基于肌电图（sEMG）的运动意图识别技术在交互式上肢护理辅助中的应用 彭泽坤（Zekun Peng）、 冯永飞（Yongfei Feng）、 吴良达（Liangda Wu）、 程嘉兴（Jiaxing Cheng） 以及 方晓辉（Xiaohui Fang）

《Sensors》：sEMG-Based Motion Intention Recognition for Interactive Upper Limb Nursing Assistance Zekun Peng, Yongfei Feng, Liangda Wu, Jiaxing Cheng and Xiaohui Fang

　　**亮点**

- **主要发现是什么？**
一个基于结构化表面肌电图（sEMG）的框架，整合了数据采集、特征提取和分类技术，实现了可靠的上肢运动意图识别，为上肢辅助提供了支持。
一个紧凑的时域特征集（均方根值RMS、积分频率IF、交叉频谱CF）与优化的随机森林（Random Forest）相结合，在离线和实时验证中均取得了高精度。

- **主要发现的意义是什么？**
所提出的轻量级特征-模型组合支持低计算成本的实时实现，适用于辅助和康复系统。
sEMG解码与确定性控制的系统级集成可以提高人机交互中的稳定性和可解释性。

**摘要**

表面肌电图（sEMG）能够无创地获取神经肌肉活动，并在人机交互中的运动意图识别方面展现出巨大潜力。然而，实现可靠和实时的解码对于交互式上肢辅助至关重要。本研究提出了一个基于sEMG的框架，用于上肢辅助任务中的运动意图识别，该框架整合了多通道数据采集、标准化预处理、时域特征提取和监督学习。从四种代表性动作中收集了sEMG信号，并从去噪和分割后的信号窗口中提取了八个时域特征。通过系统评估确定了一个紧凑的特征子集。在一致的验证条件下对五种分类器进行了基准测试，随机森林（Random Forest）表现最佳，并通过K折交叉验证进一步优化。该方法在八名受试者中的平均内在准确率为95.23%，在在线交互验证中的准确率为95.72%。这些结果表明，时域特征融合与集成学习相结合提供了强大且高效的运动区分能力，突显了其在实时辅助和康复应用中的潜力。

**1. 引言**

随着老龄化人口的快速增长和对长期日常护理需求的增加，交互式上肢辅助技术已成为智能护理系统的重要组成部分[1,2,3,4]。许多常规辅助任务——如引导手臂抬升、将杯子送到嘴边、稳定持物或重复的屈伸动作——需要用户自愿意图与设备机械响应之间的精确同步[5]。在这种人机交互场景中，系统必须以最小的延迟推断用户意图，并以可预测和稳定的方式执行辅助动作[6]。基于运动学传感或力/扭矩测量的传统意图推断方法通常只在可观察到的肢体位移或物理交互力发生后才作出反应。这种反应性质引入了时间延迟，限制了预测控制，并可能在自愿运动微妙或不完整时导致意外激活[7,8]。因此，基于生理学的意图解码策略越来越被视为实现响应式和可靠交互辅助的关键。

sEMG提供了直接观察与自愿运动指令相关的神经肌肉激活的窗口。由于肌肉激活先于大关节运动，基于sEMG的解码相比纯机械传感具有减少响应延迟和提高交互流畅性的潜力[9,10,11]。然而，sEMG驱动的意图识别的实际实现仍然具有挑战性。sEMG信号幅度低、随机变化大，并且对运动伪迹、电极位移和环境干扰非常敏感。此外，不同功能动作期间的多肌肉激活模式常常重叠，尤其是在动作开始和过渡阶段，降低了类别间的可分性[12,13]。当这些识别模块嵌入实时交互循环中时，即使是轻微的不稳定性或瞬态错误分类也可能导致不适当的机械响应。因此，稳健的基于sEMG的意图识别不仅需要准确的分类算法，还需要稳定的数据采集协议和可靠的执行约束。为了清晰起见，本研究中使用的关键术语定义如下：
- **运动意图**指的是用户在可观察到的肢体运动之前与自愿运动相关的神经肌肉激活。
- **交互式护理辅助**指的是辅助设备实时响应推断用户意图的闭环人机交互过程。
- **康复应用**指的是旨在通过引导或意图驱动的动作恢复或支持运动功能的辅助或训练场景。

