摘要
特征融合使得表面肌电图（sEMG）和加速度（ACC）信号能够联合分类，但仅靠分类监督并不能显式优化其学习表示之间的统计依赖性。为解决这一问题，我们提出了一种结合监督分类与互信息（MI）正则化的双分支手势识别方法。基于互信息神经估计（MINE）的依赖正则化器在训练过程中鼓励跨模态依赖；在推理阶段移除辅助投影和判别器。实验包括 11 名参与者在四种姿势下进行 10 种手势的五个重复，采用被试内测试和严格的留一被试法评估。该方法在被试内达到了 93.78%/93.74% 的准确率/Macro-F1，跨被试适配前为 37.02%/34.72%，在使用一个目标重复周期（40 次手势 - 姿势试验，预定录制时间为 9 分 20 秒）进行适配后达到 85.61%/85.57%。与使用相同识别架构但不包含 MI 正则化的基本 sEMG-ACC 融合基线相比，准确率在上述三种设置中分别提高了 2.52、6.00 和 3.06 个百分点；所有配对比较在 Holm 校正后仍保持显著性。在一次重复适配后，MI 还优于所评估的 MSCNN-TL 本地实现以及经过微调的 ACC 适配多流 CNN。MI 的平均性能高于单独的跨时间注意力（CTA-only）及其与 MI 的组合（CTA+MI），尽管跨被试差异在 Holm 校正后不显著。这些结果支持在评估的跨被试 sEMG-ACC 框架中，将 MI 正则化作为分类监督的有效补充。当前评估侧重于离线稳态动作分类，未涵盖手势检测和过渡处理等连续交互场景。
