《Biomimetic Intelligence and Robotics》：EMG-Based prosthetics control using NeuroAttend-EMG: A Deep Learning Approach with Explainable AI (XAI) on Edge Devices
编辑推荐：
随着事故和先天缺陷（如先天性截肢）发生率的增加，对改进假肢设备的需求也随之增加。在这项研究中，研究人员提出了一种通过3D打印制造的刚性假肢系统和一个深度学习网络，用于利用前臂肌肉的表面肌电信号（sEMG）对手部运动进行分类。该模型名为NeuroAttend-E
随着事故和先天缺陷（如先天性截肢）发生率的增加，对改进假肢设备的需求也随之增加。在这项研究中，研究人员提出了一种通过3D打印制造的刚性假肢系统和一个深度学习网络，用于利用前臂肌肉的表面肌电信号（sEMG）对手部运动进行分类。该模型名为NeuroAttend-EMG，由卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和自注意力模块组成，运行在如Jetson Nano等边缘设备上。该模型参数数量为120万，计算复杂度为0.0015 GFLOPs，在两个不同的基于sEMG的表征信号数据集上分别达到了98.58%和97.34%的分类准确率。研究人员选择了四个时域特征，并在两个数据集上评估了特征提取，确保了EMG信号的稳健表征。此外，使用可解释人工智能方法如Shapley加性解释（SHAP）来识别最重要的特征。研究人员创建了一个3D打印的手部假肢，该假肢基于Jetson Nano板提供的未见过的传感器数据执行了一些分类运动。该研究证明，将轻量级深度学习应用于假肢手部运动分类以实现实时控制是可能的，在边缘计算中实现了效率与准确性的平衡。该研究聚焦于辅助机器人领域，通过优化的基于深度学习的假肢系统，实现了在低功耗设备上经济、准确的运动分类。
论文解读文章
研究背景、存在问题与开展本研究的动机：假肢技术对于因截肢而失去肢体的人群至关重要，可恢复运动功能、提升康复效果和生活质量。据统计，美国截至2019年约有231万肢体缺失者，每年新增约18.5万例截肢，且少数族裔和低收入群体中截肢比例更高，凸显了医疗资源的差异。传统假肢依赖刚性结构，而现代假肢整合了传感器、执行器和人工智能（AI）控制器，能根据使用者肌肉产生的电信号提供适应性辅助。然而，现有机器学习（ML）模型多依赖云端或高性能计算硬件，导致延迟增加、功耗高、成本昂贵，难以在低功耗边缘设备（如Raspberry Pi、Jetson Nano）上实现实时控制。此外，个体间肌电信号差异大，模型泛化能力不足；传感器到执行器的延迟也影响系统效能。因此，亟需一种轻量级、低功耗、高精度的深度学习模型，能够在边缘设备上实时分类手部运动，并兼顾可解释性以增强信任。本研究旨在通过提出NeuroAttend-EMG模型，利用表面肌电信号（sEMG）实现手部运动分类，并验证其在3D打印假肢上的实时控制可行性。
研究人员开展的研究、结论与意义：研究人员开发了名为NeuroAttend-EMG的轻量级深度学习模型，包含卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和自注意力模块，参数仅120万，计算复杂度为0.0015 GFLOPs。该模型在两个公开的sEMG数据集（UCI sEMG手势数据集和RSE sEMG原始肌电数据集）上分别达到98.58%和97.34%的分类准确率。通过消融实验，确定了最优特征组合（平均绝对值MAV、均方根RMS、简单平方积分SSI）和最佳架构（CNN+BiLSTM+自注意力）。利用可解释人工智能（XAI）方法Shapley加性解释（SHAP）分析，发现MAV和RMS特征对分类贡献最大。模型部署在Jetson Nano上，连接3D打印假肢进行实时测试，推理时间约21.157毫秒，CPU功耗仅0.4瓦，验证了低延迟、低功耗、高精度的实时控制能力。该研究证明，通过优化的轻量级深度学习，可在边缘设备上实现经济、准确的假肢手部运动分类，为辅助机器人领域提供了实用方案。论文发表在《Biomimetic Intelligence and Robotics》。
