从连续sEMG信号到离散肌肉状态标记：稳健且可解释的表示框架
信号处理
2026-03-02 v1 人机交互
摘要
表面电肌电图（sEMG）信号存在显著的主体间变异性，易受噪声影响，导致稳健且可解释的解码面临挑战。为此，本文提出一种基于生理学信息的sEMG信号离散表示方法。该方法采用与最小肌肉收缩周期对齐的滑动窗口，以隔离单个肌肉激活事件。从每个窗口中提取十个时频特征，包括均方根（RMS）和中频（MDF），并应用K-means聚类将段组合并为代表性肌肉状态标记。我们还引入了一个大规模基准数据集ActionEMG-43，包含43种多样化动作，以及来自身体16个主要肌肉群的sEMG记录。基于该数据集，我们进行大量评估，以评估所提出sEMG标记的主体间一致性、表示容量和可解释性。我们的结果表明，标记表示具有较高的主体间一致性（Cohen's Kappa = 0.82±0.09），表明所学标记捕获了一致且与主体无关的肌肉激活模式。在动作识别任务中，使用sEMG标记的模型在ViT和SVM上分别实现了75.5%和67.9%的Top-1准确率，显著优于原始信号基线（分别为72.8%和64.4%），尽管输入维度降低了96%。在运动质量评估中，所得标记直观揭示了肌肉功能不足和补偿性激活的模式，为神经肌肉控制提供了可解释的见解。综上，这些发现凸显了令标记化sEMG表示作为一种紧凑、可泛化且生理学上有意义的特征空间的有效性，适用于康复、人机交互和运动功能分析等应用场景。
引用
@article{arxiv.2602.23738,
title = {From Continuous sEMG Signals to Discrete Muscle State Tokens: A Robust and Interpretable Representation Framework},
author = {Yuepeng Chen and Kaili Zheng and Ji Wu and Zhuangzhuang Li and Ye Ma and Dongwei Liu and Chenyi Guo and Xiangling Fu},
journal= {arXiv preprint arXiv:2602.23738},
year = {2026}
}