打破肌電控制的“因人而異”困境，從構(gòu)建全新手勢集開始
肌電模式識別存在用戶依賴性，即相同動作的肌電信號因個體生理差異（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“開門”動作時，同樣的“握拳”指令，在甲患者前臂產(chǎn)生的肌電信號（sEMG）與乙患者的信號特征差異顯著，就像用不同的密碼試圖解鎖同一扇門。這種“用戶依賴性”如同無形的屏障，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)在單一用戶場景下對10種手勢的識別準(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，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)模化應(yīng)用的最大攔路虎。
 
傳統(tǒng)研究多聚焦于算法優(yōu)化，試圖通過更復(fù)雜的模型“適配”個體差異，卻始終難以突破“換用戶就失效”的瓶頸。來自中國科學(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作為指令集？就像選擇全球通用的摩爾斯電碼而非方言，從信號源頭降低交互難度——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
研究方法
為驗(yàn)證新型指令手勢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)庫構(gòu)建、方案實(shí)施與多維度驗(yàn)證三個核心環(huán)節(jié)。
   
圖 2. 本研究的研究路線  
數(shù)據(jù)庫與受試者
研究采用兩個高密度表面肌電（HD-sEMG）數(shù)據(jù)庫開展驗(yàn)證，涵蓋自主構(gòu)建數(shù)據(jù)集與公開數(shù)據(jù)集，以確保結(jié)果的普適性。：
DB_U 數(shù)據(jù)庫：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 種針對人機(jī)交互需求設(shè)計(jì)的手勢（涵蓋腕關(guān)節(jié)和手指運(yùn)動，見圖3）。研究使用了 4 個電極陣列，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（見圖4）。
實(shí)驗(yàn)要求受試者每個手勢重復(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)。對于這 7 名受試者，5 次數(shù)據(jù)采集試驗(yàn)在不同時間進(jìn)行。由于再次放置電極陣列時不可避免地會出現(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）×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)庫手勢     圖4. DB_U數(shù)據(jù)庫的電極陣列及其放置位置  
DB_Hyser_PR 數(shù)據(jù)庫：源自開放數(shù)據(jù)庫 Hyser 的子庫，包含 34 種常見腕部和手指運(yùn)動手勢（比如多指協(xié)同動作，精細(xì)抓握等，見圖5），數(shù)據(jù)來自 20 名健康受試者，采用 4 個 64 通道電極陣列（8×8 布局，電極間距 10mm）采集，其中 2 個陣列置于伸肌，2 個置于屈肌，采樣率 2048Hz。每個手勢重復(fù) 2 次，每次持續(xù) 4 秒。
    圖5. DB_Hyser_PR 數(shù)據(jù)庫手勢  
數(shù)據(jù)預(yù)處理與樣本生成
為確保信號質(zhì)量并統(tǒng)一分析標(biāo)準(zhǔn)，對兩個數(shù)據(jù)庫的原始 sEMG 信號執(zhí)行相同預(yù)處理流程：通過減去通道平均值消除基線漂移，替換極端值（絕對值超出均值 + 8 倍標(biāo)準(zhǔn)差），采用 20Hz 高通濾波去除運(yùn)動偽影，最終通過整流提取信號包絡(luò)。
研究者對預(yù)處理后的數(shù)據(jù)采用滑動窗口法生成樣本：窗口長度設(shè)為 100 數(shù)據(jù)點(diǎn)，步長 50 數(shù)據(jù)點(diǎn)。
針對 DB_U 數(shù)據(jù)庫，從每個手勢重復(fù)段的第 2-3 秒提取有效樣本，最終每個手勢生成 19 個窗口樣本，單受試者單手勢單試驗(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 DB_Hyser_PR 數(shù)據(jù)庫，基于 4 秒持續(xù)時長及 2048Hz 采樣率，每個手勢重復(fù)段生成 162 個窗口樣本，單受試者單手勢樣本量為 2（重復(fù)）×162（窗口）=324，樣本維度為 256（通道）×100（數(shù)據(jù)點(diǎn)）。
 
最優(yōu)指令手勢集確定方案
該方案的核心是通過量化手勢間的可分離性篩選最優(yōu)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，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。
對降維后的二維特征，遍歷所有可能的兩手勢組合，計(jì)算兩兩手勢組合的重疊度建立 “大規(guī)模手勢重疊信息庫”，記錄每對組合的重疊度參數(shù)O。
基于重疊信息庫，篩選最優(yōu)指令集：
1.初始化候選集為空，從所有手勢中選擇與其他手勢平均重疊度最低的手勢加入候選集；
2.每次迭代時，選擇新手勢加入候選集，使得新增手勢與候選集中所有已有手勢的平均重疊度最小；
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)立模式的最優(yōu)指令手勢集。同時，隨機(jī)選擇相同數(shù)量的手勢組成 “對照手勢集”，用于后續(xù)性能對比。
 
本研究提取了最優(yōu)（高可分離性）手勢集和劣質(zhì)（低可分離性）手勢集以進(jìn)行性能對比。對于特定規(guī)模的手勢集，將重疊度參數(shù) O 最小的 5 個手勢組合確定為最優(yōu)集，O 最大的 5 個組合確定為劣質(zhì)集。針對 DB_U_UI，確定了包含 2 至 8 個手勢的指令集；由于 DB_Hyser_PR 的數(shù)據(jù)量較大，僅確定了包含 2 至 4 個手勢的指令集。
 
