SASG-DA：稀疏感知语义引导扩散数据增强用于肌电手势识别
计算机视觉与模式识别
2026-03-06 v3 人工智能
人机交互
摘要
基于表面肌电信号(sEMG)的手势识别在人机交互(HMI)中发挥着关键作用，尤其是在康复和义肢控制方面。然而，sEMG系统常常因训练数据的稀缺而导致过拟合，使深度学习模型在泛化性方面表现不佳。数据增强是增加训练数据规模和多样性的有前景的方法，其中忠实性和多样性是有效性的两个关键因素。然而，促进非针对性的多样性会导致冗余样本，效用有限。为解决这些挑战，我们提出了一种新型扩散数据增强方法：稀疏感知语义引导扩散增强(SASG-DA)。为增强生成的忠实性，我们引入了语义表示引导(SRG)机制，通过利用细粒度、任务感知的语义表示作为生成条件。为实现灵活且多样的样本生成，我们提出了高斯建模语义抽样(GMSS)策略，该策略建模语义表示分布，允许随机抽样以产生忠实且多样的样本。为增强针对性多样性，我们进一步引入稀疏感知语义抽样策略，以显式探索 underrepresented区域，提高分布覆盖度和样本效用。在Ninapro DB2、DB4和DB7等基准sEMG数据集上的大量实验表明，SASG-DA显著优于现有增强方法。总体而言，我们提出的数据增强方法通过提供忠实且多样的样本，有效缓解了过拟合，提高了识别性能和泛化能力。
引用
@article{arxiv.2511.08344,
title = {SASG-DA: Sparse-Aware Semantic-Guided Diffusion Augmentation For Myoelectric Gesture Recognition},
author = {Chen Liu and Can Han and Weishi Xu and Yaqi Wang and Dahong Qian},
journal= {arXiv preprint arXiv:2511.08344},
year = {2026}
}
备注
Accepted by IEEE Journal of Biomedical and Health Informatics (JBHI), 2026