编辑推荐：
从表面肌电图（sEMG）中快速准确识别运动单位尖峰序列（MUSTs）对神经接口实时控制至关重要。研究人员提出 ML - DRSNet 算法，该算法显著提升分解精度并降低延迟，为神经信息驱动的运动意图识别和疾病评估奠定技术基础。
在神经科学与康复医学的交叉领域，表面肌电图（sEMG）分解一直是研究的热点。想象一下，通过解读肌肉产生的电信号，就能精准判断人体的运动意图，这听起来是不是很神奇？这正是 sEMG 分解技术想要实现的目标。它对于理解运动神经生理学、开发人机交互系统以及康复治疗等都有着极为重要的意义。然而，目前的 sEMG 分解方法却存在诸多难题。像传统的盲源分离（BSS）算法，虽然在一定程度上能够实现 sEMG 分解，但由于需要对信号进行扩展和白化等预处理操作，这不仅引入了延迟，还可能放大噪声，影响神经编码的识别，难以满足神经接口等应用对实时性和准确性的严格要求。深度学习方法虽然展现出了潜力，但同样依赖预处理步骤，并且在实际应用中仍有待优化。
为了解决这些问题，深圳大学等机构的研究人员开展了一项极具创新性的研究。他们致力于开发一种更高效的 sEMG 分解算法，以实现从原始 sEMG 信号中快速、准确地识别 MUSTs。研究人员提出了一种名为 ML - DRSNet（多标签深度残差收缩网络）的新型实时高密度 sEMG（HD - sEMG）分解算法，同时还提出了改进的多标签深度卷积神经网络（ML - DCNN）。
研究人员为开展此项研究，运用了多种关键技术方法。他们使用公开的 sEMG 数据集，其中包含 18 名男性参与者在不同任务和收缩强度下的 HD - sEMG 记录及对应的 MUSTs。通过卷积 BSS 算法提取 MUSTs 作为标签，利用滑动窗口对 HD - sEMG 信号进行分段，并进行 z - score 归一化处理。构建 ML - DCNN 和 ML - DRSNet 网络模型，将 HD - sEMG 分解视为多标签二元分类任务，采用五折交叉验证策略训练和评估模型，使用 Adam 优化器和二元交叉熵（BCE）损失函数优化网络参数。
研究结果表明：
- 窗口大小和步长对 ML - DRSNet 的影响：窗口大小和步长对 ML - DRSNet 的分解精度影响显著。当窗口大小为 20 数据点、步长为 50 数据点时，ML - DRSNet 性能最佳，分解精度较高。随着收缩强度增加，分解精度逐渐降低，这可能是由于高收缩强度下 MUAPs 重叠增加，使识别难度加大。在训练时间方面，ML - DRSNet 的训练时间与步长呈负相关，与窗口大小无明显关联；预测时间受窗口大小和步长影响较小，总分解时间最短可达 15.15 ms。
- 不同模型的比较：在最优窗口大小和步长组合下，ML - DCNN 在分解精度上表现出色，显著优于 ML - DRSNet 和 MT - DCNN。但在最短窗口大小（20 数据点）和步长（10 数据点）的情况下，ML - DRSNet 的分解精度则显著高于 ML - DCNN 和 MT - DCNN。在训练和预测时间上，MT - DCNN 训练时间最长，ML - DCNN 最短；而在预测时间与最优窗口大小之和方面，ML - DRSNet 最短。
研究结论和讨论部分指出，ML - DRSNet 在保持高精度的同时，显著提升了实时性能，为 HD - sEMG 分解应用于在线神经接口开辟了新途径。然而，该研究也存在一定局限性，如未分析电极位移等因素对模型性能的影响，仅在等长收缩场景下进行了验证，模型对不同参与者的泛化性有待提高，且依赖监督学习，未考虑实际应用中的全部延迟。尽管如此，这项研究成果依然具有重要意义。它成功将多标签学习与深度卷积神经网络相结合，在 sEMG 分解的准确性和实时性方面取得了重大突破，为后续研究提供了宝贵的参考，有望推动神经接口技术的进一步发展，为康复医学和人机交互领域带来新的变革。
