《PLOS One》：Deep learning–driven fine-resolution finger movement recognition from surface EMG signals
编辑推荐：
表面肌电信号（surface electromyography, sEMG）已成为通过检测和记录运动过程中肌肉电活动来控制先进假肢装置的重要工具。本研究提出了一种利用NinaPro数据库识别九类不同手指运动的独特技术。为探索上肢假肢控制中尚未充分研究的领域，本
表面肌电信号（surface electromyography, sEMG）已成为通过检测和记录运动过程中肌肉电活动来控制先进假肢装置的重要工具。本研究提出了一种利用NinaPro数据库识别九类不同手指运动的独特技术。为探索上肢假肢控制中尚未充分研究的领域，本研究聚焦于细粒度的单指运动识别，而非宽泛的手势类别。研究人员开发了一种定制的一维卷积神经网络（one-dimensional convolutional neural network, 1D–CNN），并采用受试者内评估策略和信号对其进行了验证。所提出的模型总体分类准确率达到90.1%。研究人员对每个手指运动类别进行了深入的敏感度/特异度分析，以获取当前识别能力的关键见解。本研究的发现证明了细粒度手指运动识别的可行性，为假肢领域控制系统的未来开发和优化提供了基础性见解。
# 细粒度手指运动识别的深度学习新探索：基于1D-CNN框架的sEMG信号分类研究
## 一、研究背景与问题提出
表面肌电信号（surface electromyography, sEMG）作为一种反映肌肉电活动的生物电信号，在先进假肢控制领域展现出重要的应用价值。通过检测和记录运动过程中的肌肉电活动，sEMG为实现自然、灵巧的手部功能恢复提供了可能。然而，传统假肢装置受限于机械简单性和原始控制范式，往往难以复现复杂的人体运动。EMG信号的应用面临运动意图准确解码的挑战，这主要源于其非平稳特性以及对肌肉疲劳、电极移位和受试者间变异性等多种噪声因素的敏感性。
近年来，人工智能（artificial intelligence, AI）和机器学习（machine learning, ML）技术的兴起为基于EMG的控制系统带来了范式转变的契机。深度学习模型在检测复杂时空模式方面表现出高水平能力，能够从原始输入数据中自动提取判别性特征。卷积神经网络（convolutional neural network, CNN）和循环神经网络（recurrent neural network, RNN）在信号噪声和用户间变异情况下仍能保持高精度，推动了识别系统的进步。尽管CNN已被广泛研究用于sEMG模式识别，但现有研究主要集中于手部手势的整体识别，而对构成手势基础的单指运动关注不足。从临床角度看，可靠地解码个体手指运动对于恢复自然灵活性、使上肢截肢者能够执行打字、操作工具或抓取小物体等需要精细运动技能的日常活动至关重要。
当前研究存在以下问题：其一，以往研究主要报告总体准确率，缺乏对每个手指运动敏感度和特异度的详细分析，忽略了某些运动可能被良好识别而其他运动可能表现不佳的可能性；其二，现有手指运动识别研究多采用简单特征和小规模受试者群体，且仅报告总体准确率；其三，在模型复杂度与可解释性之间需要平衡，尤其是在医疗应用中透明性对决策至关重要。因此，本研究针对sEMG信号中的精细手指运动识别这一未被充分探索的领域，提出了一种定制的一维卷积神经网络（1D-CNN）方法，旨在提供全面且细化的每类运动诊断指标。
## 二、研究内容与意义
研究人员利用NinaPro DB2数据集，对40名受试者的九种手指运动进行了识别研究。与以往侧重于整体准确率的研究不同，该研究采用1D-CNN配合高分辨率信号预处理技术，对每个运动类别提供了详细的敏感度、特异度、精确率和F1分数分析。研究表明，细粒度手指运动识别是可行的，总体分类准确率达到90.1%。该研究在分析深度、队列规模和诊断粒度方面均有所推进，为假肢设计优化和手部功能识别能力的提升提供了基础性见解，对开发下一代智能假肢装置具有重要意义。