大量研究已经探讨了sEMG的预处理、特征提取和分类建模。特征表示通常分为时域、频域和时频描述符[14,15]。虽然频谱和时频方法可以捕获额外的信号特征，但它们通常会引入转换开销和参数敏感性，这可能限制实时部署。相比之下，时域特征可以直接从短滑动窗口计算得出，延迟低，适用于交互系统[16,17,18,19,20]。在建模方面，线性判别方法提供了计算效率，但在特征空间非线性可分时可能表现不佳。非线性分类器（包括基于核的模型和集成学习方法）在复杂的多通道sEMG场景中表现出更好的区分能力。然而，报告的性能往往强烈依赖于数据采集的一致性、特征冗余性和评估协议，特别是在从离线分析过渡到在线交互环境时。尽管如此，与主要关注使用越来越复杂模型提高分类准确性的现有研究不同，本研究强调了一个系统级设计，实现了实时、可解释和可部署的基于sEMG的意图识别，适用于交互式辅助应用[21]。

尽管方法论取得了显著进展，但对于交互式上肢辅助系统来说，两个实际限制仍然特别重要。首先，许多研究强调离线分类准确性，而没有将识别流程嵌入到一个明确结构化的交互架构中，该架构整合了标准化的运动提示、同步的多通道采集和确定性命令执行。因此，从实验室评估到实时操作的过渡往往没有得到充分研究[22,23]。其次，为了追求边际准确性的提升，特征集经常被扩展，导致数据集规模适中时维度增加和可解释性降低。对于闭环辅助交互，必须在可复制的采集协议、紧凑且具有区分能力的特征表示以及明确限制意外激活的执行接口下评估识别性能[24,25,26]。没有这种结构一致性，高离线准确性并不一定转化为稳定的在线行为。

为了解决这些问题，本研究提出了一个基于sEMG的运动意图识别框架，用于交互式上肢护理辅助。该系统在受控实验室条件下基于硬件-软件集成平台实现。本研究中使用的机械辅助平台源自之前报道的一种可变高度旋转末端牵引上肢机器人系统[27,28]，为这里考虑的交互式护理辅助提供了物理基础。在本工作中，将一个基于sEMG的意图识别模块集成到该平台中，以实现基于意图的辅助，而不仅仅是预先编程的辅助。工作流程分为离线模型构建和在线执行两个阶段。从分割的sEMG窗口中提取时域特征，并在统一协议下进行评估，然后比较多种监督分类器的性能。选定的模型被嵌入到在线交互循环中，其中预测的运动标签被确定性映射为控制命令，并具有时间一致性约束，以提高执行稳定性。

尽管基于sEMG的运动识别中的几个组件已被广泛研究，但在交互式辅助系统中的实际部署需要一个将生理信号解码与确定性设备控制相结合的框架。本工作的新颖之处主要在于系统级集成和实验验证了一个基于sEMG的交互流程，而不是提出一个新的独立分类算法。本研究的主要贡献总结如下：
- **（1）**与许多关注离线识别性能的现有研究不同，本研究建立了一个从信号采集、预处理、特征融合到实时执行的完整流程，适用于交互式辅助系统。该框架设计有低延迟约束，适用于闭环人机交互场景的实际部署。
- **（2）**与依赖计算密集型深度学习模型不同，所提出的方法采用了一个紧凑的特征集（RMS、IF、CF）与优化的随机森林分类器相结合，实现了准确性、计算效率和可解释性之间的平衡，这对于实时康复和辅助应用至关重要。
- **（3）**除了离线评估外，该框架还通过在线交互实验进行了验证，证明了在实时条件下的稳定性能。这弥合了传统基于sEMG的识别研究与实际辅助系统实现之间的差距。

