基于 Informed Autoencoder 的表面肌电信号电动单位参数估计
机器学习
2026-05-11 v1
摘要
电动单位参数（如内神经区中心或电位传导速度）有望提高用于运动和力预测的神经-力学模型保真度。以非侵入方式确定这些参数具有挑战性，因为它们是主题相关的，且可能随肌肉收缩而变化。现有工作主要依赖白箱建模，需大量手动建模 effort。本工作旨在从非侵入测量的表面肌电信号（EMG）中同时估计多个主题相关的电动单位参数。这一问题呈现为具有非线性损失函数的逆问题。为解决此问题，开发了受信息驱动的自编码器。该自编码器在保持数据保真度的同时，重构表面 EMG 记录，并在潜在空间中学习参数，同时遵循将参数与 EMG 信号关联的物理规律。在合成数据实验中，内神经区中心的平均绝对误差为 2.5989 mm，电位传导速度的平均绝对误差为 0.1697 m/s。这些结果表明，这种新方法是可行的，能够在通过将数据驱动机器学习集成到模型中，实现对多个电动单位参数的同时估计，同时减少手动建模 effort。
引用
@article{arxiv.2605.07458,
title = {Estimation of Motor Unit Parameters from Surface Electromyograms using an Informed Autoencoder},
author = {Kaja Balzereit and Malte Mechtenberg and Axel Schneider},
journal= {arXiv preprint arXiv:2605.07458},
year = {2026}
}