基于混合深度学习框架的肌电图（EMG）信号识别技术，用于康复动作的识别

《Biomedical Signal Processing and Control》：Hybrid deep learning framework for EMG signal-based recognition of rehabilitation gestures

针对中风患者手功能康复中EMG信号噪声干扰问题，提出融合去噪自编码器（DAE）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合深度学习模型。实验表明，DAE使信号信噪比提升60%，CNN-LSTM模块在七名受试者EMG数据集上达到95.9%识别准确率，显著优于传统方法。该模型有效解决噪声和时序特征提取难题，为康复手势识别提供新方案。

　　近年来，随着人口老龄化趋势的加剧，慢性疾病尤其是中风的发病率持续上升。这些疾病常常导致手部功能障碍，严重影响患者的日常生活和工作能力。为了帮助中风患者恢复神经功能，康复训练必须长期、重复且频繁进行。在此背景下，手势识别技术在康复医学中扮演着至关重要的角色。它不仅能够帮助康复专家实时监测患者的康复进展，还能为患者制定个性化的康复方案。然而，传统基于视觉的手势识别技术存在诸多局限性，如环境光线变化、身体部位遮挡以及手势复杂度等因素，使得其在实际康复应用中难以充分发挥作用。

为了解决这些问题，近年来许多研究转向使用传感器采集数据的方法。例如，惯性传感器（如加速度计和陀螺仪）和声学传感器（如麦克风和超声波传感器）被广泛用于手势识别。这些传感器技术在某些应用场景中展现出一定的优势，但同时也存在识别准确率较低、容易受到噪声干扰以及受传感器位置和方向限制等问题。如果传感器安装不当或其方向发生显著变化，手势识别的性能可能会受到影响。此外，传统视觉识别方法同样受到环境光线、遮挡和姿势复杂度的制约，这在康复应用中尤为明显。

为了克服这些限制，近年来研究人员开始关注表面肌电信号（EMG）在康复医学中的应用。EMG信号具有较高的时间分辨率，能够快速响应肌肉活动的变化，从而实现良好的实时性能。这种高时间分辨率使EMG信号在需要快速响应和实时控制的应用场景中具有显著优势，如康复训练、生物力学分析和人机工程学研究。例如，F. Chamberland等人使用了4×16的高密度肌电信号电极阵列进行手势识别；P. Sedighi利用EMG信号测量主动肌肉努力程度；D. Li等人则采用高密度肌电信号实现手腕角度和握力的同时与比例控制。由于EMG信号具有高时间分辨率和对环境干扰的较低敏感性，它在康复医学领域得到了广泛应用。然而，EMG信号本身具有高度复杂性，并且在不同个体之间存在显著差异。这种特性使得传统的特征提取和分类方法难以达到较高的姿势识别准确率。

在此背景下，深度学习技术的快速发展为EMG信号分析提供了新的解决方案。深度学习模型能够有效处理序列数据，捕捉长期依赖关系，从而在复杂信号分析中展现出独特优势。例如，LSTM模型能够处理时间序列数据，捕捉其动态特征，适用于手势识别任务。而CNN模型虽然主要用于图像数据处理，但在某些任务中也展现出优势，如特征提取和分类。将CNN与LSTM模型相结合（即CNN-LSTM模型）已被用于解决多个挑战。例如，S. M. J. Jalali等人利用CNN-LSTM模型提高全球水平辐照度的预测性能；Q. Zhang等人则采用该模型捕捉空间和时间特征，用于空气污染的准确监测和预测；R. Yu等人则使用CNN-LSTM模型对完全渗透焊池的穿透深度进行精确监测。因此，深度学习技术，特别是CNN-LSTM模型，为解决EMG信号分析中的挑战提供了新的途径，同时也显著提升了康复训练的效果。