**2. 材料与方法**

**2.1. 系统框架**

图1展示了基于sEMG的交互式上肢辅助的实验框架。该系统被组织为一个数据驱动的闭环交互过程，整合了运动提示、多通道sEMG采集（由杭州Hangyi Bio-tech有限公司开发的EMGduino放大器）、模型训练和辅助执行。与纯模拟架构不同，所提出的设置反映了在受控实验室条件下的真实硬件-软件实现。交互过程从计算机1上显示的运动提示开始，提供标准化的视觉提示来指导参与者执行预定义的上肢动作。这些提示确保了数据采集期间的一致性时间和减少变异性。接收到运动指令后，参与者执行相应的动作，同时记录肌肉活动。

**2.2. sEMG采集和实验设计**

**2.2.1. sEMG采集配置**

表面肌电图被用作交互式上肢辅助中的生理接口，用于运动意图识别。表面信号代表了由下行神经指令激活的运动单位动作电位的叠加。这一特性使得sEMG适用于基于意图的人机交互，其中及时解码用户意图对于响应式辅助至关重要。然而，信号幅度通常较低，并且对运动伪迹、电极位移和环境干扰敏感。因此，采集程序被标准化以确保信号稳定性和可重复性。

使用多通道sEMG采集系统记录选定的上肢肌肉的肌肉活动。设采集的信号为$x(t) = [x1(t),x2(t),xm(t),…,x8(t)]^T$，其中m表示sEMG通道的数量，$xm(t)$表示从第m对电极记录的时变电压。所有通道以固定的采样频率同步采样，以保持肌肉间的时间对齐。

采用八通道双极sEMG采集装置来捕获上肢肌肉活动。电极放置在八个代表性肌肉上，包括肱二头肌、肱三头肌、前三角肌、胸大肌、外侧三角肌、后三角肌和背阔肌。一个参比电极被连接到中性的骨骼区域，而一个接地电极被用来减少共模噪声。电极的放置方式如图2所示，遵循与肌肉纤维方向对齐的标准双极配置，以减少串扰并提高空间选择性。在放置电极之前，清洁了皮肤表面以最小化阻抗变化。电极放置后，进行了短暂的验证记录，以确认波形的稳定性并排除饱和或过度的基线漂移。在采集过程中，实时监控波形可视化以检测异常波动。为了最小化环境干扰，所有记录都在受控的实验室环境中进行。参与者保持稳定的姿势，以减少与目标上肢运动无关的身体运动和运动伪影。图2. 电极放置和多通道sEMG采集设置。本研究招募了8名健康的成年参与者（大学生，年龄：21-26岁）。所有参与者都没有已知的神经肌肉或肌肉骨骼疾病，并且能够执行所需的上肢运动。有上肢受伤或神经系统损伤史的个体被排除在外。在实验前，从所有参与者那里获得了书面知情同意。

2.2.2. 实验方案和运动组织
为了构建一个可靠的数据集用于监督意图识别，围绕代表性的上肢辅助任务开发了一个结构化的实验方案，如图3所示。该设计的目的是在受控条件下捕捉与自愿运动意图相关的可区分的神经肌肉激活模式。实验被组织成多个块，块与块之间有休息间隔，以减轻疲劳引起的信号漂移。每个块包含几个子试验，对应于预定义的运动类别。每个类别代表与辅助场景相关的功能性上肢动作。图3. 实验块结构和运动试验的时间安排。在每个子试验中，采用了统一的时间结构，包括准备阶段和执行阶段。一个视觉提示展示了指令动作，之后参与者以自选的速度执行动作。准备阶段确保了基线状态的一致性，而执行阶段捕捉了与预期动作相对应的自愿肌肉激活。

设子试验的总持续时间为T，有效收缩间隔为Teff ? T。只有Teff内的执行部分被保留用于后续分析，因为过渡部分可能包含混合的激活模式，这会引入类别标签的歧义。在块与块之间加入休息间隔，以减少肌肉疲劳并保持信号的稳定性。通过保持重复次数的运动幅度和姿势约束，该方案平衡了生态有效性和实验控制。

