基于神经脉冲列多尺度时间特征的高密度表面肌电手势识别轻量级解码框架

《Scientific Reports》：Real-time gesture classification via spike trains and multi-scale temporal features from sEMG signals

　　

摘要

传统的基于表面肌电信号（sEMG）的手势分类通常受到串扰问题的困扰。为解决这一问题，我们提出了一种轻量级深度学习框架，该框架集成了来自神经脉冲列的多尺度时间特征，以提升准确率、稳定性和实时适用性。首先，采用了一种基于卷积核补偿（CKC）的混合离线-在线分解框架。在离线阶段，利用迭代优化的滤波器分离出活跃信号段，以提取单个运动单元（MU）。在在线阶段，复用这些预先优化的滤波器以实现运动单元的实时追踪。其次，在200毫秒滑动窗口内（步长50毫秒）提取脉冲计数（SC）和时间差（TD）特征，随后使用轻量级的两层多层感知机（MLP）进行手势分类。该方法在三个高密度表面肌电（HD-sEMG）数据集上进行了验证：65类手势数据集（20名被试）、CSL-HDEMG数据集（5名被试）和CapgMyo DBa数据集（10名被试）。具体而言，在65类手势数据集（子集验证）上，离线分解平均每位被试获得1153.7?±?75.2个高质量运动单元，平均脉冲噪声比（PNR）为27.28?±?2.4 dB。该系统表现出高效性，单窗口分解延迟低于5毫秒，端到端总延迟低于60毫秒。在分类性能方面，所提方法在该数据集上实现了91.02%?±?2.68%的准确率。此外，在标准基准测试中，该方法优于均方根等传统时域特征，在CSL-HDEMG数据集上达到92.06%?±?11.17%的准确率，在CapgMyo DBa数据集上达到86.63%?±?7.76%的准确率。所提框架在解码多种手势类型下的运动单元放电时实现了高精度和低延迟。本研究通过证明从分解的运动单元神经脉冲列中提取的多尺度时间特征与轻量级深度学习的有效性，为高级假肢控制和康复界面中的实时神经解码提供了坚实基础。