肌電模式識(shí)別存在用戶依賴性，即相同動(dòng)作的肌電信號(hào)因個(gè)體生理差異（如肌肉結(jié)構(gòu)、激活模式）而不同，導(dǎo)致通用系統(tǒng)難以實(shí)現(xiàn)。比如，當(dāng)脊髓損傷患者試圖用肌電控制設(shè)備完成“開(kāi)門(mén)”動(dòng)作時(shí)，同樣的“握拳”指令，在甲患者前臂產(chǎn)生的肌電信號(hào)（sEMG）與乙患者的信號(hào)特征差異顯著，就像用不同的密碼試圖解鎖同一扇門(mén)。這種“用戶依賴性”如同無(wú)形的屏障，讓肌電控制技術(shù)在從實(shí)驗(yàn)室走向臨床的路上步履維艱：現(xiàn)有系統(tǒng)在單一用戶場(chǎng)景下對(duì)10種手勢(shì)的識(shí)別準(zhǔn)確率能輕松突破90%，但切換到“一人訓(xùn)練、多人使用”的通用模式時(shí)，準(zhǔn)確率常暴跌至50%以下，成為假肢控制、輔助機(jī)器人等領(lǐng)域規(guī)?；瘧?yīng)用的攔路虎。

傳統(tǒng)研究多聚焦于算法優(yōu)化，試圖通過(guò)更復(fù)雜的模型“適配”個(gè)體差異，卻始終難以突破“換用戶就失效”的瓶頸。來(lái)自中國(guó)科學(xué)技術(shù)大學(xué)的張旭研究團(tuán)隊(duì)報(bào)告了題為“A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications”的研究，提出的思路獨(dú)辟蹊徑：如果某些手勢(shì)的肌電特征天生就“千人一面”、易于區(qū)分，那何不直接篩選這類手勢(shì)作為指令集？就像選擇通用的摩爾斯電碼而非方言，從信號(hào)源頭降低交互難度——這正是該研究為破解用戶依賴性難題提供的全新視角。

圖 1. 論文信息

為驗(yàn)證新型指令手勢(shì)集確定方案的有效性，研究團(tuán)隊(duì)設(shè)計(jì)了系統(tǒng)的實(shí)驗(yàn)流程（圖2），涵蓋數(shù)據(jù)庫(kù)構(gòu)建、方案實(shí)施與多維度驗(yàn)證三個(gè)核心環(huán)節(jié)。

圖 2. 本研究的研究路線

數(shù)據(jù)庫(kù)與受試者

研究采用兩個(gè)高密度表面肌電（HD-sEMG）數(shù)據(jù)庫(kù)開(kāi)展驗(yàn)證，涵蓋自主構(gòu)建數(shù)據(jù)集與公開(kāi)數(shù)據(jù)集，以確保結(jié)果的普適性。：

DB_U 數(shù)據(jù)庫(kù)：由原文作者團(tuán)隊(duì)自主構(gòu)建，包含11 名健康受試者數(shù)據(jù)，和 17 種針對(duì)人機(jī)交互需求設(shè)計(jì)的手勢(shì)（涵蓋腕關(guān)節(jié)和手指運(yùn)動(dòng)，見(jiàn)圖3）。研究使用了 4 個(gè)電極陣列，采樣率 1000Hz，帶寬 20-500Hz，電極間距 8mm，分別采集右前臂肌群和肱肌肌群的表面肌電信號(hào)（見(jiàn)圖4）。

實(shí)驗(yàn)要求受試者每個(gè)手勢(shì)重復(fù) 8 次，兩次重復(fù)間隔約 5 秒。

11 名受試者中的 7 人額外完成了 4 次數(shù)據(jù)采集試驗(yàn)。對(duì)于這 7 名受試者，5 次數(shù)據(jù)采集試驗(yàn)在不同時(shí)間進(jìn)行。由于再次放置電極陣列時(shí)不可避免地會(huì)出現(xiàn)偏移，這 7 名受試者的數(shù)據(jù)可被視為包含電極偏移信息的數(shù)據(jù)，命名為 DB_U_EO，包含 7（受試者）×17（手勢(shì)）×8（重復(fù)次數(shù)）×5（試驗(yàn)）=4760 段肌電數(shù)據(jù)。

圖3. DB_U 數(shù)據(jù)庫(kù)手勢(shì)

