《Biosensors》：Hand Gesture Recognition from Myoelectric Signals in Individuals with Incomplete Spinal Cord Injuries Using Machine Learning and Automatic Feature Selection
编辑推荐：
脊髓损伤（SCI）是上肢功能障碍的主要原因。在不完全性SCI个体中，传统肌电控制的局限性促使基于人工智能的模式识别被用于更好地检测运动意图。本研究旨在开发并评估一套系统，用于从3名不完全性SCI参与者的肌电信号（MESs）中采集并分类8种手部手势。该4通道系统
脊髓损伤（SCI）是上肢功能障碍的主要原因。在不完全性SCI个体中，传统肌电控制的局限性促使基于人工智能的模式识别被用于更好地检测运动意图。本研究旨在开发并评估一套系统，用于从3名不完全性SCI参与者的肌电信号（MESs）中采集并分类8种手部手势。该4通道系统使用独立传感器采集肌电信号，并从中提取22个时域和频域特征。应用了三种特征选择技术：ReliefF、序列特征选择（SFS）和遗传算法（GA）。采用交叉验证训练了八种机器学习模型：随机森林（RF）、支持向量机（SVM）、多层感知机（MLP）、k近邻（KNN）、线性判别分析（LDA）、逻辑回归（LR）、决策树（DT）和高斯朴素贝叶斯（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的实时评估准确率为76.67%，平均端到端处理时间为330.42 ± 6.65 ms。鉴于队列规模小且异质性高，这些发现应被解释为肌电手部手势分类在不完全性SCI个体中可行性的初步、受试者特异性证据，而非人群水平的性能估计。
脊髓损伤（SCI）是上肢功能障碍的常见后果，不完全性SCI个体残存运动功能可能不足以独立完成日常生活活动（ADL），需要辅助技术补充常规康复。肌电信号（MESs）因反映与自主运动相关的肌肉激活模式而被广泛用于驱动辅助设备，但传统基于激活阈值的开关模式控制命令状态有限，难以识别多种手部动作，因此机器学习模式识别被日益采用。肌电模式识别性能取决于特征提取与选择，已有研究探索特征选择以降低特征集维度并保持分类性能，但针对SCI个体的肌电运动解码证据仍有限，尤其缺乏涉及多种手部动作与实时验证的系统。为此，研究人员提出一套从3名不完全性SCI个体肌电信号中采集并分类多种手部动作的系统，评估不同特征表示、特征选择策略与分类器，以确定适合嵌入式运动分类的有效特征与分类器配置，并在1名参与者中开展初步实时概念验证。研究结论为：SFS与GA选择策略可识别紧凑的受试者特异性特征子集，将特征空间缩减约83%（S01使用GA时达88.6%）并维持分类性能；RF在3名受试者中始终优于其他分类器（McNemar检验p < 0.05），KNN与MLP表现无统计学显著差异；离线准确率为71.78%至81.60%，实时评估在S02中达76.67%，平均端到端处理时间330.42 ± 6.65 ms，为嵌入式平台部署提供初步概念验证，但受试者仅3名且损伤特征异质，结果应视为受试者特异性证据，需更大规模队列验证，且实时延迟提示需进一步计算优化后方可集成于辅助或机器人设备。
研究人员开展研究用到的主要关键技术方法包括：设计基于MyoWare肌肉传感器与BeagleBone Black平台（12位ADC，采样频率1 kHz）的4通道肌电采集系统，按SENIAM建议放置电极于桡侧腕屈肌、桡侧腕伸肌、尺侧腕伸肌与指浅屈肌；采用四阶Butterworth高通（25 Hz）、低通（250 Hz）滤波与60 Hz陷波预处理，利用希尔伯特-黄变换（HHT）检测肌肉活动起止点，采用250 ms窗长、100 ms步长的重叠加窗；提取22个时域与频域特征并用最小/最大缩放归一化；应用ReliefF、SFS与GA三种特征选择方法（包装法以RF为评价模型，选取最多15个特征）；采用Group K-Fold五折交叉验证进行超参数优化，训练DT、RF、LDA、SVM、MLP、LR、GNB与KNN八种分类器，以准确率、精确率、召回率与F1-score评估并用McNemar检验做配对统计比较；最后将最佳模型序列化部署于BeagleBone Black进行实时评估。样本队列来源为3名不完全性SCI参与者：S01（女性，22岁，右利手，伤后1年，臂丛受累）、S02（男性，39岁，右利手，伤后16年，C5–C7）、S03（男性，34岁，右利手，伤后16年，C5–C6），研究经Universidad Santiago de Cali工程学院伦理委员会批准（Act No. 119, Session 053）。
