基于生成对抗网络的表面肌电信号数据增强方法研究

摘要

表面肌电信号（surface electromyography,s EMG）在人机交互、康复辅助和智能假肢控制等场景中具有重要应用价值，但其采集过程易受受试者差异、电极位置、肌肉状态及实验环境影响，导致深度学习模型在小样本和跨受试场景下的泛化能力受限。针对上述问题，构建一种面向s EMG时序特征的编码器辅助生成对抗网络（EAGAN），用于表面肌电信号数据增强。该方法首先对原始sEMG信号进行窗口化、Min-Max缩放和条件标签编码，随后利用LSTM编码器提取真实信号的时序语义特征，并将其与随机噪声和条件标签共同输入生成器，生成指定类别的合成s EMG信号。判别器采用条件Critic结构输出Wasserstein评分，并结合梯度惩罚完成WGAN-GP对抗训练。实验采用多项评价指标对生成信号质量进行评估，并通过编码器消融实验分析LSTM编码器对生成性能的影响。结果表明，该方法能够生成与真实sEMG较为接近的合成样本，可作为小样本肌电识别场景中的一种候选样本扩充方式。

关键词

表面肌电信号 / 数据增强 / 生成对抗网络 / LSTM编码器

基金资助

内蒙古自治区自然科学基金项目（2023LHMS06021）; 内蒙古自治区直属高校基本科研业务费项目（GXKY22134,GXKY23Z015）; 内蒙古民族大学博士科研启动基金项目（BSZ002）