圖4. DB_U數(shù)據(jù)庫(kù)的電極陣列及其放置位置

DB_Hyser_PR 數(shù)據(jù)庫(kù)：源自開(kāi)放數(shù)據(jù)庫(kù) Hyser 的子庫(kù)，包含 34 種常見(jiàn)腕部和手指運(yùn)動(dòng)手勢(shì)（比如多指協(xié)同動(dòng)作，精細(xì)抓握等，見(jiàn)圖5），數(shù)據(jù)來(lái)自 20 名健康受試者，采用 4 個(gè) 64 通道電極陣列（8×8 布局，電極間距 10mm）采集，其中 2 個(gè)陣列置于伸肌，2 個(gè)置于屈肌，采樣率 2048Hz。每個(gè)手勢(shì)重復(fù) 2 次，每次持續(xù) 4 秒。

圖5. DB_Hyser_PR 數(shù)據(jù)庫(kù)手勢(shì)

數(shù)據(jù)預(yù)處理與樣本生成

為確保信號(hào)質(zhì)量并統(tǒng)一分析標(biāo)準(zhǔn)，對(duì)兩個(gè)數(shù)據(jù)庫(kù)的原始 sEMG 信號(hào)執(zhí)行相同預(yù)處理流程：通過(guò)減去通道平均值消除基線漂移，替換值（超出均值 + 8 倍標(biāo)準(zhǔn)差），采用 20Hz 高通濾波去除運(yùn)動(dòng)偽影，最終通過(guò)整流提取信號(hào)包絡(luò)。

研究者對(duì)預(yù)處理后的數(shù)據(jù)采用滑動(dòng)窗口法生成樣本：窗口長(zhǎng)度設(shè)為 100 數(shù)據(jù)點(diǎn)，步長(zhǎng) 50 數(shù)據(jù)點(diǎn)。

針對(duì) DB_U 數(shù)據(jù)庫(kù)，從每個(gè)手勢(shì)重復(fù)段的第 2-3 秒提取有效樣本，最終每個(gè)手勢(shì)生成 19 個(gè)窗口樣本，單受試者單手勢(shì)單試驗(yàn)的樣本量為 8（重復(fù)）×19（窗口）=152，樣本維度為 128（通道）×100（數(shù)據(jù)點(diǎn)）。

針對(duì) DB_Hyser_PR 數(shù)據(jù)庫(kù)，基于 4 秒持續(xù)時(shí)長(zhǎng)及 2048Hz 采樣率，每個(gè)手勢(shì)重復(fù)段生成 162 個(gè)窗口樣本，單受試者單手勢(shì)樣本量為 2（重復(fù)）×162（窗口）=324，樣本維度為 256（通道）×100（數(shù)據(jù)點(diǎn)）。

指令手勢(shì)集確定方案

該方案的核心是通過(guò)量化手勢(shì)間的可分離性篩選指令集。研究者采用 T 分布隨機(jī)鄰域嵌入（T-SNE）算法，將高維 sEMG 特征映射至二維空間。該方法通過(guò)構(gòu)建高維空間中的概率分布（基于高斯核函數(shù)）與低維空間中的概率分布（基于 T 分布），最小化兩者的 KL 散度，在保留數(shù)據(jù)局部結(jié)構(gòu)的同時(shí)，拉大高維空間中距離較遠(yuǎn)的聚類距離，增強(qiáng)類間區(qū)分度。

對(duì)降維后的二維特征，遍歷所有可能的兩手勢(shì)組合，計(jì)算兩兩手勢(shì)組合的重疊度建立 “大規(guī)模手勢(shì)重疊信息庫(kù)”，記錄每對(duì)組合的重疊度參數(shù)O。

基于重疊信息庫(kù)，篩選指令集：

1.初始化候選集為空，從所有手勢(shì)中選擇與其他手勢(shì)平均重疊度的手勢(shì)加入候選集；

2.每次迭代時(shí)，選擇新手勢(shì)加入候選集，使得新增手勢(shì)與候選集中所有已有手勢(shì)的平均重疊度最??；

3.重復(fù)步驟 2 直至候選集規(guī)模達(dá)到預(yù)設(shè)值 N（N≥2），最終形成適用于用戶獨(dú)立模式的指令手勢(shì)集。同時(shí)，隨機(jī)選擇相同數(shù)量的手勢(shì)組成 “對(duì)照手勢(shì)集”，用于后續(xù)性能對(duì)比。

