通过自适应增量分类方法克服肌电图信号中的行为变异性

《Computational and Structural Biotechnology Journal》：Overcoming behavioral variability in electromyography signals by an adaptive incremental classification approach

手势识别系统通过表面肌电信号（sEMG）捕捉肌肉活动，但吸烟和饮酒等生理差异导致模型性能下降。本文提出ADINC-kNN算法，结合滑动窗口缓冲和距离加权投票，动态适应生理变化，无需重新训练。实验表明，该算法在smoker和alcoholic群体中准确率超过92%，优于传统kNN和SVM方法，且计算效率提升20倍。

　　表面肌电信号（sEMG）在手部动作识别领域具有广泛的应用，例如虚拟现实、手语识别、机器人控制以及辅助技术等。然而，这类系统在应用于不同人群时，往往面临显著的性能下降问题，尤其是在那些具有生活方式相关生理差异的个体中，如吸烟者和饮酒者。这些差异会导致信号分布的变化，而传统模型往往无法有效应对这种变化，从而限制了其在实际场景中的适用性。为了解决这一问题，研究人员提出了一种名为ADINC-kNN的自适应增量k近邻算法，旨在在不重新训练模型的前提下，保持分类性能的稳定性。该方法结合了滑动窗口缓冲机制和距离加权投票策略，以动态优化决策边界，从而实现从基线人群（如非吸烟者/非饮酒者）到目标群体（如吸烟者/饮酒者）的平滑适应。

在实验评估中，研究人员使用了14名健康受试者进行15种手部力量练习，并采用五折交叉验证方法对模型进行了全面测试。结果显示，ADINC-kNN在目标群体中表现出显著的性能提升，其分类准确率超过了90 %，在吸烟者和饮酒者群体中分别达到了91.95 %和92.29 %。尽管该算法的预测时间有所增加，但其在计算效率与预测准确率之间的平衡优于当前最先进的方法，特别是那些依赖昂贵重新训练的模型。这些结果表明，ADINC-kNN是一种具有扩展性和实用性的解决方案，适用于需要处理用户多样性及环境变化的现实场景，如康复、辅助技术以及人机交互。

当前的sEMG分类系统主要依赖于用户特定或用户无关的分类方法。用户特定系统通过个体化训练协议构建特定于用户的分类器，虽然在训练数据范围内表现优异，但跨用户迁移能力较差，容易出现过拟合现象。而用户无关系统则试图学习通用的特征表示，使模型能够在不同用户之间保持一致的性能。近年来，深度学习技术在sEMG模式识别中取得了显著进展，尤其是卷积神经网络（CNN）在自动特征提取方面表现出色，能够从原始信号中学习到层次化的特征表示。然而，这些方法在跨用户分类任务中仍然存在一定的局限性，主要是由于对用户特定信号特征的过度依赖，导致模型难以在不同人群中保持良好的泛化能力。

为了克服这些挑战，研究团队提出了一种自适应增量学习框架，该框架能够在新数据到来时，动态更新模型参数，从而适应不断变化的输入分布。这种方法在实际部署中尤为重要，因为生物电信号具有高度的非平稳性，且不同用户之间的生理差异可能会影响信号的质量和分类效果。通过引入滑动窗口缓冲机制，ADINC-kNN能够在不重新训练整个模型的情况下，持续地从新数据中提取有用信息，并结合距离加权投票策略，对分类结果进行优化。这种设计不仅提升了模型的泛化能力，还降低了计算成本，使其更适合在实时系统和资源受限的平台上进行部署。

实验结果表明，当使用传统的kNN分类器时，其在不同生理状态下的表现差异显著。例如，在酒精使用者和吸烟者群体中，传统kNN模型的测试准确率仅为3.09 %和5.57 %，而使用ADINC-kNN后，准确率分别提升至92.29 %和91.95 %，显示出该方法在处理生理差异方面的优越性。此外，F1-score和精度等指标也得到了显著改善，说明ADINC-kNN在保持高准确率的同时，也有效降低了误判率。这些性能提升使得该算法在实际应用中更加可靠，尤其是在康复和人机交互等需要适应多样用户群体的场景中。

在进一步的分析中，研究人员探讨了不同特征集对模型性能的影响。通过比较使用37个特征、8个特征和仅两个特征（Wilson Amplitude (WAMP) 和 Absolute Value of the Summation of Exp Root (AVSER)）的情况，发现仅使用这两个特征的模型在保持高准确率的同时，显著降低了计算成本。例如，使用两个特征的模型在测试中达到了97.29 %的准确率，而使用37个特征的模型准确率仅为96.52 %，但执行时间却高达2.58秒。这种特征优化不仅提升了模型的效率，还增强了其在不同人群中的适应能力。

为了验证模型在不同用户群体中的表现，研究人员还对酒精使用者和吸烟者进行了子群分析。在酒精使用者群体中，当模型使用非酒精使用者的数据进行训练时，测试准确率从3.09 %提升至92.29 %，而吸烟者群体的测试准确率则从5.57 %提高到91.95 %。这些结果表明，ADINC-kNN能够有效适应不同生理状态下的信号变化，从而提升分类性能。此外，模型在不同特征配置下的表现也显示出稳定性，特别是在使用两个特征的情况下，训练和测试准确率之间的差距较小，说明该方法在减少过拟合方面具有显著优势。

在技术实现方面，ADINC-kNN的核心创新在于其结合了数据驱动和模型驱动的适应机制。滑动窗口缓冲机制确保了模型能够持续更新，以适应信号随时间的变化，而距离加权投票策略则提高了分类的鲁棒性，使模型能够更好地处理信号变化带来的挑战。这种方法不仅简化了模型的复杂性，还增强了其在实际应用中的灵活性。此外，研究团队还开发了一个交互式仪表盘，用于可视化模型的性能，并允许用户在无需编程知识的情况下更新结果和测试新数据。这一工具的开发为未来在更大规模和更广泛人群中进行模型验证和临床应用提供了支持。

从实际应用的角度来看，ADINC-kNN在康复和辅助技术领域具有重要意义。传统的分类方法在面对不同生理状态的用户时，往往无法保持稳定的性能，而ADINC-kNN通过动态适应，能够有效解决这一问题。这种自适应能力对于开发面向真实用户群体的系统至关重要，因为用户多样性是不可避免的现实挑战。未来的研究将进一步扩展该方法，使其能够适应更广泛的生理差异，并处理多种生活方式因素的组合影响。此外，研究团队计划完善交互式仪表盘的功能，提高其可视化和实时反馈能力，以更好地支持临床实践和科研工作。

综上所述，ADINC-kNN作为一种自适应增量学习方法，为sEMG基手部动作识别提供了一种新的解决方案。通过结合滑动窗口缓冲和距离加权投票，该方法在保持高分类准确率的同时，有效应对了不同用户群体带来的生理差异问题。这种创新不仅提升了模型的泛化能力，还增强了其在实际部署中的适用性。随着对生理差异影响的进一步研究和算法的持续优化，ADINC-kNN有望在康复、辅助技术及人机交互等应用领域发挥更大的作用，为更广泛的人群提供高效、准确的分类支持。