TrustEMG-Net：使用表示掩码Transformer与U-Net进行表面肌电信号增强

表面肌电信号(sEMG)是一种广泛使用的生物信号，通过放置在皮肤上的电极捕捉人体肌肉活动。多项研究提出了去除sEMG污染物的方法，因为无创测量使得sEMG易受各种污染物的影响。然而，这些方法通常依赖于基于启发式的优化，并且对污染物类型敏感。为了各种医疗保健和人机交互应用，应开发一种更有效、鲁棒且通用的sEMG去噪方法。本文提出了一种新颖的基于神经网络(NN)的sEMG去噪方法，称为TrustEMG-Net。它利用了NN强大的非线性映射能力和数据驱动特性。TrustEMG-Net采用去噪自编码器结构，通过表示掩码方法将U-Net与Transformer编码器相结合。使用包含五种常见污染类型和信噪比(SNR)条件的Ninapro sEMG数据库对所提方法进行了评估。与现有的sEMG去噪方法相比，TrustEMG-Net在五个评估指标上均取得了卓越的性能，至少提升了20%。其优越性在各种条件下（包括-14至2 dB的SNR范围和五种污染物类型）保持一致。消融研究进一步证明，TrustEMG-Net的设计有助于其最优性，为sEMG应用提供了高质量的sEMG信号，并作为一种有效、鲁棒且通用的去噪解决方案。