본 논문은 표면 근전도(sEMG) 기반 제스처 인식 시스템에서 딥러닝 모델의 과적합 및 일반화 문제를 해결하기 위해, 희소성 인식 의미 기반 확산 증강 기법(Sparse-Aware Semantic-Guided Diffusion Augmentation, SASG-DA)을 제안한다. SASG-DA는 생성의 충실도를 높이기 위해 세밀한, 과제 인식 의미 표현을 생성 조건으로 사용하는 의미 표현 안내(Semantic Representation Guidance, SRG) 메커니즘을 도입한다. 또한, 충실하고 다양한 샘플 생성을 위해 가우시안 모델링 의미 모델링(Gaussian Modeling Semantic Modeling, GMSS) 전략을 사용하고, 대상 다양성을 높이기 위해 희소성 인식 의미 샘플링 전략을 도입하여 분포 커버리지와 샘플 유용성을 향상시킨다. Ninapro DB2, DB4, DB7과 같은 sEMG 데이터셋에서 기존 증강 기법보다 우수한 성능을 보였다.
