认知对齐模式学习：一种适用于sEMG系统中多类模式识别的知识敏感型自适应框架

《Scientific Reports》：Cognitively aligned pattern learning: a knowledge-sensitive adaptive framework for multi-class pattern recognition in sEMG systems

　　

摘要

多类表面肌电信号手势识别系统常常存在持续且规律的误分类问题，尤其是在那些彼此相近的手势类别之间，这限制了系统的长期稳定性和适应性。为解决这一难题，本文提出了认知对齐模式学习（CAPL）——一种混合自适应模型，它结合了堆叠式一对一多类分解方法、知识管理机制以及敏捷学习理念。CAPL将反复出现的误分类实例视为结构化的知识对象，并采用以错误为中心的选择性适应机制，仅优化涉及的类别对，从而避免整体重新训练和灾难性遗忘现象。该框架通过数学方式进行了形式化与具体化，其实现方案体现在名为KACL-Net的架构中，该架构展示了如何将知识维护、基于混淆度的反馈以及学习循环融入多类模式识别流程中。模拟对比测试表明，该方法具有提升性能的潜力。概念分析及模拟对比结果显示，与传统的一对一和堆叠式一对一方法相比，CAPL能够提高分类稳定性，减少重复误分类现象。此外，在噪声和电极移动等干扰条件下的稳健性测试显示，其稳定性更高，准确率可提升最多2.6%。这些均为概念分析和模拟结果，并非实际实时部署后的测试数据。总体而言，CAPL提出了一种受认知原理启发的、适用于知识敏感型自适应多类学习的框架，它兼具认知合理性、可扩展性和可解释性，为基于表面肌电信号的人机交互系统提供了另一种可扩展的解决方案，而传统分类策略在训练完成后通常保持不变。