尽管EMG信号具有诸多优势，但在实际应用中仍可能受到干扰。这些干扰可能来自其他肌肉、神经或采集设备本身。例如，相邻肌肉的活动可能导致交叉干扰，而电磁干扰也可能影响信号质量。这些问题使得信号识别和分析变得更加复杂。因此，噪声去除在EMG信号处理中变得尤为重要。近年来，去噪自编码器（DAE）在图像识别、语音识别和语音去噪等领域取得了显著进展。DAE是一种无监督学习算法，能够学习数据的潜在表示，从而提取有用的特征，帮助抑制噪声和干扰。与标准自编码器不同，DAE在输入数据中引入噪声，然后尝试从这些噪声数据中重建原始无噪声数据。这种方法使DAE能够学习一种从噪声输入到干净输出的映射关系。DAE已被广泛应用于语音特征去噪和语音增强等领域。鉴于这些优势，我们将在本研究中应用DAE对EMG信号进行去噪处理，以提高系统鲁棒性，去除信号中的噪声和冗余信息。

为了进一步提升手势识别的准确性，我们结合了DAE、CNN和LSTM三种深度学习模型，构建了一个混合深度学习模型，用于基于EMG信号的手势识别。这一混合模型在去噪、特征提取和时序建模等方面各具优势，能够有效应对EMG信号的复杂性和噪声问题。具体而言，DAE模块负责对输入的EMG信号进行去噪处理，使其在噪声环境下仍能保持较高的识别准确率。实验结果显示，在信噪比为5的条件下，DAE模块的识别准确率仅比无噪声条件下降3%，相比不使用DAE的情况，准确率提高了60%。这表明DAE模块在提升信号抗噪能力方面具有显著效果。

CNN模块则用于提取空间特征，能够捕捉不同手势之间的空间关系。LSTM模块则负责建模序列数据的时序信息，适用于动态手势识别。通过结合DAE、CNN和LSTM模型，我们对来自七名受试者的EMG数据集进行了实验验证，最终达到了95.9%的识别准确率。这一结果相较于传统的深度学习方法和神经网络（88.6%）、单独使用CNN（90.3%）和LSTM（87.9%）等算法，均表现出显著的性能提升。此外，我们还进行了系列实验平衡评估，进一步验证了该混合模型在康复手势识别任务中的有效性。

在实验设置方面，我们选择了七名健康受试者作为研究对象，以确保实验数据的可靠性。这些受试者的基本信息如表1所示。我们通过实验分析了不同康复手势对患者手部功能恢复的影响。康复训练不仅有助于神经再生，还能促进肌肉功能的恢复。因此，通过训练和重复练习，患者的EMG数据会逐步改善，甚至可能接近正常水平。在康复训练的初期阶段，患者的EMG信号可能仍然存在较强的噪声干扰，这会影响信号的识别和分析效果。因此，我们需要对EMG信号进行有效的去噪处理，以确保后续分析的准确性。

在DAE模块的性能评估中，我们首先对原始EMG信号进行了预处理。预处理包括使用四阶巴特沃斯带通滤波器（30–350 Hz）去除心电干扰和运动伪影。滤波后的信号随后被归一化（零均值，单位方差），并作为一维时间序列数据输入到DAE模型中。DAE模型的编码器部分由一个包含1000个隐藏单元的全连接层（Dense层）组成，使用Sigmoid激活函数。瓶颈层则用于压缩输入数据，提取关键特征。在训练过程中，DAE模型通过学习噪声输入与干净输出之间的映射关系，逐步优化其去噪能力。

在实验过程中，我们采用了一种系统化的方法，以确保实验结果的可靠性和有效性。首先，我们对七名受试者的EMG数据进行了采集，这些数据涵盖了多种康复手势。然后，我们将这些数据分为训练集和测试集，分别用于模型训练和性能评估。在训练过程中，我们使用了DAE模块对EMG信号进行去噪处理，以提高信号质量。随后，我们将去噪后的信号输入到CNN模块中，提取空间特征。最后，将这些特征输入到LSTM模块中，进行时序建模和动态手势识别。整个过程通过多轮训练和测试，不断优化模型的性能，最终达到了较高的识别准确率。

在讨论部分，我们进一步探讨了本研究中所采用的混合模型在实际康复应用中的意义。首先，确保系统的实时性能对于提升用户体验和增强其在康复训练中的实际价值至关重要。例如，在智能义肢控制领域，用户期望他们的手势能够被义肢迅速识别并作出反应。任何延迟都可能导致动作不准确或不自然，从而影响用户的日常生活和工作效率。因此，实时性是衡量康复系统性能的重要指标之一。

