编辑推荐：
目前基于模式识别的肌电假手控制方法存在运动不自然等问题。研究人员开展了基于 sEMG 信号多维时频特征预测手指关节角度的研究，提出 TF2AngleNet。结果显示其在连续关节角度估计中表现出色，为假手控制提供新方案。
在生活中，因意外或其他原因失去手臂的人群不在少数，为了帮助他们重新拥有接近正常手部的功能，越来越多灵巧且多自由度的假肢手被研发出来。其中，基于表面肌电信号（sEMG）的多自由度肌电假肢手备受关注，它只需在使用者前臂皮肤上贴上几对电极，就能以非侵入的方式获取信号，从而控制假肢手运动。
然而，sEMG 信号是一种脆弱的电信号，很容易受到汗液、肌肉疲劳和电极位移等因素的影响而发生改变。而且，不同健康个体之间的 sEMG 信号也存在很大差异，这使得商业假肢手大多采用基于 sEMG 信号幅度等稳健特征的控制方法，像阈值控制法和比例控制法。但这些方法能实现的动作较为单一，只能应用于低自由度的假肢手。为了控制高自由度的灵巧假肢手，切换控制方法被广泛采用，可这种方法在切换姿势时不够自然，牺牲了假肢手操作的直观性。
另外，基于模式识别的控制方法虽然在预测使用者运动意图方面准确率很高，但目前大多只是简单地将不同动作与不同 EMG 模式配对，导致机器人手产生离散输出，在姿势切换时会出现不自然的动作。由此可见，研发一种能将 sEMG 信号与手部连续关节角度精确映射的控制算法迫在眉睫，这不仅能让假肢手的运动更加仿生，还能提升使用者的体验。
在这样的背景下，来自多个研究机构的研究人员共同开展了一项极具意义的研究，相关成果发表在《Biomedical Signal Processing and Control》上。研究人员旨在构建一种实用的控制算法，实现对灵巧肌电假肢手的连续控制。他们提出了一种名为 TF2AngleNet 的神经网络模型，利用 sEMG 信号的时域原始信号和频域特征来预测六个手指关节角度。
研究人员在技术方法上进行了创新。一方面，采用了一种全新的非接触式手指关节角度测量方法，使用 Leap Motion Controller 来测量关节角度，无需传感器直接接触手部，就可获取数据；另一方面，利用卷积神经网络设计控制算法，有效减少了因控制目标扩展而增加的可学习参数，提高了算法的实用性。在数据处理方面，对采集到的 sEMG 信号和关节角度数据进行了预处理，为后续模型训练做准备。
研究结果主要通过一系列实验得出，在不同的实验条件下，TF2AngleNet 模型都展现出了出色的性能。在同一实验时段内实验（within - session experiment）中，研究人员对五名受试者分别进行训练，每个受试者的训练集和测试集都来自同一次实验，且在数据测量过程中，传感器带只佩戴一次且不取下，以确保 sEMG 信号的差异主要来自肌肉疲劳。实验结果显示，TF2AngleNet 在连续关节角度估计方面表现卓越，相关系数达到 94.7%，R2值为 89.2%，归一化均方根误差（NRMSE）为 9.5%。与单域模型相比，NRMSE 提高了 12.43%，相关系数（CC）平均提高 1.2%，R2平均提高 2.42%，且所有指标的 p 值均小于 0.05，这表明该模型在增强运动意图识别准确性方面明显优于传统模型。研究人员还通过虚拟手模型展示了手部姿势，为肌电假手提供了一种自然且仿生的控制方法。
从研究结论来看，TF2AngleNet 利用 sEMG 信号的时频域信息，成功实现了对多个手指关节角度的同时回归预测，在同一实验时段条件下性能优异，能有效且自然地同时预测多个关节角度。该研究成果意义重大，它为灵巧、仿生且实用的肌电假肢手控制方法提供了极具前景的解决方案，有望改善截肢患者的生活质量。同时，研究人员提出的两阶段概念框架，为解决基于模式识别的肌电假肢手控制中数据收集成本高的问题提供了新思路，第一阶段利用健康个体的大量数据集对神经网络进行预训练，提取常见的 sEMG 特征；第二阶段，用户只需收集少量数据，通过迁移学习对第一阶段的预训练模型进行适配，大大降低了数据收集的要求。这一框架若能进一步完善和应用，将有助于推动肌电假肢手领域的发展，让更多截肢患者受益。
