可穿戴生理测量技术可靠性评估：Shimmer3 GSR+、Empatica E4、EmbracePlus与Pixel Watch 2在认知、情感及体力活动任务中的表现及基于表面肌电的坐站与站坐转换实时检测与方向判别深度学习方法研究

《Sensors》：Reliability Assessment of Wearable Technologies for Physiological Measurements: An Evaluation of Shimmer3 GSR+, Empatica E4, EmbracePlus, and Pixel Watch 2 Across Cognitive, Affective and Physical Activity Tasks

　　

重复的坐站(sit-to-stand, STS)与站坐(stand-to-sit, StS)转换会对膝伸肌施加负荷，可能导致工作相关性肌肉骨骼疾患。减轻该负荷需要辅助装置及膝关节功能监测，这依赖于每次转换的实时起始/终止检测及方向感知分类。然而，此前尚无可穿戴表面肌电(surface electromyographic, sEMG)系统能提供此实时能力。本研究提出一种深度学习方法，在所开发的可穿戴表面肌电系统中实时计算坐站与站坐的起始/终止检测及方向判别。两个ESP32-S3节点与集线器(hub)记录股外侧肌(vastus lateralis, VL)与股内侧肌(vastus medialis, VM)信号，并运行逐突发(burst)卷积检测器，同时集线器运行带有十七个手工特征的双分支分类器。该方法在公开Gait120数据集上离线训练，网络以与MATLAB参考模型固件一致的嵌入式形式部署且无更改。在Gait120留一受试者交叉验证(leave-one-subject-out)下，离线分类器以99.6%准确率区分各转换，检测器达成96.6%完整性。在三十名健康成人的实时记录中，系统保留85.6%分类准确率与82.0%检测准确率，延迟约100 ms，网络占用618 KB。结果表明低功耗可穿戴设备可在实时下提供联合检测与相位判别，支持其在辅助装置控制与膝关节监测中的潜在应用。

该研究背景在于重复的坐站(sit-to-stand, STS)与站坐(stand-to-sit, StS)是日常与职业生活中力学负荷较高的姿势转换，对膝伸肌（主要是股外侧肌VL与股内侧肌VM）造成重复负荷，与工作相关性肌肉骨骼疾患(WMSDs)及老年人跌倒风险相关。现有下肢辅助外骨骼或动力矫形器的控制前端多依赖惯性测量单元(inertial measurement units, IMUs)，其观测运动学结果而非神经肌肉驱动，导致触发滞后且无法区分模糊运动状态；而既往表面肌电(surface electromyography, sEMG)研究分为经典阈值检测、学习式检测器及多通道离线分类三轨，均未在可穿戴处理器上以最少通道数实时结合起始/终止检测与方向判别。为此，研究人员开发并验证了一种名为DD-CNN（detection–discrimination CNN）的深度学习方法，在自研双通道可穿戴sEMG系统中实时执行STS与StS的起始/偏移检测及方向判别，旨在支持辅助装置控制、康复与跌倒风险监测应用。

研究人员开展的关键技术方法包括：使用公开Gait120数据集（含558次STS与569次StS标注动作，取自健康成人右腿VL与VM的十二通道无线sEMG）进行离线训练；设计逐突发卷积检测器于传感节点运行，结合指数平滑、双阈值迟滞与持久性校验及回看缓冲；设计双分支卷积分类器于集线器运行，融合原始信号卷积分支与17个幅值不变手工特征的全连接分支；采用留一受试者交叉验证(leave-one-subject-out, LOSO)并随机过采样平衡类别；将训练后网络导出为嵌入式C头文件并合并批归一化参数，在ESP32-S3硬件上实现固件奇偶校验；招募三十名健康成人（18至45岁，无下肢疾患）进行实时实验，于约43 cm无扶手椅上以自定节奏重复STS与StS各一分钟共三场次，间隔三十分钟，传感器不离体，以交替顺序已知标签为基准，以近似广义似然比(approximated generalized likelihood ratio, AGLR)离线检测为时序参考进行评估。

