一种面向表面肌电信号的非侵入式神经质量评估模型

在涉及肌肉表面肌电信号（sEMG）测量的实际场景中，尤其是靠近心脏的区域，主要污染源之一是心电图（ECG）信号的存在。为了更有效地评估真实世界 sEMG 数据的质量，本研究提出了 QASE-net，一种预测 sEMG 信号信噪比（SNR）的新型非侵入式模型。QASE-net 结合了 CNN-BLSTM 与注意力机制，并遵循端到端的训练策略。我们的实验框架分别利用了来自两个开放获取数据库——非侵入式自适应假肢数据库和 MIT-BIH 正常窦性心律数据库——的真实 sEMG 和 ECG 数据。实验结果证明了 QASE-net 相较于先前评估模型的优越性，其预测误差显著降低，且与真实值的线性相关性显著提高。这些发现表明，QASE-net 有潜力在实际应用中大幅提升 sEMG 质量评估的可靠性和精确度。