基于域泛化与少样本学习的跨用户跨假肢运动模式识别深度学习框架

《IEEE Transactions on Medical Robotics and Bionics》：A Deep Learning Framework With Domain Generalization and Few-Shot Learning for Locomotion Mode Classification Across Users, Sessions, and Prostheses

本研究针对下肢假肢用户日常穿脱导致的会话间性能下降问题，开发了一种结合域对抗训练（DANN）和孪生网络少样本学习（FSL）的深度学习框架。该框架利用假肢内置传感器数据，实现了对未见会话/受试者数据的五种运动模式（LW/SA/SD/RA/RD）分类。在包含31个会话的跨假肢模型数据集上，其HS事件分类F1分数最高达99.12%（Gen 2）和92.41%（Gen 3），TO事件达96.83%（Gen 2）和94.36%（Gen 3）。该方法显著降低校准数据需求，为多假肢模型自适应控制奠定基础。

　　

对于大腿截肢者而言，日常行动中频繁穿脱假肢是不可避免的。这一简单动作却给智能假肢的临床应用带来巨大挑战：昨天还在实验室里精准识别行走、上下楼梯意图的算法，今天重新戴上假肢后可能就"不认识"主人了。这种"会话间差异"成为阻碍智能假肢走向实用的关键瓶颈。

传统机器学习方法虽然能在实验室环境下达到惊人准确率，但需要为每位用户收集大量标注数据，包括所有目标运动模式及其间转换。这对截肢者而言无疑是沉重负担。更棘手的是，不同厂家、不同代际的假肢传感器配置各异，为算法普适性设置重重障碍。

正是在这样的背景下，来自意大利圣安娜大学和美国雪莉·瑞恩能力实验室的研究团队在《IEEE Transactions on Medical Robotics and Bionics》上发表了一项突破性研究。他们开发了一种融合域泛化（Domain Generalization, DG）和少样本学习（Few-Shot Learning, FSL）的深度学习框架，让智能假肢真正实现了"举一反三"——不仅能适应陌生用户的步态特征，还能跨不同假肢模型保持优异性能。

研究团队创造性地将域对抗神经网络（DANN）与变分自编码器（VAE）融合，构建了DANN-VAE预训练模型。该模型通过编码器同时学习运动分类特征和信号重构特征，而域判别器的梯度反转机制则迫使编码器提取会话无关的特征表示。在预训练基础上，采用孪生网络架构进行少样本微调，仅需每运动状态5个样本即可显著提升模型在新会话中的表现。

研究采用包含31个会话的跨假肢数据集，涵盖Vanderbilt大学第二代和第三代动力膝踝假肢（VU Gen 2/Gen 3）的11名受试者数据。通过留一会话出交叉验证，系统评估了模型在脚跟撞击（Heel-Strike, HS）和脚尖离地（Toe-Off, TO）事件处对五种运动模式（平地行走LW、上楼梯SA、下楼梯SD、上坡RA、下坡RD）的分类性能。

模型性能比较

在HS事件分类中，当保持LW和RA类别分离时，DANN微调（DANN FT）在VU Gen 3数据上达到87.63%的中位F1分数，显著优于基础VAE和DANN模型。而合并LW/RA类别后，DANN FT性能进一步提升至92.41%。对于VU Gen 2数据，所有模型均表现优异（F1>94%），但微调带来的提升相对有限，说明数据量充足时可减少微调依赖。

TO事件分类呈现类似趋势，DANN FT在VU Gen 3数据上对SA类别的识别精度达到98.29%，显著优于对比方法。值得注意的是，VU Gen 2数据集由于包含同一受试者的多次会话记录，其过渡步态分类性能明显优于VU Gen 3数据，印证了数据多样性对模型泛化能力的重要性。

稳态与过渡步态性能

分析显示，在数据量充足的VU Gen 2数据集上，所有模型对稳态和过渡步态的分类性能相当。而对于数据量较小、变异性更高的VU Gen 3数据，过渡步态分类精度普遍较低，但DANN FT在TO事件中成功消除了这一差异。

该研究的核心突破在于确立了"基础预训练+轻量微调"的技术路径。DANN-VAE预训练建立了跨假肢模型的通用特征表示，而仅需25个样本的微调过程（相当于完成5次运动回路）即可使模型适应新会话特性。这种设计巧妙平衡了模型普适性与个性化需求，为临床实施提供了可行方案。

值得注意的是，由于两款假肢对LW和RA活动使用相同的阻抗参数，研究者创新性地提出可合并这两类模式以提升精度而不影响设备功能。这一 prosthesis-aware（假肢感知）约束策略体现了算法设计与硬件特性的深度融合。

研究也存在一定局限性，如必须使用两款假肢的共有传感器集，限制了新型假肢额外传感器的利用率。此外，传感器安装位置的差异要求数据必须经过精细对齐处理。

这项工作的深远意义在于首次构建了真正意义上的跨假肢平台运动识别基础框架。其92%-99%的分类精度证明，通过精心设计的深度学习架构，智能假肢完全能够克服日常使用中的会话变异性和设备差异性。未来，研究团队计划开展实时部署验证，并扩展至更多假肢模型，进一步推动这项技术从实验室走向日常生活。