《Sensors》:A Physics-Guided Quantitative GPR Framework for Detecting Hanging Sleepers in Ballasted Railway Tracks
Wen Yang,
Jie Gao and
Zhi Xu
编辑推荐:
摘要:针对表面肌电(sEMG, surface Electromyography)信号中慢肌肉激活起始(Slow Activation Onset)幅值低、渐变且易受噪声干扰导致传统阈值法与全局自注意力模型检测精度不足的问题,研究人员提出一种面向慢激活起始检测
摘要:针对表面肌电(sEMG, surface Electromyography)信号中慢肌肉激活起始(Slow Activation Onset)幅值低、渐变且易受噪声干扰导致传统阈值法与全局自注意力模型检测精度不足的问题,研究人员提出一种面向慢激活起始检测的轻量化深度网络(Lightweight Slow-Activation-Aware Network, LSA-Net)。该网络由差分带通滤波与z-score归一化构成的信号编码模块、沿时间轴的小核浅层时序卷积编码模块(Lightweight Temporal Encoding Module)、仅建模局部邻域关系的慢激活感知时序注意力机制(Slow-Activation-Aware Temporal Attention Mechanism)以及含门控融合与滑动窗口连续判据的噪声抑制与稳定决策策略(Noise Suppression and Stable Decision Strategy)组成。研究人员在公开NinaPro sEMG数据集上采用严格被试间五折交叉验证开展实验,结果表明所提方法在起始检测误差(Onset Detection Error, ODE)、检测延迟(Detection Delay)、假阳性率(False Positive Rate, FPR)及单样本推理时间方面均优于固定/自适应阈值法、滑窗统计法、支持向量机(SVM, Support Vector Machine)、随机森林(Random Forest, RF)、一维卷积神经网络(1D-CNN)、时序卷积网络(TCN, Temporal Convolutional Network)、双向长短时记忆网络(BiLSTM, Bidirectional Long Short-Term Memory)及Transformer基线模型,且总参数量仅24,580,具备嵌入式部署潜力。研究证实局部时序模式建模与邻域感知注意力可有效捕捉慢激活的单调渐变趋势并抑制瞬时噪声,为可穿戴康复与人机交互系统中的sEMG onset检测提供高精度低复杂度解决方案。
论文解读:基于慢激活感知时序注意力的sEMG慢肌肉激活起始检测轻量化网络(LSA-Net)
研究背景与意义
表面肌电(sEMG, surface Electromyography)信号的肌肉激活起始(Onset Detection)是人机交互、运动分析及康复评估中的关键步骤。与快速收缩引发的高幅值尖峰不同,"慢肌肉激活"Slow Muscle Activation / Slow Activation Onset)表现为幅值微增、单调性渐变且持续时间较长的低频趋势,易被基线漂移、工频干扰及肌电本身散粒噪声掩盖。传统固定或自适应阈值法对信噪比敏感、需手动调参;基于手工特征的机器学习难以泛化;标准深层网络(如Transformer全局自注意力、深层RNN)计算复杂且倾向于捕捉瞬态峰值而非渐变趋势,且参数量大不利于穿戴式设备部署。为此,研究人员设计了一种专门针对慢激活渐变特性的轻量化网络(LSA-Net),发表于MDPI《Sensors》期刊,旨在兼顾检测精度与计算效率。
主要关键技术方法
研究人员采集NinaPro公开多通道sEMG数据库(DB2, 12名受试者,8通道上肢肌肉sEMG @ 2 kHz),原始信号经20–450 Hz四阶Butterworth带通滤波及z-score归一化。采用250 ms滑动窗(50 ms步长),窗内>50%与标注激活期重叠则标为正样本。网络含四模块:①信号编码—差分与归一化;②轻量化时序编码—单层/双层1×K时间卷积(K小,C'≈C或略扩,τ激活+偏置),提取短时时域相对变化;③慢激活感知时序注意力—对每个时刻t拼接邻域F:,t?k:t+k与中心F:,t得Zt,经共享1×3卷积(Ca=32→Cb=16, ReLU)及1×1卷积+Sigmoid得标量αt∈(0,1),重构F?:,t=αt·F:,t;④噪声抑制与稳定决策—三层门控融合单元(Cs=16, 3×1卷积)输出yt,最终以窗Ω(t)内均值超过θ=0.75判定激活。训练用Nesterov动量SGD(lr=0.001, μ=0.9, weight decay=1e-4, batch=128),ReduceLROnPlateau与早停,被试间5-fold交叉验证,决策阈值与窗宽由验证集网格搜索确定并跨被试固定。
研究结果
3.3.1. Signal Preprocessing and Encoding Module(信号预处理与编码模块)
研究人员对原始多通道sEMG做带通滤波去除运动伪迹与直流漂移,再进行z-score标准化消除个体幅值差异,为后续卷积提供零中心、单位方差的低噪输入。
3.3.2. Lightweight Temporal Encoding Module(轻量化时序编码模块)
采用小核(K小)一维时间卷积提取局部时域滤波特征,使输出强调短时相对变化而非绝对幅值,契合慢激活渐变特性;第二层卷积仅做通道压缩稳分布不做大感受野扩展。卷积的时移不变性保证各时刻统一变换。
3.3.3. Slow-Activation-Aware Temporal Attention Mechanism(慢激活感知时序注意力机制)
构建邻域上下文Zt=Concat(F:,t?k:t+k, F:,t),经共享浅卷积生成逐时步标量权重αt=σ(Wa*Zt+ba),再按F?:,t=αt·F:,t重标定特征。该机制避免全局点积运算(O(T) vs O(T2)),权重由局部渐变趋势自适应产生,对慢激活单调上升段累积增强、对孤立噪声振荡平滑抑制,理论等价于约束加权平滑算子。
3.3.4. Noise Suppression and Stable Decision Strategy(噪声抑制与稳定决策策略)
通过堆叠门控融合单元St=?(Ut)·ψ(Vt)实现类自适应低通滤波,逐层衰减高频瞬态噪声保留慢变分量;最终决策采用窗口平均判据1/|Ω(t)|·Στ∈Ω(t)yτ>θ而非逐点过阈,容忍窗内小幅波动,抗单点噪声误触发能力强于"N连续过阈"规则。
4.1. Experimental Configuration(实验配置)
硬件NVIDIA RTX 3090 + i9-12900K,PyTorch 2.1.0,固定随机种子42。数据集按被试分层划分为训练70%/验证15%/测试15%,窗长250 ms步长50 ms,邻域半径k=2,θ=0.75(搜索范围0.5–0.9),总参24,580。严格被试间5-fold交叉验证防信息泄露。
4.2–4.3. Results and Discussion(结果与讨论)
LSA-Net取得最低ODE(约XX ms,依原文数值)、最小平均Detection Delay、最低FPR及最快单样本推理时间(<<1 ms),显著优于各基线(p<0.05)。参数量仅为Transformer基线的极小比例。讨论指出:浅卷积编码了局部差分趋势,邻域注意力强化了渐进单调性响应并压噪,门控决策进一步滤除残存瞬态干扰;方法在被试间迁移时仅需重新训练或微调,固定决策参数即具良好跨被试泛化。作者结论为:针对sEMG慢激活起始检测任务,局部时序建模+邻域感知轻量注意力+平均连续性判据构成的有效轻量化方案,在精度与效率间取得优良平衡,适用于实时可穿戴sEMG onset检测系统。
注:结果具体数值依原文表格数据填入,此处按原文浓缩表述。