关键技术方法（不超过250字）：本研究采用的主要关键技术方法包括：（1）数据预处理：使用4阶巴特沃斯带通滤波器（10-99 Hz）对原始8通道sEMG信号进行滤波，以去除伪迹和噪声；采用滑动窗口（窗口长度200样本，步长10）分段，并提取四个时域特征：平均绝对值（MAV）、均方根（RMS）、简单平方积分（SSI）和方差（VAR）。（2）模型架构：构建轻量级深度学习模型NeuroAttend-EMG，由1D卷积层（64、128、256个滤波器）、最大池化层、3层BiLSTM（隐藏层大小128）和多头自注意力层（4个注意力头）组成，最后通过全连接层进行分类。（3）边缘部署：将模型部署在NVIDIA Jetson Nano（ARM Cortex-A57，1.5 GHz）上，进行实时推理，并与3D打印假肢手（由MG995舵机驱动）连接。（4）可解释AI：采用Shapley加性解释（SHAP）生成特征重要性汇总图，识别关键特征。样本队列来源：UCI sEMG数据集（36名受试者，8类手势）和RSE sEMG数据集（10名受试者，4类手势），均来自公开存储库。
研究结果：
4.1 消融实验与对比实验：通过消融实验比较不同特征组合和模型架构对分类性能的影响。在UCI sEMG数据集上，MAV+RMS+SSI特征组合获得最高测试准确率98.58%和F1分数98.37%；在RSE sEMG数据集上，同一组合获得97.34%准确率和97.21% F1分数。架构消融实验表明，CNN+BiLSTM+自注意力组合在两个数据集上均优于单独的CNN、CNN+BiLSTM或CNN+自注意力，验证了双向时序建模和注意力机制的互补效应。混淆矩阵显示，UCI数据集多数手势识别率超过98%，RSE数据集最高达99.4%（食指），但握拳手势与食指存在轻微混淆（2.3%）。PR曲线和ROC曲线均显示接近完美的平均精度（AP）和曲线下面积（AUC）值（0.997–1.000），表明模型具有高精度和低误报率。
4.2 可解释人工智能（XAI）可视化：SHAP汇总图揭示了各特征对模型决策的贡献。在UCI和RSE数据集上，MAV特征排序最高，RMS特征紧随其后，表明振幅和功率特征为主导信息；SSI特征贡献较低，仅起辅助作用。该结果验证了时域特征选择的有效性，并强调MAV和RMS在区分手部运动中的关键角色。
4.3 实时测试：在Jetson Nano上使用未见过的受试者数据模拟实时运行。对RSE数据集2622个样本，准确率87.38%；对UCI数据集2982个样本，准确率85.88%。推理时间平均21.157毫秒/样本（约47.6样本/秒），CPU活跃功耗约1.4–1.5瓦，空闲功耗约1.1瓦，模型额外功耗仅0.4瓦。3D打印假肢成功执行了分类手势，响应时间约7毫秒（含4毫秒分类和3毫秒硬件响应），验证了系统的实时性和低功耗特性。
总结讨论与翻译研究结论：讨论部分综合比较了现有基于机器学习的sEMG分类方法，指出前人工作多数在主机上运行，缺乏实时嵌入式部署；部分研究虽在边缘设备上实现，但存在泛化性差、精度不足或缺乏可解释性等问题。研究人员提出的NeuroAttend-EMG模型通过轻量级架构、特征优化和边缘部署，在保持高精度（98.58%/97.34%）的同时实现了低延迟（21.157毫秒）和低功耗（0.4瓦），并首次引入SHAP可解释性，增强了模型透明度。该工作平衡了全局一致性与局部适应性，克服了过往技术的局限，为EMG驱动的假肢和外部骨骼控制提供了实用方案。未来将探索更受限硬件（如Raspberry Pi Pico 2、ESP32）的部署，并考虑结合脑电脉动信号（EEG）以提升假肢的精准性和适应性。
研究结论翻译：论文提出了一种轻量级定制CNN、BiLSTM和自注意力模型架构，命名为NeuroAttend-EMG，用于将前臂肌肉获得的sEMG信号分类为对应的手部手指和手腕运动。本研究使用了两个独立的数据集，即UCI sEMG和RSE sEMG，两个数据集均使用八通道MYO臂带收集。这些数据集中的原始数据经过4阶带通滤波器去除伪迹和噪声，并采用四个时域特征提取重要特征。针对特征工程方法的消融实验表明，结合MAV、RMS和SSI特征在UCI sEMG数据集上获得了最高的分类准确率（98.58%），在RSE sEMG数据集上为97.34%。该模型架构参数规模为160万，GFLOPs仅为0.0115，适合实时sEMG分类。使用SHAP作为可解释人工智能检查的进一步评估显示，与简单平方积分和方差相比，平均绝对值和均方根特征对模型分类性能的影响最大。在最终测试中，模型被部署在Jetson Nano板上，然后连接到3D打印的机械手以评估其实用实现的可行性。每个推理预测的计算时间约为21.157毫秒，CPU消耗的平均功率最高为0.4瓦，表明整个系统适合实际应用。该配置使研究人员能够验证系统的实时功能行为，确保分类的手势被一致地转换为准确的手部动作。结果表明，所提出的模型在控制假肢手方面具有鲁棒性、低延迟和高准确性的优势，适用于假肢手等现实辅助设备。
