面向基于肌电信号的手部活动识别的鲁棒可能性邻域图辅助降维方法

《IEEE Transactions on Haptics》：Robust Possibilistic Neighborhood Graph-Aided Dimensionality Reduction for EMG-Based Hand Activity Recognition

　　摘要：对于肢体残疾者，由表面肌电图（sEMG）控制的人工假肢手有助于恢复手部运动和抓握能力。这些系统也是人机接口的组成部分，使辅助机器人能够执行操作任务。然而，sEMG传感器由于对外部干扰敏感以及个体内/个体间变异性，在全面捕捉肌肉活动方面存在一定局限性。经典的降维技术在此类条件下往往表现不佳，尤其是当数据的内在空间结构被忽视时。本文提出了一种新颖的子空间投影方法，称为基于鲁棒可能性邻域图的保局部正交投影（RPNG-OLPP），旨在增强不确定和非线性流形下的模式识别能力。与仅依赖几何邻近性或类别标签的传统方法不同，RPNG-OLPP利用可能性相似性估计构建数据自适应图，以同时反映局部亲和性和感知不确定性的邻域结构。为了增强鲁棒性，引入了一种基于$\ell_{2,1}$范数的稀疏约束，抑制最终表示中区分能力较差的特征。最小化该范数迫使投影矩阵的行收缩，有效地消除特征异常值，从而提高相似图的可信度。为确保特征去相关性和数值稳定性，该框架在投影学习过程中采用正交正则化。在实验室采集的肌电图数据集和基准NinaPro数据库上，在正常和噪声条件下进行了广泛的评估。结果表明，RPNG-OLPP具有作为鲁棒、可解释的子空间建模工具的潜力，可用于模式识别和传感器驱动智能系统的实际应用，尤其是在人机系统的更广泛背景下……