本研究提取了（高可分離性）手勢(shì)集和劣質(zhì)（低可分離性）手勢(shì)集以進(jìn)行性能對(duì)比。對(duì)于特定規(guī)模的手勢(shì)集，將重疊度參數(shù) O 最小的 5 個(gè)手勢(shì)組合確定為集，O 的 5 個(gè)組合確定為劣質(zhì)集。針對(duì) DB_U_UI，確定了包含 2 至 8 個(gè)手勢(shì)的指令集；由于 DB_Hyser_PR 的數(shù)據(jù)量較大，僅確定了包含 2 至 4 個(gè)手勢(shì)的指令集。

驗(yàn)證實(shí)驗(yàn)設(shè)計(jì)

•用戶獨(dú)立模式：以部分受試者數(shù)據(jù)為訓(xùn)練集，其余為測(cè)試集（無(wú)交叉），對(duì)比集與劣等集的識(shí)別準(zhǔn)確率。研究者使用 Bi-LSTM 和SVM作為分類器，并比較了兩種分類器的分類準(zhǔn)確度。

•8 通道肌電樣本：這 8 個(gè)通道從 128 通道中選取，對(duì)應(yīng)與腕部和手指運(yùn)動(dòng)相關(guān)的肌肉，以探究從高密度表面肌電數(shù)據(jù)庫(kù)中提取的指令手勢(shì)集是否適用于低密度場(chǎng)景。

•電極偏移模式：對(duì) DB_U 中 7 名受試者的 5 次重復(fù)采集數(shù)據(jù)（含電極重新放置導(dǎo)致的偏移）測(cè)試，采用 “跨試驗(yàn)” 驗(yàn)證：以第 1 次試驗(yàn)數(shù)據(jù)為訓(xùn)練集，第 2-5 次試驗(yàn)數(shù)據(jù)為測(cè)試集，對(duì)比兩類手勢(shì)集的識(shí)別準(zhǔn)確率下降幅度，評(píng)估其對(duì)物理干擾的穩(wěn)健性。

 T-SNE 降維提升手勢(shì)可分離性可視化

圖 6 顯示了 T-SNE 降維后的二維特征分布：手勢(shì)集中的手勢(shì)（如腕伸、握拳）特征點(diǎn)聚類緊湊，重疊區(qū)域不足 5%；而劣等手勢(shì)集（如輕捏、食指伸展）特征點(diǎn)交叉重疊達(dá) 30% 以上，直觀證明了篩選方案的有效性。

圖6. 兩兩手勢(shì)集通過(guò) T-SNE 得到的二維散點(diǎn)圖：(a) DB_U_UI 中重疊度 O 最小（0.25%）的 G12-G16；(b) DB_U_UI 中重疊度 O （58%）的 G13-G15；(c) DB_Hyser_PR 中重疊度 O 最?。?2.25%）的 G14-G21；(d) DB_Hyser_PR 中重疊度 O （67.25%）的 G1-G12

手勢(shì)集和劣質(zhì)手勢(shì)集

研究者提取了（高可分離性）手勢(shì)集和劣質(zhì)（低可分離性）手勢(shì)集以進(jìn)行性能對(duì)比。對(duì)于特定規(guī)模的手勢(shì)集，將重疊度參數(shù) O 最小的 5 個(gè)手勢(shì)組合確定為集，O 的 5 個(gè)組合確定為劣質(zhì)集。DB_U_UI的 2 至 8 個(gè)手勢(shì)的指令集，表1列出了其中部分手勢(shì)的指令集，其中 N-G 表示包含 N 個(gè)手勢(shì)的指令集；由于 DB_Hyser_PR 的數(shù)據(jù)量較大，僅確定了包含 2 至 4 個(gè)手勢(shì)的指令集，見(jiàn)表2。

表1. DB_U_UI數(shù)據(jù)集的手勢(shì)集和劣質(zhì)手勢(shì)集

表2. DB_Hyser_PR數(shù)據(jù)集的手勢(shì)集和劣質(zhì)手勢(shì)集

手勢(shì)集顯著提升識(shí)別性能

在用戶獨(dú)立模式下，使用 支持向量機(jī)（SVM）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）分別對(duì)DB_U_UI 和 DB_Hyser_PR 的高密度表面肌電樣本來(lái)驗(yàn)證所提指令手勢(shì)集確定方案的有效性。結(jié)果分別如表3和表4 所示，其中 “均值（Mean）” 和 “標(biāo)準(zhǔn)差（Std）” 通過(guò)對(duì) 5 個(gè)集或 5 個(gè)劣質(zhì)集的準(zhǔn)確率和標(biāo)準(zhǔn)差取平均計(jì)算得到。對(duì)于 DB_U_UI 和 DB_Hyser_PR，集的手勢(shì)可分離性均顯著優(yōu)于劣質(zhì)集（p<0.001）。