2.2.3. 数据分割和窗口建模
采集完成后，根据实验期间记录的同步时间标记对连续的多通道sEMG流进行了分割。尽管每个子试验都包含准备和返回阶段，但只有执行阶段的稳定收缩间隔被保留用于分析。过渡阶段通常包括逐渐的激活开始、减速或姿势调整，这些可能会产生混合的神经肌肉模式并降低类别的可分性。因此，排除这些间隔可以确保保留的部分对应于相对稳定的自愿激活状态。设第i个子试验的执行间隔为[ti,s,ti,e]，其中ti,s和ti,e分别代表稳定收缩的开始和结束时间戳。该子试验保留的信号段可以表示为xi(t)，t ∈ [ti,s,ti,e]。为了实现结构化的特征提取和一致的模型训练，每个保留的部分进一步被划分为固定长度的分析窗口。假设采样频率为fs，窗口持续时间为Δt，则每个窗口的样本数为N = fs?Δt (3)。因此，一个窗口化的信号段定义为Xk = {x(tk),x(tk + 1),…,x(tk + N ? 1)} (4)，其中k表示窗口的起始样本。窗口化使用恒定的窗口长度在所有运动类别中执行，以保持时间分辨率的一致性。如果使用重叠窗口，则保持连续窗口之间的步长固定，以保持数据集中的结构一致性。这种滑动窗口表示法将连续的sEMG流转换为适合后续统计特征分析的准静态段序列。选择固定长度的窗口化与常见的sEMG模式识别实践一致，其中短持续时间段近似于随机信号的局部稳定性。通过在所有子试验中应用相同的分割参数，得到的数据集保持了运动类别之间的可比性，并防止了由于时间采样密度不等而引入的偏差。

2.3. 信号处理和特征提取
2.3.1. sEMG信号预处理
在特征提取之前，原始sEMG信号经过了标准化的预处理，以提高信号质量并抑制噪声污染。由于sEMG的幅度低且具有随机特性，记录的信号可能包含基线漂移、高频噪声以及由采集硬件和环境因素引入的周期性电气干扰。因此，对所有通道统一应用了多阶段预处理流程。首先进行了初始的通道质量检查，以识别表现出过度基线偏移、饱和或不稳定幅度波动的异常通道。受到电极脱落或瞬态伪影影响的段被排除，以防止后续特征计算的失真。使用局部插值校正了轻微的异常偏移，以保持时间连续性。这种初步检查确保了下游处理操作在结构上一致的数据上进行。

在采集过程中，sEMG信号以500 Hz的频率使用多通道sEMG采集系统进行采样。去除不稳定段后，使用滑动窗口策略对信号进行分割以提取特征。窗口长度设置为200 ms，相当于每个窗口100个样本，步长为100 ms，导致相邻窗口之间有50%的重叠。这种配置在时间分辨率和特征稳定性之间提供了平衡，适用于sEMG模式识别。为了在保留瞬态肌肉激活特征的同时抑制随机噪声，采用了基于小波的去噪方法。使用Daubechies-4 (db4)母小波进行了四级小波分解。小波系数经过软阈值处理，以减弱高频噪声成分，然后再进行信号重建。小波去噪后，应用了一个从20 Hz到450 Hz的带通滤波器，以保留表面sEMG信号的主要生理频率带。此外，还使用了50 Hz的陷波滤波器来抑制电源线干扰。所有预处理参数在所有受试者和实验会话中保持一致。小波去噪过程可以数学表示为xw(t) = W?1(T(W(x(t))) (5)，其中W(·)表示小波变换，T(·)表示应用于小波系数的阈值操作，W?1(·)表示逆变换。这种处理减弱了高频噪声，同时保持了信号的形态。

