15、基于CEEMDAN - PE - WT算法的肌电信号去噪与注意力级联网络研究

基于CEEMDAN - PE - WT算法的肌电信号去噪与注意力级联网络研究

1. 注意力级联网络（ACN）概述

注意力级联网络（ACN）是一种旨在增强鲁棒性的方法。其混合系统运用平滑中心损失，使模型能够学习到可区分相似表情的判别特征。同时，级联网络的提出有效解决了标签模糊问题。实验结果表明，在RAF - DB和CK +这两个公开可用的面部表情识别（FER）数据集上，ACN的表现优于其他先进方法。而且，ACN能够轻松应用于其他网络模型，解决各类分类任务并提高特征判别能力。

2. 肌电信号去噪背景

肌电信号（EMG）是测量肌肉收缩产生的电信号，能反映肌肉收缩强度，广泛应用于医学、康复和体育科学等领域。表面肌电信号（sEMG）通过电极采集，可在一定程度上反映神经肌肉细胞的活动，具有非侵入性，在假肢、康复、手势识别等方面有应用。然而，像其他生理测量信号一样，EMG记录会受到各种噪声的污染，如基线噪声、运动伪影等。因此，识别真实的EMG信号是一项重要任务。

传统的去噪方法存在一定问题，非线性和自适应滤波技术在减少噪声的同时会牺牲一些EMG信号。小波分析虽因较好的时频性能被用于减少EMG信号噪声，但也有局限性。经验模态分解（EMD）能将信号分解为固有模态函数（IMFs）和残差，在EMG信号去噪研究中表现优于传统滤波技术，具有数据驱动的适应性、可分析非线性和非平稳信号且不受海森堡不确定性原理限制等优点。不过，基于筛选算法的EMD得到的IMFs存在模态混叠问题，导致虚假的时频分布，使IMFs失去物理意义。

为解决这些问题，出现了一些改进方法。集合经验模态分解（EEMD）在分解过程中加入高斯白噪声，通过多次分解结果平均降低了模态混叠的影响，但生成的IM