研究结果部分保留原文小标题简述如下：

1. 3.
   Results 结果
   3.1. Offline Model Performance 离线模型性能
   分类方面，在Gait120留一交叉验证中，双分支分类器总体准确率99.6%（均值99.7 ± 1.9%），STS精确率100%、召回率99.3%、F1 99.6%，StS精确率99.3%、召回率100%、F1 99.6%，仅4个STS相位误分类。起始/终止检测方面，每突发分类器在Gait120上检测率96.6%，误检率0.6%，起始误差30 ± 217 ms，终止误差2 ± 283 ms，得出离线环境下模型具备高泛化与检测完整性。

3.2. Real-Time Evaluation 实时评估

分类方面，三十名受试者共829个相位（415 STS、414 StS），双分支网络总体准确率85.6%（均值80.6 ± 15.3%），STS精确率84.4%、召回率87.5%、F1 85.9%，StS精确率87.0%、召回率83.8%、F1 85.4%，误分类共119个，表明实时佩戴采集存在信号差异但仍保持有效判别。检测方面，1787个相位检测率82.0%，误检率9.7%，起始误差-49.8 ± 167.0 ms（略早于参考），终止误差66.9 ± 143.4 ms（略晚于参考）。重复场次验证中，三场次分类准确率与检测率无显著 pairwise 差异（Wilcoxon p > 0.05），表明同日连续佩戴下模型稳定。计算成本显示检测器约0.61 M MACs、6200参数、24 KB，分类器约1.54 M MACs、152k参数、594 KB，合计618 KB存于外部PSRAM，端到端延迟约100 ms受终止确认延迟主导。消融实验显示双分支（99.6%）显著优于仅信号分支（95.2%, p < 0.05）与仅特征分支（78.4%, p < 0.05），且增量成本微小。基准对比显示在Gait120上双分支与TCN、CNN-BiLSTM相当，但在可穿戴数据上双分支85.6%显著优于CNN-BiLSTM与TCN，检测器在可穿戴上82.0%优于经典TKEO、双阈值、AGLR（均低于40%）及部分学习式检测器，且误检率更低（9.7% vs NMAD 18.3%、LSTM-MAD 15.7%）。

讨论部分总结：研究人员指出实时分类准确率低于离线源于佩戴采集的噪声、皮肤电极接触差异及受试者间变异，但两动作召回平衡表明判别依赖动作特征而非顺序；检测率下降与误检增加主要集中于连续转换间无完全静息的边界模糊区，系sEMG双通道局限而非模型失效；时序误差非对称源于稳定器持久性延迟与回看缓冲设计，使捕获窗口略微外延以保留完整激活；同日三场次无显著性能衰减归功于幅值不变特征与逐窗z-score归一化；选用商用MyoWare 2.0虽信噪比低于实验室级，但经带通与陷波滤波及归一化仍维持可用实时性能；双分支设计中手工特征分支虽单独准确率有限，但降低跨受试者标准差提升一致性且成本微增；基准表明纯端到端模型在域偏移下退化，而双分支借特征分支抗增益与电极差异；检测器较经典方法无需静息基线阈值故在连续记录中稳健，较其他学习式检测器借平滑与迟滞抑误检且更紧凑（24 KB vs NMAD 303 KB）；未来需拓展至临床人群（膝骨关节炎等）、增肌拮抗肌通道、解决连续自定节奏转换边界歧义、实测端到端延迟及离体再放置校准。

结论部分翻译：本研究提出了一种在自研双通道sEMG传感系统（基于现成硬件）上实时执行坐站与站坐动作起始/终止检测及方向判别的方法。该系统耦合了经指数平滑、迟滞与持久性稳定的逐突发卷积检测器，以及融合原始双通道信号与十七个手工幅值不变特征的双分支卷积分类器。模型在公开Gait120数据集离线训练并以防固件奇偶校验无更改部署，在留一公开数据上达99.6%分类准确率与96.6%检测完整性，在三十名健康成人实时中保留85.6%分类与82.0%检测，延迟约100 ms，占用618 KB。在相同留一基准下，分类器在公开数据匹配最强深度基线，在更噪可穿戴记录上优于后者且显著更小，检测器在连续佩戴记录中保持稳健而经典检测器失效。本研究于健康成人证实该方法在实时运动监测、下肢康复与辅助装置控制中的潜力，临床人群验证留待未来工作。论文发表于《Sensors》。

需要我帮你把这篇论文解读浓缩成一份适合汇报用的简短摘要大纲吗？