高密度表面肌电图（HD-sEMG）在医疗诊断、假肢控制和人机交互中具有重要作用。与传统双极sEMG相比，HD-sEMG采用更小的电极间距和尺寸，虽提升了空间分辨率，但也更容易因皮肤阻抗个体差异、环境电磁干扰、电极接触不良等因素导致信号丢失。这种信号丢失严重影响了HD-sEMG系统的可靠性与进一步应用。

传统处理方法如线性插值虽计算效率高，但难以捕捉HD-sEMG信号中复杂的时空依赖关系，尤其在多通道数据中表现有限。尽管已有研究针对双极sEMG提出基于循环神经网络或对抗自编码器的恢复方法，但针对HD-sEMG信号丢失的深度学习修复研究仍较为缺乏。因此，开发一种能够有效恢复丢失HD-sEMG信号的方法，对提升其在临床与工程应用中的实用性具有重要意义。

论文摘要

本研究提出一种基于卷积神经网络（CNN）结合注意力模块的深度学习新方法，用于恢复丢失的HD-sEMG信号。方法采用改进的一维U-Net架构，嵌入自注意力机制以增强对信号时空依赖关系的建模能力。实验使用自定义64通道HD-sEMG电极网格（基于Kapton基板、金触点、铜导线，制造标准与OT Bioelettronica商业产品一致）采集6名健康受试者在步态运动中的下肢肌电信号。信号采样率为2000 Hz，使用OT Bioelettronica的Sessantaquattro无线16位A/D肌电放大器。研究模拟了两种信号丢失场景：随机丢失10%数据点，以及连续丢失8个通道的数据。实验结果显示，所提方法在随机丢失场景中平均RMSE为0.108、MAE为0.070、R²为0.98、SSIM为0.96、PSNR为29.13 dB，显著优于传统插值方法。结果表明该模型能有效恢复HD-sEMG信号，具有高保真度与良好的结构一致性。

研究方法

01数据采集与设备

本研究使用自定义64通道HD-sEMG电极网格（图1），电极排列基于Kapton基板，触点材料为金，导线为铜，制造工艺与OT Bioelettronica商业产品一致。
 

 
信号采集使用OT Bioelettronica的Sessantaquattro无线16位A/D肌电放大器，采样率2000 Hz。实验招募6名健康受试者（3男3女），在下肢步态运动中采集HD-sEMG信号。电极网格置于膝下腓骨头下方，与胫骨外侧端对齐，使用前进行皮肤剃毛、去角质和酒精清洁以降低阻抗。
 

02网络架构

模型基于U-Net架构，将二维卷积替换为一维卷积以适应EMG信号的时序特性。网络引入自注意力模块（图4a），通过计算查询（Q）、键（K）、值（V）的权重关系，动态聚焦于信号关键区域。编码器部分使用逐步下采样和卷积块提取特征，解码器通过上采样和跳跃连接恢复信号结构。最终输出层使用Sigmoid激活函数将信号值约束在[0,1]范围内。
 

03训练与损失函数

使用随机丢失10%数据点的信号作为输入，真实完整信号作为标签。损失函数结合均方误差（MSE）与加权正则化项，专注于恢复丢失区域。训练采用Adam优化器，学习率4×10⁻³，批量大小256，共80轮。硬件使用NVIDIA RTX A4000 GPU加速。

实验结果

实验在两种信号丢失场景下评估模型性能：

场景1（随机10%数据丢失）：CNN恢复信号的RMSE为0.108、MAE为0.070、R²为0.98、SSIM为0.96、PSNR为29.13 dB，显著优于插值方法（RMSE 0.196）。视觉对比图（图5）显示恢复信号与原始信号高度一致。
 

 
场景2（8通道连续丢失）：CNN恢复信号的RMSE为0.111、MAE为0.071、R²为0.98、SSIM为0.96、PSNR为28.83 dB，仍优于插值方法（RMSE 0.243）。热图对比（图7）显示模型能有效重建通道级丢失信号。
 

 
不同丢失比例测试：在20%和30%丢失率下，模型性能略有下降但仍保持较高恢复质量（表4），显示其鲁棒性。

注意力机制分析：去除自注意力模块后性能下降（表5），说明该模块对捕捉时空依赖关系至关重要。注意力权重可视化（图8）显示模型能自适应聚焦于关键通道。
 

总结与展望

本研究提出了一种基于CNN与自注意力机制的HD-sEMG信号恢复方法，在模拟信号丢失场景中表现出高精度与强鲁棒性，优于传统插值方法。该方法不仅能提升HD-sEMG系统的可靠性，也为临床诊断、康复训练、运动分析等领域提供了更高质量的信号支持。

未来研究可进一步拓展至更多运动类型、更大样本量，并探索模型在嵌入式设备上的实时部署可行性，以推动HD-sEMG技术在实时监测与交互系统中的应用。

原文链接：

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

研究团队介绍：

本论文由Yongkun Zhao领衔，联合Juzheng Mao与Honghan Li共同完成。Yongkun Zhao现为Imperial College London神经技术与机器人学方向博士生，曾于Osaka University、Hokkaido University及法国Paris-Saclay神经科学研究所从事访问研究，专注于神经工程、人机交互与计算神经科学。Juzheng Mao博士研究生就读于Southeast University仪器科学与工程学院，研究方向为机器人学、可穿戴设备与生物医学信号处理。

Honghan Li现任University of Science and Technology Liaoning计算机科学与软件工程学院副教授，曾任日本学术振兴会特别研究员，并于芬兰University of Oulu机器视觉与信号分析中心担任访问研究员，长期致力于生物医学信号处理与机器视觉研究。三位作者在生物医学工程、深度学习与神经机电系统领域具有扎实的理论基础与丰富的跨学科合作经验，为本研究的创新方法与实验设计提供了坚实支撑。

 
联系我们

电话: 15920901903
官网：https//www.ruihongan.cn