其次，实时研究不仅有助于提升算法的性能，还能确保算法在短时间内高效运行。对于康复训练而言，实时性意味着系统能够迅速响应患者的动作，从而提供及时的反馈和支持。这种反馈对于患者的康复过程具有重要意义，能够帮助他们更好地掌握康复动作的节奏和方式。因此，实时性是康复系统设计和优化过程中不可忽视的因素。

在实验结果分析中，我们发现，DAE模块在去除噪声和干扰方面表现出色，能够显著提升信号质量。CNN模块在提取空间特征方面具有优势，能够帮助模型识别不同手势之间的空间关系。LSTM模块则在建模时序信息方面表现出色，能够捕捉动态手势的特征，提高识别准确率。通过结合这三个模块，我们构建了一个具有较高识别准确率的混合模型，能够有效应对EMG信号的复杂性和噪声问题。

此外，我们还进行了系列实验平衡评估，以确保模型在不同条件下均能保持较高的性能。实验结果显示，该混合模型在不同噪声水平和信号质量条件下均表现出良好的稳定性。这表明该模型不仅适用于理想的无噪声环境，也能在噪声干扰较大的情况下保持较高的识别准确率。这种鲁棒性对于实际康复应用具有重要意义，因为康复训练往往是在复杂的环境条件下进行的。

最后，在结论部分，我们总结了本研究的主要成果和意义。本研究成功解决了基于表面肌电信号（sEMG）的康复手势识别中的主要挑战，即噪声干扰问题。我们提出并验证了一种新的混合深度学习模型，称为DAE-CNN-LSTM。该模型在去噪、特征提取和时序建模等方面各具优势，能够有效提升康复手势识别的准确性。实验结果显示，DAE模块能够显著降低噪声干扰，提高信号质量，从而增强系统的稳定性。同时，CNN-LSTM模块的识别准确率达到95.9%，相较于传统方法表现出显著的性能提升。

本研究的成果不仅为康复医学领域提供了新的技术支持，也为智能义肢、人机交互和康复训练等应用带来了新的可能性。未来，我们计划进一步优化该混合模型，以提高其在更复杂环境下的适应能力。同时，我们也将探索该模型在其他生物信号分析中的应用，如脑电信号（EEG）和肌电图（EMG）等。这些研究将进一步推动康复医学技术的发展，为患者提供更加精准和高效的康复方案。

在作者贡献声明中，我们明确了每位作者在本研究中的具体贡献。Jinke Li和Xinqiang Guo主要负责论文的撰写和方法设计；Mingxiang Luo负责软件开发；Yupeng Zou也参与了论文的撰写；Shuo Zhang负责数据管理；Xinyu Wu负责资金获取和数据分析；Meng Yin负责方法设计和研究分析；Wujing Cao则负责论文撰写、监督和资金获取。每位作者的贡献都为本研究的顺利进行提供了重要支持。

在竞争利益声明中，我们声明所有作者均未发现任何可能影响本研究结果的财务利益或个人关系。这种声明确保了研究的客观性和公正性，使研究成果更具说服力和可信度。

在致谢部分，我们衷心感谢所有参与本研究的志愿者。他们的无私奉献和积极参与为本研究提供了宝贵的数据支持。本研究的部分工作得到了深圳市科技计划（JCYJ20220818101602005）、深圳市医学研究基金（D2404006）以及中国科学院重点计划（RCJJ-145-24-18）的支持。这些资金支持为本研究的顺利进行提供了重要保障，使我们能够开展深入的实验研究和数据分析。

综上所述，本研究通过结合DAE、CNN和LSTM三种深度学习模型，构建了一个高效的混合模型，用于基于EMG信号的手势识别。该模型在去噪、特征提取和时序建模等方面表现出色，能够有效提升康复手势识别的准确性。实验结果显示，该模型在多种条件下均能保持较高的识别准确率，相较于传统方法具有显著的性能优势。本研究的成果不仅为康复医学领域提供了新的技术支持，也为未来的康复训练和智能义肢控制等应用带来了新的可能性。我们相信，随着深度学习技术的不断发展，基于EMG信号的手势识别将在康复医学中发挥更加重要的作用，为患者提供更加精准和高效的康复方案。