在 DB_U_UI 中，對(duì)比兩種分類器的結(jié)果，SVM 在識(shí)別準(zhǔn)確率上具有顯著優(yōu)勢(shì)（p=0.027）。在 DB_Hyser_PR 中，盡管 SVM 和 Bi-LSTM 的識(shí)別準(zhǔn)確率無(wú)顯著差異（p=0.836），但 SVM 在標(biāo)準(zhǔn)差上更具優(yōu)勢(shì)（p<0.001）。

表3. DB_U_UI 中 128 通道樣本的用戶獨(dú)立模式手勢(shì)識(shí)別結(jié)果

表4. 針對(duì)DB_HYSER_PR的用戶獨(dú)立模式手勢(shì)識(shí)別結(jié)果

對(duì)于8 通道肌電樣本，集的手勢(shì)可分離性仍優(yōu)于劣質(zhì)集（p<0.001，見(jiàn)表5）。集的平均準(zhǔn)確率范圍為 53.57%–94.72%，劣質(zhì)集為 30.15%–72.48%，前者比后者高 17.70%–36.92%。對(duì)于 8 通道樣本的手勢(shì)識(shí)別，Bi-LSTM 分類器表現(xiàn)更優(yōu)（p=0.012），尤其在劣質(zhì)集的識(shí)別中。對(duì)比 128 通道和 8 通道樣本的識(shí)別結(jié)果，盡管通道數(shù)量大幅減少，但集的識(shí)別準(zhǔn)確率從 2 手勢(shì)任務(wù)到 8 手勢(shì)任務(wù)僅下降 2.14%–6.33%，表明提取的集適用于低密度場(chǎng)景。

表5. DB_U_UI 中 8 通道樣本的用戶獨(dú)立模式手勢(shì)識(shí)別結(jié)果

圖7 顯示了在電極偏移模式下，集準(zhǔn)確率下降幅度（≤8%）顯著低于劣等集（≥15%），證明其對(duì)物理干擾的穩(wěn)定性。

圖7. 在電極偏移模式下的實(shí)驗(yàn)識(shí)別結(jié)果

本研究提出的基于T-SNE的指令手勢(shì)集確定方案，通過(guò)篩選高可分離性手勢(shì)，在兩個(gè)數(shù)據(jù)庫(kù)中均顯著提升了用戶獨(dú)立模式下的肌電識(shí)別性能，且對(duì)電極偏移具有較強(qiáng)魯棒性，為解決肌電控制的用戶依賴性提供了“從手勢(shì)設(shè)計(jì)出發(fā)”的創(chuàng)新路徑。但該研究仍存在一定不足，例如樣本存在局限，受試者均為健康青年，未涵蓋神經(jīng)損傷或運(yùn)動(dòng)障礙人群，且手勢(shì)集未包含復(fù)雜復(fù)合動(dòng)作；方法上也存在限制，T-SNE對(duì)樣本敏感，可能影響重疊度計(jì)算精度；場(chǎng)景方面也有局限，未結(jié)合實(shí)際設(shè)備（如假肢）的實(shí)時(shí)性需求驗(yàn)證方案效率。未來(lái)可從以下方面展開(kāi)研究，一是擴(kuò)展數(shù)據(jù)庫(kù)，納入更多人群（如中風(fēng)患者、截肢者）和復(fù)雜手勢(shì)，增強(qiáng)方案普適性；二是優(yōu)化方法，結(jié)合深度學(xué)習(xí)（如自監(jiān)督降維）提升特征映射精度，縮短篩選耗時(shí)；三是推動(dòng)落地應(yīng)用，將方案集成到肌電假肢、康復(fù)機(jī)器人等設(shè)備中，驗(yàn)證其在實(shí)際場(chǎng)景中的交互效果。

原文鏈接

研究團(tuán)隊(duì)介紹

關(guān)于維拓啟創(chuàng)

相關(guān)產(chǎn)品