2.3.2. 多特征融合策略
表面EMG特征提取方法通常可以分为时域、频域和时频方法。在这项研究中，采用了时域特征以保持计算效率和实时兼容性。与需要额外转换步骤的基于频谱的表示方法不同，时域描述符可以直接从分割的sEMG窗口计算得出，使其适合在线运动意图识别系统。从每个分割的sEMG窗口中提取了八个时域特征。这些描述符捕获了信号的幅度特征、分布特性和峰值相关行为。平均绝对值（MAV）表示窗口内信号的平均绝对幅度，反映了sEMG活动相对于基线的整体偏差。方差（VAR）测量信号围绕其平均值的离散程度，并表征了幅度波动的强度。均方根（RMS）量化了有效信号功率，广泛用于指示肌肉收缩强度。波形因子（WF）定义为RMS与MAV的比率，描述了时域中的波形失真特性。偏度（SK）评估了信号分布相对于其平均值的不对称性。峰度（KU）测量了分布的尖锐程度，对突然的幅度变化敏感。脉冲因子（IF）是峰值幅度与平均绝对值的比率，强调了信号的极端行为。清晰度因子（CF）是峰值幅度与RMS值的比率，常用于表征峰值的突出程度。这八个描述符构成了后续性能评估和特征选择的候选特征池。

为了评估单个特征的区分能力，每个特征都独立用于在相同的验证条件下构建分类器的特征向量。分类准确性作为评估指标。为了防止数据泄露，在分割之前在试验级别对数据集进行了划分，并且所有模型选择过程仅在训练数据上进行。性能结果总结在表1中。RMS在单个特征中取得了最高的平均性能，其次是IF和CF。VAR的表现相对较弱，表明在当前实验配置下的区分贡献有限。表1. 不同特征下单个分类器的性能结果。尽管RMS表现出优越的独立性能，但单个特征表示不足以完全表征类别间的差异。因此，通过组合高性能描述符进行了特征融合。通过逐步整合在单个特征评估中识别出的最佳特征来构建候选组合。每个组合都使用相同的分类器和验证协议进行评估。结果在表2中呈现。表2. 不同特征融合下单个分类器的性能结果。IF、CF和RMS的组合取得了最高的整体准确性。添加额外的特征并没有进一步提高性能，在某些情况下甚至略有下降，表明可能存在冗余或过参数化。基于这些评估，选择了由RMS、IF和CF组成的三重特征集作为后续分类器构建的最终表示。

3. 结果
3.1. 实验设置和评估协议
分类实验使用了融合的时域特征集（RMS、IF和CF）进行。数据来自八名受试者，他们执行了四种上肢运动：坐姿休息、饮水、前臂屈伸和肩部外展。对于每个受试者，记录的运动试验首先被分为训练集和测试集。具体来说，90%的运动试验被分配到训练集，剩余的10%用于测试。为了避免潜在的信息泄露，在滑动窗口分割步骤之前在试验级别进行了划分。这种分离之后，分别在训练集和测试集中独立应用了信号分割和特征提取。因此，来自同一运动试验的sEMG窗口不会在两个数据集之间共享，确保了试验内的时间相关性不会人为地提高分类准确性。这种策略独立应用于每个受试者，以保持受试者内的一致性。所有分类器都保持了相同的数据分割协议，以确保可比性。应当注意的是，当前的评估关注的是受试者内的性能；本研究没有评估跨受试者的泛化能力，将在未来的工作中进行探讨。所有分类算法都是在Python 3.6中实现的。随机森林和梯度提升模型使用scikit-learn库构建，而SVM、LDA和QDA则使用它们相应的标准模块实现。分类性能使用识别准确性进行评估，定义为正确分类样本的比例与测试样本总数之比：Accuracy = Ncorrect/Ntotal (7)，其中Ncorrect表示正确预测的样本数量，Ntotal表示测试集中的样本总数。

