一种用于高效压缩及精确恢复高密度表面肌电图信号的开源混合网络算法
2026-08-27 来源:本站 点击次数:99高密度表面肌电（HD‑sEMG）通过密集电极阵列捕获肌肉活动的精细时空分布，相较传统双极sEMG具有更高空间分辨率和更准确的肌源定位能力，广泛应用于神经康复、运动分析和人机交互。然而，HD‑sEMG多通道（如本研究的64通道）设计导致数据量剧增，带来存储、传输和实时处理的巨大压力；同时，电极接触波动、运动伪迹和电磁干扰常造成信号丢失或畸变，传统线性插值或无损压缩难以兼顾压缩效率与信号保真度。现有方法如JPEG压缩、浅层自编码器等或在压缩比上不足，或对非线性时空特征建模能力有限，且缺乏对信号丢失的鲁棒修复机制。因此，亟需一种既能高效压缩又能精准恢复HD‑sEMG的统计算法，以推动该技术在资源受限场景下的实用化。
论文摘要
本文提出HD‑sEMG‑CORE，一个开源混合网络算法，融合变分自编码器（VAE）、基于U‑Net的卷积神经网络（CNN）和生成对抗网络（GAN），实现64通道HD‑sEMG信号的高效压缩与精准恢复。VAE将输入信号编码为低维潜空间张量（压缩比达64∶1），并通过带注意力机制的解码器重建完整信号；针对信号损坏，预训练的VAE编码器将干净与损坏信号分别映射至潜空间，轻量U‑Net学习二者映射关系，修复后由VAE解码器输出完整信号。实验采用自定义金触点64电极阵列和OT Bioelectronica Sessantaquattro无线放大器（2000 Hz采样），采集6名受试者在平地、斜坡和楼梯三种步态下的数据。评估指标（MSE、MAE、皮尔逊相关系数ρ、PSNR、SSIM）显示，压缩重建的ρ>0.92，SSIM>0.91；损坏恢复的ρ约0.86‑0.88，显著优于参考组（ρ≈0.75）。连续信号估计和运动分类任务进一步验证了压缩信号的功能保真度。该算法为HD‑sEMG大数据管理提供了高效精准的解决方案，具备神经工程应用潜力。
研究方法
实验采用定制64通道HD‑sEMG电极网格（Kapton基底，金触点，铜导线），信号经OT Bioelectronica Sessantaquattro无线16位A/D放大器采集，采样率2000 Hz。6名健康受试者（3男3女）分别完成平地、15°斜坡和台阶（高170 mm、深410 mm）步行任务，数据按80%/20%划分训练/测试集。
压缩部分：VAE编码器含3个下采样块、卷积块、自注意力块和高斯采样块，将(256×64)输入压缩为(32×8)潜张量；解码器对称上采样重建。训练采用WGAN‑GP框架，损失含L1重建误差、KL散度及判别器对抗损失
恢复部分：预训练编码器分别提取原始信号X和模拟损坏信号Y（随机遮挡10%~30%矩形区域）的潜张量\hat{X}和\hat{Y}；轻量U‑Net（3层下/上采样，含跳跃连接）学习\hat{Y}→\hat{X}映射，修复后经VAE解码输出完整信号。判别器辅助训练，优化L_C损失（式3）。训练epoch=50，batch=32，学习率8e‑4（VAE）和4e‑4（判别器），使用AdamW/RMSprop优化，RTX 4090加速。
实验结果
图5直观展示三种步态下原始、重建及压缩信号（压缩张量尺寸缩减至1/64），重建热图在时空分布上与原始高度一致。表II量化结果表明，平地、斜坡、楼梯的MSE均≤0.006，MAE≤0.048，ρ均≥0.92，PSNR≥23.5 dB，SSIM≥0.919，证明VAE在64倍压缩下仍保持优异保真度。
图6显示被遮挡信号经U‑Net修复后，恢复热图与原始几乎无异。表III中，恢复信号的MSE约0.009‑0.011，MAE约0.048‑0.053，ρ约0.86‑0.88，PSNR约21.5‑22 dB，SSIM约0.85，虽略低于压缩重建，但显著优于参考组（ρ仅0.75，SSIM≈0.74），证明修复有效性。连续信号估计（表IV‑V）中，原信号与压缩重建信号的MSE/ρ等指标相当（ρ≈0.77‑0.80），运动分类准确率约73%‑74%，表明压缩未破坏信号的功能信息。压缩比实验显示64倍为最佳折衷，进一步增大至128或256倍则质量明显下降。
总结与展望
HD‑sEMG‑CORE通过VAE+U‑Net+GAN的混合架构，首次在统一框架内同时解决HD‑sEMG的高效压缩和损坏恢复问题，实现了64倍数据缩减且重建ρ>0.92，恢复信号ρ>0.86，显著优于传统方法。算法在三种步态下均表现稳定，且轻量U‑Net结构降低了计算开销，适合嵌入式或实时应用。其开源特性（数据见FigShare，代码补充材料）为领域提供了可复现基准。
未来工作可探索：
1）自适应压缩比策略，根据信号动态调整潜空间维度；
2）扩展至多模态融合（如IMU同步数据），提升运动状态估计鲁棒性；
3）在临床神经疾病（如肌萎缩侧索硬化）数据集上验证恢复效能；
4）部署于边缘计算设备，实现无线可穿戴系统中的实时压缩与修复，进一步推动HD‑sEMG在家庭康复和智能假肢中的实用化。
原文链接
https://doi.org/10.1109/JSEN.2024.3508549
研究团队介绍
本团队由多国多学科研究者组成，核心成员包括：第一作者Yongkun Zhao（帝国理工学院生物工程系博士研究生，同时任职于芬兰奥卢大学机器视觉与信号分析中心），研究方向为神经力学、运动控制与神经机器人；共同作者Zhuo Liu（中航工业华南飞机公司高级工程师）专攻脑机接口与智能控制；Jinyang Yu（北海道大学硕士生）聚焦机械设计与人机交互；Shibo Jing（帝国理工学院博士）擅长肌电信号处理与运动预测；通讯作者Honghan Li（辽宁科技大学副教授，IEEE会员）主攻生物医学信号处理与机器视觉；通讯作者Miguel Bordallo Lopez（奥卢大学副教授，IEEE会员，同时任职于芬兰VTT技术研究中心）深耕嵌入式人工智能与实时计算机视觉。团队横跨生物工程、机械设计、信号处理和计算机科学，依托帝国理工学院、奥卢大学、北海道大学及中航工业等平台，致力于高密度肌电信号的智能处理及其在神经康复与智能假肢中的应用。
产品介绍
联系我们
电话: 15920901903
官网：https//www.ruihongan.cn