本研究では、筋肉機能を評価するために重要な表面筋電図（sEMG）の信号を、頑健でウェアラブルな代替手段である慣性測定装置（IMU）データから再構成する方法を提案しています。6軸IMUから得られたデータを元に、深層学習アプローチを用いて正規化されたsEMG信号の合成を行いました。様々な腕の動作に対して、1kHzでサンプリングしたsEMGとIMUデータを同時に収集し、スライディングウィンドウ-Wave-Netモデルを用いてIMUデータとsEMG信号のマッピングを実施。結果として、モデルは筋肉の活動のタイミングと一般的な形状を予測することに成功しました。ピーク振幅は過小評価されることがありましたが、高い時間的忠実性により、義手やリハビリの生体フィードバック応用における筋肉意図の検出にこの手法が有効であることが示されました。