基于表面肌电信号迁移学习的可解释神经网络在手指关节角度跨被试估计中的应用

这篇研究开创性地提出了一种基于迁移学习(TL)和多重自注意力机制(MHSA)的可解释深度学习模型，通过K近邻(KNN)聚类预训练策略实现跨被试手指关节角度(FJA)精准估计。模型创新性地在LSTM网络中嵌入注意力模块，量化不同肌肉贡献度，在Ninapro DB2数据集上取得显著优于现有方法的性能(RMSE 6.37±0.16 vs 7.26±0.18，p<0.01)，为假肢和外骨骼控制提供了兼具高精度与可解释性的解决方案。

　　

1 引言

人类手部作为最精密的运动器官，其功能丧失会严重影响生活质量。基于表面肌电信号(sEMG)的假肢和外骨骼控制技术因其非侵入性优势备受关注，其中连续手指关节角度(FJA)估计是实现拟人化控制的关键。当前研究面临三大挑战：传统深度学习模型存在"黑箱"问题；个体间sEMG信号差异导致跨用户泛化性差；现有方法平均均方根误差(RMSE)高达14.50。

研究团队创新性地构建了LSTM-MHSA混合架构，首次通过注意力机制量化前臂肌肉与手部运动的生理关联。采用KNN聚类预训练策略筛选相似用户数据，在Ninapro DB2数据集上将RMSE显著降低12.3%(p<0.01)，相关系数(CC)提升至0.87±0.01。

2 实验方法

2.1 数据集

采用Ninapro DB2公开数据集（40名受试者）和自建数据集（20名健康受试者），采集12通道sEMG信号（2000Hz采样率）与CyberGlove/5DT数据手套的关节角度数据。包含6种抓握动作（图1），每种动作重复6次，每次持续5秒。

2.2 信号处理

创新性采用四步预处理流程：信号整流→均值滤波降采样（N→N/10）→1Hz低通巴特沃斯滤波→全局最小最大归一化。该方案有效保留了运动相关的肌电特征，同时降低计算复杂度。

关键技术突破

1. 1.

   生理机制建模：MHSA模块首次可视化呈现不同肌肉对特定关节运动的贡献权重，如发现指浅屈肌在精密抓握中注意力权重达0.32±0.05

2. 2.

   跨用户迁移：KNN聚类筛选Top5相似用户数据预训练，使新用户微调数据量减少83%

3. 3.

   架构创新：双向LSTM捕获时序特征，MHSA层输出12维注意力向量对应12个采集通道

性能验证

在Ninapro DB2测试集上：

• •

  RMSE 6.37±0.16（较CNN-LSTM降低31%）

• •

  CC 0.87±0.01（p<0.01）

  自建数据集表现更优（RMSE 5.08±0.15），证实方法的临床适用性

应用前景

该技术已应用于：

1. 1.

   智能假肢的拟人化运动控制

2. 2.

   康复外骨骼的个性化参数调节

3. 3.

   虚拟现实手部动作捕捉系统

研究开创了sEMG信号可解释分析的新范式，其注意力权重图谱可作为临床评估肌肉功能的新工具，为神经康复领域提供重要技术支撑。