为了提供一个一致的评估框架，所有分类器都在相同的条件下进行训练和测试，包括特征表示、数据划分和评估指标。

3.2. 分类模型的比较评估
为了评估不同分类策略在基于sEMG的运动意图识别方面的有效性，在统一的实验协议下比较了五种监督学习算法。这些算法包括支持向量机（SVM、RBF核）、线性判别分析（LDA）、二次判别分析（QDA）、梯度提升（GB）和随机森林（RF）。所有分类器都使用相同的特征表示和90-10%的训练-测试分割独立进行训练和测试。如图4所示，不同分类器之间的识别性能存在显著差异。图4. 八名受试者不同分类器的平均测试准确性。线性判别分析得出的整体准确率最低（0.537），表明提取的sEMG特征空间线性可分性不足。尽管二次判别分析略微提高了性能（0.598），但准确率仍然有限，这表明仅使用类协方差建模不足以捕捉类间变异性。相比之下，非线性分类器的识别准确率显著更高。使用RBF核的SVM平均准确率为0.938，证实了基于核的非线性映射在sEMG运动分类中的有效性。梯度提升也表现出稳定的性能（0.914），这得益于其集成结构。在所有评估的模型中，随机森林的平均测试准确率最高（0.944）。随机森林和SVM之间的性能差异很小（0.006），但随机森林在所有受试者中始终表现出略高的识别率。除了整体准确率外，还分析了随机森林在每个类别上的性能。受试者的平均类别识别率分别为：静坐休息（y1）0.952、饮水（y2）0.941、前臂屈伸（y3）0.943和肩部外展（y4）0.943。相对平衡的分布表明，在当前特征表示下，分类器没有表现出显著的类别偏差。基于集成的分类器比线性判别方法表现出更好的性能。这些发现表明，非线性决策边界更适合描述所选sEMG时域特征的区分结构。

3.3. 选定随机森林模型的超参数优化
在评估的分类器中，随机森林在八名受试者中的平均识别率最高（0.944），略优于SVM（0.938）和梯度提升（0.914）。除了其优越的准确率外，随机森林在相同的实验条件下也表现出稳定的类别性能。因此，随机森林被选为进一步优化的主要模型。尽管基线随机森林已经提供了有竞争力的性能，但其预测能力取决于适当的超参数选择。为了进一步提高泛化性能，使用K折交叉验证进行了超参数调整，如图5所示。每个受试者的数据集被划分为K个大小相等的互斥子集。在每次迭代中，使用K-1个子集进行训练，剩余的子集用于验证。该过程重复K次，使用平均验证准确率来评估模型性能。图5. K折交叉验证过程的示意图。为了进一步提高模型性能，使用K折交叉验证进行了基于网格的超参数搜索。随机森林模型的两个关键参数被优化：决策树的数量（n_estimators）和每棵树的最大深度（max_depth）。对于每个参数组合，在相同的数据划分条件下进行交叉验证以估计泛化性能。结果表明，随着树数量的增加，模型性能趋于稳定，而过浅的树深度限制了区分能力。当n_estimators设置为181且max_depth设置为131时，获得了最佳配置。这种参数组合产生了最高的交叉验证准确率，因此被用于后续评估。使用优化后的参数，对所有八名受试者重复进行了分类实验，采用相同的评估协议。优化后，随机森林模型的平均识别率为0.9523，如表3所示。与基线性能（0.944）相比，这相当于提高了0.0083。尽管数值增加看起来很小，但它证实了系统化的超参数调整有助于在当前数据集规模下提高性能。

3.4. 在线验证实验
为了评估所提出的基于sEMG的运动意图识别的实时可行性，在交互式系统条件下对一名独立受试者进行了在线验证实验。该实验被设计为一个初步的概念验证测试，以验证训练好的模型是否能在实时交互条件下运行。实验前招募了一名健康参与者，并在数据收集前让其充分休息。实验过程中，在控制界面上呈现运动提示，参与者自愿执行相应的上肢动作。首先收集了五组运动数据来训练模型。模型训练完成后，进行了三轮测试。每轮包括四种运动：静坐休息、前臂屈伸、饮水和肩部外展。每种动作重复15次。一个运动周期持续5秒，随后是5秒的恢复和休息时间。每轮的总持续时间约为450秒。提取的融合特征（RMS、脉冲因子和清除因子）被输入到训练好的随机森林分类器中进行实时预测。在线验证实验的混淆矩阵如图6所示。横轴代表预测标签，纵轴代表真实运动标签。对角线上的条目对应于正确分类的样本。整体平均识别率达到0.9572。结果表明，所提出的基于sEMG的识别框架在实时交互条件下保持了高分类准确率，表明该框架适用于上肢护理辅助场景。

