基于肌电信号模式识别的不完全性脊髓损伤患者手部手势分类系统研究

《Biosensors》：A Keyhole-Shaped Microwave Resonator for Hematocrit Sensing Toward Dengue Monitoring

　　

脊髓损伤（spinal cord injuries, SCIs）是上肢功能障碍的主要原因。在不完全性SCI患者中，传统肌电控制的局限性促使基于人工智能的模式识别更好地检测运动意图。本研究旨在开发并评估一套系统，用于对三名不完全性SCI患者的八种手部手势进行肌电信号（myoelectric signals, MESs）的采集与分类。该四通道系统使用独立传感器捕获肌电信号，从中提取了22个时域和频域特征。研究人员应用了三种特征选择技术：ReliefF、序贯特征选择（sequential feature selection, SFS）和遗传算法（genetic algorithms, GA）。采用交叉验证训练了八种机器学习模型：随机森林（random forest, RF）、支持向量机（support vector machines, SVM）、多层感知器（multilayer perceptron, MLP）、k近邻（k-nearest neighbors, KNN）、线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）、决策树（decision trees, DT）和高斯朴素贝叶斯（Gaussian Na?ve Bayes, GNB）。统计分析确认RF为表现最佳的分类器（p < 0.05），而KNN和MLP在各受试者间表现相当。离线准确率范围为71.78%至81.60%。RF-SFS组合的实时评估达到了76.67%的准确率，平均端到端处理时间为330.42 ± 6.65 ms。鉴于本研究的队列规模较小且异质性高，这些发现应被解释为在不完全性SCI患者中进行肌电手部手势分类可行性的初步、个体特异性证据，而非群体层面的性能估计。

基于肌电信号模式识别的不完全性脊髓损伤患者手部手势分类研究解读

研究背景与问题

脊髓损伤（spinal cord injuries, SCIs）是导致上肢功能丧失的常见原因之一。全球每年约有90万人经历SCI，其中不完全性SCI患者虽保留了部分感觉和运动功能，但仍不足以独立完成日常生活活动。因此，需要辅助技术来补充传统康复手段。肌电信号（myoelectric signals, MESs）因能反映与自主运动相关的肌肉激活模式而被广泛用于驱动矫形器、外骨骼等辅助设备。然而，传统的开关式肌电控制系统命令状态有限，难以识别多种手部运动。基于机器学习的模式识别为解决这一问题提供了可能，但在不完全性SCI患者中的研究仍十分有限，特别是在多手势识别和实时验证方面存在挑战。因此，本研究旨在开发一套针对不完全性SCI患者的肌电信号手部手势采集与分类系统。

研究方法

研究人员设计了一套四通道肌电信号采集系统，使用MyoWare肌肉传感器和BeagleBone Black嵌入式平台，采样频率为1 kHz。电极放置于前臂的四块肌肉上：桡侧腕屈肌、桡侧腕伸肌、尺侧腕伸肌和指浅屈肌。实验招募了三名不完全性SCI患者（S01：女性，22岁，臂丛神经受累；S02：男性，39岁，C5-C7损伤；S03：男性，34岁，C5-C6损伤）。每位受试者在8个会话中执行8种手部和腕部运动：手指屈曲、手指伸展、腕屈曲、腕伸展、桡偏、尺偏、握拳和休息，共记录384个运动实例。信号经25-250 Hz带通滤波和60 Hz陷波处理后，采用250 ms窗口（步长100 ms）进行分段。从每通道提取22个时域和频域特征，并通过ReliefF、序贯特征选择（SFS）和遗传算法（GA）三种方法将特征集缩减至最多15个。使用8种机器学习分类器（RF、SVM、MLP、KNN、LDA、LR、DT、GNB）进行训练和测试，训练集占70%，测试集占30%。超参数优化采用分组五折交叉验证。此外，在S02受试者上进行了实时系统验证。

研究结果

3.1 肌电采集与预处理系统

研究人员成功搭建了四通道肌电采集系统，预处理流程有效去除了基线偏移和60 Hz工频干扰，经25-250 Hz带通滤波后信号形态得以保持，为后续特征提取奠定了基础。

3.2 特征选择

零穿越（ZC）是最常被选中的特征，其次是Willison幅值（WAMP）和肌电脉冲百分比率（MYOP）。在频域特征中，平均频率（MNF）仅被SFS和GA选中。不同受试者和通道间的特征选择结果存在显著差异，表明了个体特异性。总体而言，SFS和GA实现了超过82%的特征空间缩减，同时保持了分类性能，而ReliefF作为独立策略效果较差。

3.3 分类结果

在所有受试者中，随机森林（RF）始终取得最高准确率，范围从71.78%（S01）到81.60%（S02），S03为80.53%。McNemar检验证实RF在统计上显著优于所有其他分类器（p < 0.05），而KNN和MLP之间无显著差异。手指屈曲是所有受试者中最难分类的动作，而腕屈曲和腕伸展则表现最好。

3.4 混淆矩阵

对于S02，休息类别的分类准确率最高（平均77.53%），手指屈曲最难区分。RF最常见的错误是将休息误判为手指屈曲，反之亦然。这一混淆模式在S01和S03中也同样存在。

3.5 实时评估

在S02受试者上的实时评估显示，RF-SFS模型达到76.67%的准确率，平均端到端处理时间为330.42 ± 6.65 ms，相比离线结果下降了约4.9个百分点。

讨论与结论

讨论部分指出，特征选择的个体特异性对于不完全性SCI患者至关重要，因为残余运动功能的差异会导致最优特征子集因人而异。SFS和GA在特征缩减和分类性能之间取得了良好平衡，而ReliefF更适合作为描述性工具。分类性能的受试者间差异与损伤特征一致：臂丛神经受累的S01表现较低，而颈髓损伤的S02和S03表现更好。手指屈曲与休息之间的混淆可能与SCI导致的肌电激活幅度降低有关。实时系统的延迟表明需要进一步优化分析窗口和计算流程。

研究结论：本研究提出了一套结合四通道嵌入式采集平台、自动特征选择和机器学习模式识别的系统，用于对三名不完全性SCI患者进行八种手部手势的肌电信号采集与分类。SFS和GA策略实现了约83%至88.6%的特征空间缩减，同时维持了分类性能。RF在所有受试者中表现最优（p < 0.05），离线准确率为71.78%至81.60%。实时系统在S02上达到76.67%的准确率和330.42 ± 6.65 ms的处理时间。由于仅包含三名受试者，这些结果应被视为个体特异性证据，未来需在更大样本中验证其鲁棒性和泛化能力，并进行计算优化以实现与主动手部矫形器的集成。