基于重复动作电位的自适应分割方案用于表面肌电图（sEMG）控制运动解码的创新突破

为解决肌电图（EMG）控制解码系统中传统固定宽度分割无法应对信号随机复杂性的问题，研究人员开展基于动作电位重复模式的自适应分割研究。结果显示该方法平均分割宽度 124ms，分类器 F1 得分可观，性能显著提升，为相关领域发展助力。

　　肌电图（Electromyography，EMG）控制的解码系统，其基本步骤包括信号预处理、特征提取和分类，且要求高精度和最小延迟。传统系统在特征提取时依赖固定宽度的分割方案，无法涵盖 EMG 信号随机行为带来的复杂性。基于动作电位重复模式的自适应分割或许是个很有前景的解决办法。这项研究提出了一种全新的自适应分割方法，通过捕捉动作电位的发生来进行分割和特征提取。研究人员让 12 名受试者进行 8 种不同运动，对该方法进行实验验证。提取了 20 个时域特征来验证研究。使用线性判别分析（Linear Discriminant Analysis，LDA）、k 近邻（k - nearest neighbor，kNN）和决策树（Decision Tree，DT）分类器，从精度、召回率、F1 分数和准确率等方面观察该方案的性能。该方法在所有受试者中的平均分割宽度为 124ms，在 95% 置信水平下，误差范围为 124±5.4（±4.35%）。对于 8 种运动，所有受试者的平均 F1 分数，LDA 分类器为 82.078%，kNN 分类器为 81.51%，DT 分类器为 80.81%。LDA、kNN 和 DT 分类器的 5 折交叉验证准确率分别为 78.3%、78.2% 和 76.70%。将计算得到的准确率与窗口大小为 200ms 的固定宽度分割方案进行比较。t 检验表明，使用该方法后，分类器的性能有显著提升。