基于监督奖励策略驱动的深度 Q 网络用于 sEMG 信号去噪：supDQN
信号处理
2024-05-10 v1
摘要
肌肉在身体的活跃部位（如上肢和下肢）广泛分布，使得基于肌电图的类人机交互广为人知。然而，肌肉信号具有随机性和噪声性，这些噪声可能是规则的，也可能是不规则的。由于运动或电气开关引起的不规则噪声需要动态滤波。传统方法堆叠多个滤波器，不仅会引入不必要的延迟。本研究引入一种利用监督奖励策略驱动深度 Q 网络(decision network)的去噪技术(supDQN)。它对 1 秒长的表面电位肌电信号进行去噪，该信号在动态受污染。机器学习智能体识别滤波后信号是否干净，从而生成奖励。通过采用局部可解释模型无偏差解释(LIME)提高识别准确率。深度 Q 网络受奖励引导，动态选择最佳滤波器进行信号去噪。本文在四个信噪比(-5 dB, -1 dB, +1 dB, +5 dB)的噪声水平下测试了该滤波策略。当信噪比在 -5 dB 到 +1 dB 之间时，supDQN 能良好地滤波信号；在高信噪比(+5 dB)时滤波效果较差。提出了一个归一化均方根(nRMSE)用于刻画滤波后信号与真实信号之间的差异，用以比较 supDQN 与传统方法，如带有 Daubechies 和 Symlet 小波的小波去噪、高阶低通滤波、陷波滤波和高通滤波。该滤波策略的平均 nRMSE 值为 1.1974，低于传统滤波方法。
引用
@article{arxiv.2405.05883,
title = {supDQN: Supervised Rewarding Strategy Driven Deep Q-Network for sEMG Signal Decontamination},
author = {Ashutosh Jena and Naveen Gehlot and Rajesh Kumar and Ankit Vijayvargiya and Mahipal Bukya},
journal= {arXiv preprint arXiv:2405.05883},
year = {2024}
}