因于神经网络具备的灵活性与非线性特性,使其能够学习更为复杂的映射关系,尽管其本质上是基于经典线性方法的监督学习范式。
Mayer等人曾采用无监督深度学习方法分解高密度肌内肌电(iEMG)信号,在自编码器的瓶颈层通过正则化函数来体现源信号的统计特性,从而估计运动单元脉冲序列。尽管该方法在线性分解方法基础上有所改进,但其未能充分发挥神经网络的灵活性,例如未在算法架构中引入多层结构。此外,该方法的思路与经典的定点盲源分离算法高度相似,均旨在寻求一个正交分离矩阵对HD EMG混合信号进行变换。
二、研究内容与主要结论
针对上述局限,研究人员提出了一种新的深度学习架构,将自编码器与正则化函数相结合,充分利用了源信号的统计知识。与正交化网络权重不同,该方法通过对源信号进行去相关处理,从而支持卷积、多层的网络架构。这一进展在Mayer等人方法的基础上,引入了卷积架构和能够实现多层网络的去相关正则化函数。所提出的算法在合成与实验HD sEMG数据上均进行了评估,并与经典线性分解算法及Mayer等人提出的自编码器方法进行了性能对比。
在合成数据上,所提出的深度学习方法在多种噪声水平和收缩强度条件下均优于先前报道的方法,特别是在高噪声和高收缩强度等困难条件下,获得了更高的脉冲噪声比(PNR)值。在实验数据上,基于自编码器的方法所分解出的源具有比线性方法更高的PNR,同时保持了相当的源数量和一致率(RoA)。这些结果证实,所提出的卷积算法在估计运动单元脉冲序列方面比线性方法更为准确,为无监督深度学习方法在HD sEMG分解中的实际应用奠定了基础,尤其在需要最小化专家事后精修的场景中,如假肢控制和人机接口。
三、关键技术方法概述
研究人员将HD sEMG分解建模为线性和卷积盲源分离问题。信号模型假设记录系统包含m个电极,n个运动单元处于活动状态,每个运动单元的动作电位形状由有限时长(L个采样点)的向量hij表征,电极观测信号xi(t)为各运动单元脉冲序列sj(t)经卷积混合并叠加噪声ηi(t)的结果。所提出的方法采用无监督卷积自编码器架构,在瓶颈层引入稀疏性正则化和源去相关正则化,以此替代传统方法中对分离矩阵的正交性约束,从而实现了多层卷积网络结构的构建。算法在生理学仿真生成的合成HD sEMG数据(涵盖三种收缩强度与多种噪声水平)以及第一骨间背侧肌低强度等长收缩的实验数据上进行了训练与验证,并与传统线性无监督算法和近期基于自编码器的算法进行了对比评估。
四、研究结果
4.1 合成数据上的分解性能
在合成数据评估中,所提出的卷积自编码器方法在多种条件下均表现出优于传统线性方法和先前自编码器方法的性能。具体而言,在噪声水平增加和收缩强度增大的挑战性条件下,该方法获得了更高的脉冲噪声比(PNR)值,表明其在估计运动单元脉冲序列时具有更高的准确性和鲁棒性。
4.2 实验数据上的分解性能
在实验HD sEMG数据分解中,基于自编码器的方法所提取的源信号具有比线性方法更高的脉冲噪声比(PNR),同时保持了相当的源数量和一致率(RoA)。这一结果表明,所提出的卷积算法在真实生理信号上同样能够提供比线性方法更精确的运动单元脉冲序列估计。
五、讨论与结论
讨论部分指出,所提出的无监督卷积自编码器方法有效克服了先前基于自编码器方法在架构上的局限,通过引入源去相关正则化替代权重正交化,成功实现了多层卷积网络的构建。该方法在合成和实验数据上的表现均优于传统线性方法,尤其在噪声和收缩强度增加的条件下优势更为明显。研究结论表明,所提出的卷积算法在估计运动单元脉冲序列方面比线性方法更为准确,这一进展为无监督深度学习方法在HD sEMG分解中的应用铺平了道路,特别是在假肢控制和人机接口等需要尽量减少专家事后分解精修的场合具有重要应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号