用于模式识别系统中肢体运动解码的基于DMD的非欧几里得描述子

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：The DMD-based non-Euclidean Descriptor for Limb Movement Decoding in Pattern Recognition System

　　

摘要：

在基于肌电图的模式识别系统中，准确解码肌肉意图在很大程度上依赖于有效的特征提取。尽管已经有多种技术被提出，但它们的性能仍不尽如人意。许多技术未能利用肌电图通道间的空间关联性，也忽视了训练数据与测试数据之间的分布差异。为克服这些难题，本研究提出了一种无监督的特征提取方法。该方法首先运用动态模态分解技术来识别与手势相关的有意义的时空模式，随后通过样本协方差矩阵对特征进行优化处理以提升空间表示能力。为解决数据集漂移问题，该算法将测试数据调整到与训练数据相同的非欧几里得空间中。实验结果显示，在识别13种不同的手部和手指动作时，该方法的准确率有了显著提升（p < 0.05），截肢者的平均准确率为99.89 ± 0.28%，而非残疾受试者的平均准确率为99.90 ± 0.31%。重要的是，即使将肌电图通道的数量从24个减少到3个，该方法的准确率仍能保持在97%以上，这表明它在密集型及稀疏型传感器配置中都具有应用潜力。这对于低成本假肢设计而言具有实用价值，因为减少电极数量可以降低硬件的复杂度和成本。因此，所提出的技术有望提升基于肌电图的控制系统的性能、可靠性及适应性，经过进一步的实时测试和临床验证后，可能在临床及商业领域得到广泛应用。