一种基于生理学原理的双向状态空间网络，用于通过表面肌电信号预测连续的膝关节角度

《Engineering Applications of Artificial Intelligence》：A physiology-inspired bidirectional state space network for continuous knee joint angle prediction from surface electromyography

　　毕峰|凌柳毅|李华顺|廖芳|余志鹏
中国安徽科学技术大学人工智能学院，合肥231131

摘要：通过表面肌电信号连续预测膝关节角度，可为康复机器人提供预判性的神经肌肉信息。然而，大多数深度学习模型将表面肌电信号视为普通的多变量时间序列，因此缺乏生理结构、自适应的机电延迟补偿以及多尺度时间表征能力。为解决这些问题，我们提出了一种基于约束正则化时间对齐、协同约束表示学习以及多尺度时间-统计特征提取的协同信息双向状态空间网络（SynSSM-Net）。该网络首先通过软最大值约束的可学习延迟层实现信号通道的时间对齐，再将对齐后的信号映射到以非负矩阵分解为起点构建的协同瓶颈结构中；最后通过双向状态空间转换、双向长短期记忆网络、多尺度卷积以及通道-时间注意力机制来优化预测表示。在针对特定受试者的40毫秒预测范围内，SynSSM-Net在自建数据集上的决定系数为0.915，均方根误差为4.31°；在公开Exoskeleton and Prosthetic Intelligent Controls（EPIC）数据集的6名受试者子集上，其决定系数为0.920，均方根误差为5.36°，在11种固定配置的基准模型中误差最低。通过消融实验和多预测范围分析，研究了各组件的作用及模型的预测稳定性；加利福尼亚大学欧文分校的病理群体评估结果显示决定系数为0.872。这些结果表明SynSSM-Net是一种适用于特定受试者离线表面肌电信号膝关节角度预测的结构化框架，也为其在更广泛的实际应用场景中的验证提供了依据。

引言：通过表面肌电信号连续预测膝关节角度，可为自适应康复系统提供预判性的神经肌肉信息（Bi和Guan，2019；Lee等人，2024；X. Zhang等人，2025；Yao等人，2024）。由于表面肌电信号比可观察到的关节运动提前数十毫秒出现，因此可作为辅助控制的反馈信号（Enoka和Duchateau，2015）。不过，精确地将表面肌电信号转换为膝关节角度仍面临挑战，因为这种映射关系是非线性的、因个体而异，且易受电极放置位置、疲劳程度以及肌肉间相互干扰的影响（Phinyomark和Scheme，2018；Farina等人，2016）。生物力学模型，如希尔型肌肉模型（Hill，1938）和经过校准的肌肉骨骼模型（Lloyd和Besier，2003），虽然能够描述肌肉-肌腱的动力学特性，但需要大量个性化参数，难以在常规应用中获取。传统的数据驱动方法可减轻这种校准负担——例如，利用带时间延迟特征的随机森林（Xiao等人，2018）以及基于手工设计的时间频率特征的支持向量回归（Chen等人，2018）已被用于下肢角度预测。不过，这类方法的性能高度依赖人工设计的特征，难以完全适配多通道表面肌电信号的完整时空结构。深度学习技术通过直接从生物信号中学习时间特征，提升了连续关节角度估计的性能（Zaim等人，2025）。循环神经网络被用于实时膝关节角度估计（Huang等人，2019），以及基于表面肌电信号的在线下肢运动预测（Song等人，2023）；卷积-循环神经网络结合了空间特征提取与序列建模功能（Du等人，2017）；时间卷积网络能够实现并行式的长距离时间建模（Qin等人，2026）；而Transformer架构也被用于端到端的膝关节角度预测（Liang等人，2023）。SE-Net和CBAM等注意力机制与通道重新校准机制进一步推动了自适应肌电特征提取技术的发展（Hu等人，2018；Woo等人，2018）。近期研究还探索了用于手指关节角度估计的移位窗口Transformer模型（An等人，2024）、用于下肢角度预测与活动分类的深度学习模型（Rani和Hashmi，2026），以及基于表面肌电信号和惯性信号的坐起动作解码技术（X. Wang等人，2025）。尽管取得了这些进展，基于表面肌电信号的膝关节角度预测仍需满足三个核心方法学要求。首先，神经网络模型应体现肌肉协同理论所描述的肌肉协同激活结构（Tresch等人，1999；Tresch和Jarc，2009）。其次，机电延迟会因肌肉类型、个体差异、行走阶段以及具体条件而变化，因此需要采用自适应而非固定的时间对齐方式。第三，表面肌电信号既包含局部的突发式时间模式，也存在较慢的幅度分布变化，因此特征提取需同时整合局部时间滤波器与全局信号总结机制。肌肉协同理论为解决这些难题提供了有力思路。Ivanenko等人（2004）的经典研究表明，仅3–5种协同模式即可解释行走过程中超过90%的肌肉激活变异。近年来，越来越多的研究开始将肌肉协同概念引入机器学习领域。Xiloyannis等人（2017）通过自编码器学习协同表示，用于手势识别。针对基于表面肌电信号的手势识别，人们还开发了多特征融合方法（Chen等人，2024）；此外，结合肌电信号与近红外光谱技术的多模态信号整合方法也被用于假肢控制研究（Guo等人，2017）。然而，将肌肉协同理论与现代深度学习架构——尤其是状态空间模型——相结合的研究仍相对较少。为突破这些瓶颈，本研究提出了SynSSM-Net，这是一种整合了自适应信号对齐、肌肉协同理论以及现代状态空间建模技术的架构。其核心设计理念是“先对齐再利用协同效应”：首先通过可学习延迟层补偿每个通道的时间偏移，接着通过可学习的协同分解机制将对齐后的表面肌电信号映射为符合生理特性的低维表示，最后的state space模型则在这一结构化表示空间而非原始信号空间中进行运算，从而实现更为有序且高效的时间建模。据此，SynSSM-Net基于以下三个设计原则构建：（i）采用软最大值约束的可学习对齐前端，作为固定平滑处理或固定延迟补偿的可训练替代方案；（ii）基于非负矩阵分解并加入稀疏性约束的协同瓶颈结构，用于生成结构化的低维表示；（iii）结合多尺度时间卷积与全局时域统计分析，以捕捉局部特征与整体分布特征。整个架构及其评估均围绕这三大原则展开，通过消融实验进一步分析各部分的贡献。主要贡献如下：1. 提出了一种按通道划分、受软最大值约束的可学习延迟层，作为协同特征提取之前的可训练时间对齐模块；该机制通过合成延迟恢复实验得到了验证，且仅会增加少量的参数开销。2. 设计了一种协同状态空间模型（Synergy-SSM）模块，该模块通过可学习的协同矩阵将多通道表面肌电信号映射为符合生理特性的紧凑型协同表示，并在该结构化表示空间而非原始信号空间中进行双向状态空间建模。3. 设计了一种时间-统计选择性核（TF-SK）模块，该模块包含并行多尺度深度卷积结构与全局信号统计分支，同时还配备了通道-时间注意力机制，可用于捕捉分层的时间模式，并根据运动情境动态调整特征的重要性。4. 制定了一个符合生理学特性的学习目标，该目标将关节角度回归与基于非负矩阵分解的肌电信号重建一致性项以及Hoyer稀疏性约束项相结合，同时通过基于行走阶段差异的激活分析作为预定义的可解释性检验手段。