4. 讨论
比较评估表明，在sEMG驱动的运动意图识别中，基于非线性集成的分类器优于线性判别模型。线性方法（如LDA和QDA）的表现有限，表明所选的时间域特征空间在不同运动类别之间不是线性可分的。相比之下，随机森林和SVM的准确率显著更高，表明非线性决策边界更适合捕捉多肌肉激活模式中固有的复杂类间关系。随机森林的优越性能可以归因于其集成结构，该结构通过装袋法减少了方差，并提高了对局部特征变化的鲁棒性。超参数优化进一步提高了性能，证实了模型容量在受试者内评估设置中对分类稳定性有显著影响。除了分类性能外，这项工作还强调了系统级设计，使得基于sEMG的意图识别能够实时部署并用于交互式辅助应用。这与现有研究不同，现有研究主要关注使用更复杂模型来提高离线准确率。此外，先前的研究表明，识别延迟和预测稳定性显著影响用户对人机交互的感知和信任。因此，本工作中采用的低延迟设计和时间一致性约束不仅有助于技术性能的提升，也有助于从用户角度提高交互可靠性。特征评估结果表明，与方差或高阶矩等统计分布度量相比，与振幅相关的描述符（RMS、IF、CF）提供了更强的区分能力。RMS反映了有效的肌肉激活强度，而脉冲和清除因子强调了与自主收缩强度密切相关的峰值特征。选定的三重特征集实现了最高的整体性能，表明结合全局振幅信息和峰值敏感指标可以提高类别可分性，而不会引入冗余维度。然而，在在线验证过程中观察到饮水和肩部外展动作之间存在轻微的混淆。这种现象可能是由于运动执行早期阶段肌肉招募模式部分重叠所致。相似的激活幅度减少了选定特征空间内的类间距离。这一限制表明，仅使用时域特征可能无法完全捕捉细微的类间差异；因此，未来的工作将探索时间动态、频域特征和额外的肌肉通道，以进一步提高运动区分能力。然而，仍存在一些局限性。在当前研究中，数据采集是在没有主动机器人辅助的受控条件下进行的，因此没有明确建模机械驱动引起的振动干扰。在实际应用中，sEMG信号可能会受到电极位移、肌肉疲劳和运动伪迹的影响。虽然在受控实验条件下这些因素得到了缓解，但对这些变化的显式鲁棒性和长期稳定性仍然是实际部署中的开放挑战。当前的评估遵循受试者内训练范式，没有研究跨受试者的泛化能力，这限制了该框架在不同用户之间的适应性。这一限制突显了开发独立于受试者的模型对于在实际辅助场景中可靠部署的重要性。此外，仅在受控实验室条件下评估了有限的四种运动类别，这未能完全捕捉到日常生活活动的复杂性和变异性。在更动态和限制较少的环境中扩展运动范围并验证性能对于在临床或家庭康复设置中的广泛应用至关重要。这些方向对于将所提出的框架从受控实验环境转化为实际辅助应用至关重要。

5. 结论
本研究提出了一个结构化的基于sEMG的运动意图识别框架，用于交互式上肢护理辅助。开发了标准化的采集协议和预处理流程，以确保在受控条件下稳定记录多通道信号。系统地评估了八个时域特征，并通过性能导向的融合策略确定了一个由RMS、脉冲因子和清除因子组成的紧凑特征三元组。比较评估了五种监督学习模型，随机森林实现了最高的识别性能。使用K折交叉验证进一步优化超参数后，跨受试者的分类稳定性得到了可测量的提高。优化后的模型在初步的实时在线验证实验中保持了稳定的准确率。研究结果表明，计算效率高的时域特征融合结合基于集成的分类可以为sEMG驱动的交互式辅助系统提供有效的运动解码。通过保持生理信号解释和机械执行之间的清晰分离，所提出的框架确保了系统和行为的可解释性和稳定性。尽管验证是在受控实验室条件下使用有限的运动集进行的，但该框架为扩展基于sEMG的意图识别在智能上肢辅助应用中奠定了可扩展的基础。