研究结果如下。肌电采集与预处理系统：展示了4通道肌电采集系统模块构成，预处理流程可去除基线偏移与60 Hz工频干扰，带通滤波（25–250 Hz）在降低噪声的同时保留信号整体形态，支持各通道更可靠的特征提取。特征选择：ZC为最常被选特征，WAMP与MYOP主要被ReliefF选中，频域特征中MNF最常被选中但仅由SFS与GA选出，自回归系数（AR1–AR4）选择零散且无一致模式，所选特征子集存在明显受试者间变异；88个初始特征（每通道22个）经三种方法缩减为15个特征子集，S01的GA仅选10个特征；ZC、WAMP、MYOP总体频率最高，RMS、MAV、WL、iEMG次之，AAC、MNP、PKF、MDF最低；与全特征集相比，RF在SFS（77.40%）与GA（77.60%）下平均准确率略高于全特征集（76.10%），ReliefF下降至71.90%，LDA与LR等线性分类器在ReliefF下准确率最多下降12.7与11.9个百分点。分类结果：RF在3名受试者中始终准确率最高，范围为71.78%（S01）至81.60%（S02），S03为80.53%；GA对S01（70.7%）与S03（80.9%）最优，SFS对S02最优（81.6%）；McNemar检验显示RF在3名受试者中均统计学优于其他所有分类器（p < 0.05），与GNB、LDA、LR差异最显著（p < 0.0001），KNN与MLP在3名受试者间均无显著差异（S01: p = 0.063；S02: p = 0.601；S03: p = 0.430）。混淆矩阵：S02测试集每个受试者含4032个样本，静息类672个、其余7个动作类各480个；S02中静息类分类准确率最高（四最佳模型平均77.53% ± 6.17），手指屈曲最难区分（平均68.61% ± 1.77），RF最常见误分类为静息与手指屈曲之间（分别为98与66个样本），手指屈曲与手部抓握双向混淆（88与50个样本）；S01与S03中最大混淆同样发生于静息与手指屈曲之间（S01为181与170个样本，S03为251与263个样本）；腕屈与腕伸在3名受试者中始终为分类最佳动作（F1-score均高于74%）。实时评估：选用离线性能最高的S02（C5–C7不完全性SCI），以45 s记录在BeagleBone Black平台评估，RF模型8种手势总体准确率76.67%，较离线准确率降低约4.9个百分点，250 ms分析窗下平均端到端处理时间为330.42 ± 6.65 ms。
讨论部分总结：特征选择结果与既往研究一致，MAV与RMS为最具代表性特征，其次为WL与ZC，MNF的相关性与采用序列选择方法的研究相符；通道级特征选择使信息性特征分布于多个通道而非集中于单一电极位点，可降低冗余并提高可解释性；基于单变量相关性准则的ReliefF不能像包装法那样有效保持特征空间的线性可分性，SFS与GA结合RF可在特征空间缩减超过82%与分类性能之间取得有利折衷，而ReliefF更适合作为描述性工具而非独立选择策略；受试者特异性特征选择流程中约8分钟肌电记录足以提供特征选择与模型训练所需数据，后续优化约需2–3小时离线计算，可在系统初始设置时完成；S01表现较低可能与其臂丛受累相关的肌肉激活差异有关，损伤严重程度可影响RMS、MAV、WAMP与MYOP等对自主激活水平敏感的特征的判别价值；手指屈曲在3名受试者中均为最难分类动作，静息与手指屈曲的反复混淆可能与不完全性SCI相关的肌电激活幅度与一致性降低有关；腕屈与腕伸分类性能普遍较高；分类性能应结合所研究人群与实验条件解读，与可比临床条件下约70.2–81.66%的报道一致，本框架仅用4个肌电通道与缩减特征表示区分8个动作类；实时结果初步表明受试者特异性特征表示与RF分类器可转移至嵌入式实现，性能下降与实时肌电分类挑战一致，330.42 ± 6.65 ms为从信号采集到运动预测的端到端处理时间而非RF分类器单独计算时间，250 ms分析窗本身占端到端响应时间的相当部分，未来需对完整处理流程进行计算剖析并评估减少窗长、减少RF树数量或深度、编译实现优化特征提取、精简数据传输等针对性优化。局限性包括：队列仅3名损伤特征异质参与者，结果不能代表更广泛不完全性SCI人群；实时评估仅限单名参与者单次会话，属初步概念验证；电极在8次同日会话中仅放置一次并保持不动，未系统评估跨日电极放置差异、手臂位置变化、肌肉疲劳、皮肤-电极接触与生理变化等变异性来源。研究结论部分翻译：本研究提出了一套系统，用于从3名不完全性脊髓损伤个体的肌电信号中采集并分类8种手部动作，结合4通道嵌入式采集平台与自动特征选择及基于机器学习的模式识别。引入SFS与GA选择策略可识别紧凑且受试者特异性的特征子集，将特征空间缩减约83%，S01使用GA时达88.6%，同时维持分类性能。RF在3名受试者中始终优于其他所有分类器，经事后McNemar检验确认（所有比较p < 0.05），而KNN与MLP在3名参与者间表现无统计学显著差异。总体离线准确率为71.78%至81.60%，显示研究队列内的受试者间变异，并落在文献中可比临床条件下报道的范围内。然而，由于研究仅纳入3名损伤特征异质的参与者，这些结果应被解释为在本实验条件下获得的受试者特异性证据，不应推广至更广泛的不完全性SCI人群，因此需在更大且更多样的队列中验证以确立所提方法的稳健性与泛化性。在实时运行方面，系统在S02中达到76.67%准确率，平均端到端处理时间为330.42 ± 6.65 ms，为将所提分类框架部署于嵌入式平台提供了初步概念验证。然而实时评估仅限单名参与者与单次会话，因此不支持关于实时性能在不完全性SCI个体间泛化性或稳健性的结论。观察到的延迟也表明在集成于辅助或机器人设备前需进一步计算优化。未来工作应聚焦多参与者与多会话实时验证、信号处理与分类流程的计算剖析，以及分析窗、特征提取与分类器实现的针对性优化，这些努力将支持系统后续集成于适应不完全性SCI个体残存运动能力的主动手部矫形器中。