问题定义：该任务的目的是根据历史表面的肌电信号窗口预测膝关节角度。给定数据集Xt?T+1:t∈RT×C，其中T为窗口长度，C为表面肌电信号的通道数，模型需要在未来时间Δt处预测关节角度y?t+Δt，即y?t+Δt=fθ(Xt?T+1:t)，其中fθ表示由参数θ确定的神经网络函数，Xt?T+1:t则表示从时间t?T+1到t的表面肌电信号窗口。因此，“预测”指的是根据过去的表面肌电信号观测值来预测未来的关节角度。主要的建模因素包括……

自建数据集：数据收集工作已获得[为保护隐私未标注机构名称]的生物医学研究伦理委员会批准，所有参与者均签署了书面知情同意书。共有6名无任何行走异常的健康成年人（平均年龄：24±1.2岁，体重指数：23.44±0.6kg/m2）参与了针对特定受试者的算法开发及受试者内评估。这一样本规模与近期多项针对特定受试者的表面肌电信号预测研究相当（Huang等人，2019；Song等人，2023）。

结果：结果按照2.5节中规定的评估策略进行整理，包括：主要基准模型对比、各模块的消融实验、公开EPIC数据集上的评估、肌电信号信息对照实验、病理群体评估以及离线场景下的迁移能力测试。

讨论：研究结果与实验开始前预先设定的评估框架一致。在针对特定受试者的离线测试中，SynSSM-Net在所有评估的固定配置模型中取得了最低的均方根误差和最高的决定系数，而在受试者水平测试中，TCN仍是表现最接近的基准模型。消融实验有助于明确各模块的相对贡献，而非将每一个数值上的提升都视为独立的架构验证结果。最显著的独立贡献在于……

结论：本研究提出了SynSSM-Net，这是一种基于生理学原理的、用于连续表面肌电信号膝关节角度预测的网络模型。该模型整合了三种核心技术：自适应的逐通道延迟补偿机制、协同约束下的表示学习方法，以及多尺度时间-统计特征提取技术。在针对特定受试者的离线测试中，SynSSM-Net在自建数据集上的决定系数为0.915，在EPIC数据集的主子集上的决定系数为0.920，在所有符合条件的EPIC受试者上的决定系数为0.911。消融实验进一步验证了各组成部分的贡献。

CRediT作者贡献声明：
毕峰：撰写——初稿、软件开发、方法设计、资金获取、概念构思。
凌柳毅：撰写——审稿与编辑、研究指导、方法设计、资金获取。
李华顺：撰写——审稿与编辑、结果可视化、模型验证、软件开发。
廖芳：撰写——审稿与编辑、结果可视化、软件开发。
余志鹏：撰写——审稿与编辑、结果可视化、实验分析。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了中国安徽科学技术大学环境友好材料与职业健康研究所的研发基金支持（项目编号ALW2022YF06），以及中国安徽省高校学科（专业）拔尖人才学术支撑计划的支持（项目编号gxbjZD2022053），同时还获得了中国安徽省高校协同创新计划的支持（项目编号GXXT-2022-053）。