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，其余為測試集（無交叉），對比最優(yōu)集與劣等集的識別準(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 個通道從 128 通道中選取，對應(yīng)與腕部和手指運(yùn)動相關(guān)的肌肉，以探究從高密度表面肌電數(shù)據(jù)庫中提取的最優(yōu)指令手勢集是否適用于低密度場景。
?電極偏移模式：對 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)為測試集，對比兩類手勢集的識別準(zhǔn)確率下降幅度，評估其對物理干擾的穩(wěn)健性。

結(jié)果評估
T-SNE 降維提升手勢可分離性可視化
圖 6 顯示了 T-SNE 降維后的二維特征分布：最優(yōu)手勢集中的手勢（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. 兩兩手勢集通過 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 最大（58%）的 G13-G15；(c) DB_Hyser_PR 中重疊度 O 最小（12.25%）的 G14-G21；(d) DB_Hyser_PR 中重疊度 O 最大（67.25%）的 G1-G12  
最優(yōu)手勢集和劣質(zhì)手勢集
研究者提取了最優(yōu)（高可分離性）手勢集和劣質(zhì)（低可分離性）手勢集以進(jìn)行性能對比。對于特定規(guī)模的手勢集，將重疊度參數(shù) O 最小的 5 個手勢組合確定為最優(yōu)集，O 最大的 5 個組合確定為劣質(zhì)集。DB_U_UI的 2 至 8 個手勢的指令集，表1列出了其中部分手勢的指令集，其中 N-G 表示包含 N 個手勢的指令集；由于 DB_Hyser_PR 的數(shù)據(jù)量較大，僅確定了包含 2 至 4 個手勢的指令集，見表2。
    表1. DB_U_UI數(shù)據(jù)集的最優(yōu)手勢集和劣質(zhì)手勢集     表2. DB_Hyser_PR數(shù)據(jù)集的最優(yōu)手勢集和劣質(zhì)手勢集  
最優(yōu)手勢集顯著提升識別性能
在用戶獨(dú)立模式下，使用 支持向量機(jī)（SVM）和雙向長短期記憶網(wǎng)絡(luò)（Bi-LSTM）分別對DB_U_UI 和 DB_Hyser_PR 的高密度表面肌電樣本來驗(yàn)證所提最優(yōu)指令手勢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）” 通過對 5 個最優(yōu)集或 5 個劣質(zhì)集的準(zhǔn)確率和標(biāo)準(zhǔn)差取平均計(jì)算得到。對于 DB_U_UI 和 DB_Hyser_PR，最優(yōu)集的手勢可分離性均顯著優(yōu)于劣質(zhì)集（p<0.001）。
在 DB_U_UI 中，對比兩種分類器的結(jié)果，SVM 在識別準(zhǔn)確率上具有顯著優(yōu)勢（p=0.027）。在 DB_Hyser_PR 中，盡管 SVM 和 Bi-LSTM 的識別準(zhǔn)確率無顯著差異（p=0.836），但 SVM 在標(biāo)準(zhǔn)差上更具優(yōu)勢（p<0.001）。
    表3. DB_U_UI 中 128 通道樣本的用戶獨(dú)立模式手勢識別結(jié)果
    表4. 針對DB_HYSER_PR的用戶獨(dú)立模式手勢識別結(jié)果  
對于8 通道肌電樣本，最優(yōu)集的手勢可分離性仍優(yōu)于劣質(zhì)集（p<0.001，見表5）。最優(yōu)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%。對于 8 通道樣本的手勢識別，Bi-LSTM 分類器表現(xiàn)更優(yōu)（p=0.012），尤其在劣質(zhì)集的識別中。對比 128 通道和 8 通道樣本的識別結(jié)果，盡管通道數(shù)量大幅減少，但最優(yōu)集的識別準(zhǔn)確率從 2 手勢任務(wù)到 8 手勢任務(wù)僅下降 2.14%–6.33%，表明提取的最優(yōu)集適用于低密度場景。
    表5. DB_U_UI 中 8 通道樣本的用戶獨(dú)立模式手勢識別結(jié)果   圖7 顯示了在電極偏移模式下，最優(yōu)集準(zhǔn)確率下降幅度（≤8%）顯著低于劣等集（≥15%），證明其對物理干擾的穩(wěn)定性。     圖7. 在電極偏移模式下的實(shí)驗(yàn)識別結(jié)果 討論與展望 
本研究提出的基于T-SNE的指令手勢集確定方案，通過篩選高可分離性手勢，在兩個數(shù)據(jù)庫中均顯著提升了用戶獨(dú)立模式下的肌電識別性能，且對電極偏移具有較強(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)動障礙人群，且手勢集未包含復(fù)雜復(fù)合動作；方法上也存在限制，T-SNE對極端樣本敏感，可能影響重疊度計(jì)算精度；場景方面也有局限，未結(jié)合實(shí)際設(shè)備（如假肢）的實(shí)時性需求驗(yàn)證方案效率。未來可從以下方面展開研究，一是擴(kuò)展數(shù)據(jù)庫，納入更多人群（如中風(fēng)患者、截肢者）和復(fù)雜手勢，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；三是推動落地應(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)際場景中的交互效果。
 
原文鏈接
Y. Ruan, X. Chen and X. Zhang, "A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications," in IEEE Transactions on Biomedical Engineering, vol. 72, no. 3, pp. 909-920, March 2025.

DOI: 10.1109/TBME.2024.3479232.

研究團(tuán)隊(duì)介紹
該文章的作者為阮雨文、陳香和張旭，其中陳香為通訊作者，均來自中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院。該團(tuán)隊(duì)長期專注于肌電信號處理、人機(jī)交互與康復(fù)工程領(lǐng)域，致力于推動肌電控制技術(shù)的臨床轉(zhuǎn)化與實(shí)際應(yīng)用。
 
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗(yàn)。

相關(guān)產(chǎn)品