## 三、关键技术与方法
研究人员采用了来自NinaPro DB2数据集的40名完整肢体受试者的sEMG记录，使用12个表面电极采集数据。技术流程包括：首先应用20–500Hz带通滤波器和50–60Hz陷波滤波器进行信号预处理；随后采用基于Daubechies 4小波和5层分解的经验贝叶斯阈值去噪；接着进行全波整流和每通道Z-score标准化；采用400ms窗口和50%重叠的滑动窗口分割；最后构建1D-CNN模型，使用Adam优化器训练500个epoch，并采用L2正则化（系数0.001）、动态数据洗牌和独立验证集监控以防止过拟合。评估采用受试者内策略，使用第二次和第五次重复数据进行训练和测试。
## 四、主要研究结果
### 4.1 总体分类性能
通过混淆矩阵和受试者工作特征（receiver operating characteristic, ROC）曲线对模型性能进行了系统评估。所提出的1D-CNN模型在九种手指运动类别上的总体分类准确率达到90.1%。基于二项分布比例的正态近似区间计算，总体准确率的95%置信区间（confidence interval, CI）严格限定在[89.63%, 90.57%]，误差范围极窄（±0.47%），表明该模型具有较高的统计可靠性。
### 4.2 各类别详细指标分析
研究人员对每个手指运动类别进行了深入的指标分析。小指屈曲（标签"41"）有1,777条记录被正确分类，精确率89.7%，召回率93.1%；无名指屈曲（标签"42"）正确分类1,604条记录，精确率90.2%，召回率87.6%；中指屈曲（标签"43"）正确分类1,575条，精确率89.4%，召回率89.7%；食指屈曲（标签"44"）正确分类1,514条，精确率88.5%，召回率90.6%；拇指外展（标签"45"）正确分类1,452条，精确率90.8%，召回率89.8%；拇指屈曲（标签"46"）正确分类1,820条，精确率91.9%，召回率91.6%；食指和小指屈曲（标签"47"）正确分类1,460条，精确率88.2%，召回率90.3%；无名指和中指屈曲（标签"48"）正确分类1,513条，精确率91.1%，召回率88.5%；食指和拇指屈曲（标签"49"）正确分类1,392条，精确率91%，召回率89.2%。
### 4.3 指标比较分析
根据表1结果，拇指屈曲获得了最高精确率，而食指屈曲精确率最低。召回率方面，小指屈曲最高，食指和小指屈曲最低。F1分数方面，拇指屈曲最高（0.916），食指和小指屈曲最低（0.888）。特异度方面，食指和拇指屈曲最高（0.989），小指屈曲最低（0.983）。直方图分析直观展示了各类别敏感度、特异度、精确率和F1分数的分布情况。
## 五、讨论与结论
### 5.1 与既往研究的比较
与Naser等人使用半监督自编码器实现的五种基本手势99.26%准确率以及Kim等人报告的十种手部运动97.49%准确率相比，这些模型通常需要大量训练且跨用户泛化能力可能有限。与Tenore等人和Kanitz等人的手指运动分类研究相比（准确率高于97%），这些研究基于极小规模的单次数据集（分别仅5名和1名受试者）并使用经典时域特征，更容易过拟合。本研究在40名受试者队列中提供了九种手指运动的逐类性能指标，在队列规模和诊断粒度方面具有明显优势。
### 5.2 在NinaPro DB2数据集上的表现
与使用相同NinaPro DB2数据集的其他研究相比，Geng等人的EMG图像CNN架构在49种手势上达到76.1%准确率；Ding等人的并行多尺度卷积架构在17种手势上达到78.9%准确率；基于注意力机制的双流残差网络达到88.25%准确率。本研究提出的模型实现了更高的总体准确率（90.1%），并对手指运动进行了更细粒度的分类。
### 5.3 研究结论
本研究旨在通过精确的手指运动分类，为增强假肢手和机器人控制应用引入一个综合框架。研究结果验证了先进信号预处理与深度学习相结合用于基于EMG的假肢控制应用的有效性。该模型在九种运动类别中取得了较高的分类性能，精确率范围为0.89至0.92，召回率范围为0.89至0.93，F1分数始终高于0.88。与侧重于较宽泛运动且手指级别分辨率有限的其他研究相比，本研究在粒度和准确率方面均提供了显著改进。基于本研究框架的局限性，包括离线操作、受试者内评估和完整肢体受试者群体，这些结果应被视作技术可行性的证据，而非经过验证的临床或实时解决方案。未来工作应涉及实时部署、嵌入式系统和假肢装置集成，以及截肢者数据验证，以有效评估模型的临床适用性和整体泛化能力。
