《Bioengineering》：Systematic Evaluation of sEMG Processing Pipelines for Gesture Recognition
编辑推荐：
手势识别可实现直观的人机通信，其中表面肌电（sEMG）为检测运动活动提供了一种微创接口。然而，处理流水线缺乏系统化评估是阻碍可靠受试者无关部署的关键障碍。本研究针对十名受试者，在留一受试者交叉验证（LOSO）下采用装袋树（Bagged Trees）分类器，对三
手势识别可实现直观的人机通信，其中表面肌电（sEMG）为检测运动活动提供了一种微创接口。然而，处理流水线缺乏系统化评估是阻碍可靠受试者无关部署的关键障碍。本研究针对十名受试者，在留一受试者交叉验证（LOSO）下采用装袋树（Bagged Trees）分类器，对三分类手势（Neutral、Ask、Take）的sEMG处理流水线进行系统化评估。对1872种实验配置的混合效应方差分析（mixed-effects ANOVA）表明，预处理流水线是影响分类准确率的主导因素，其次为受试者间变异性，而窗口大小与重叠率虽具统计显著性但效应较小。基于一致性的肘部分析筛选出5个特征的紧凑子集，将输入维度降低94.79%，同时准确率由68.10%提升至69.86%，训练时间减少51.62%。贝叶斯超参数优化未较五特征基线产生统计显著改进；鉴于队列较小（n=10），这表明未检测到可辨差异，并指出受试者间变异性而非模型配置是限制性能的主导因素。上述发现为协作机器人中基于sEMG的高效手势识别系统设计提供了经验性准则。
研究背景方面，工业5.0范式下人机协作（HRC）需建立直观通信通道，表面肌电（sEMG，surface electromyography）因微创、响应快成为解码运动意图的重要生理接口。但sEMG具非线性动态特性，受电极-皮肤界面、运动伪影、肌间串扰等影响，存在显著受试者内与受试者间变异性。现有文献多按经验固定预处理顺序（如滤波-整流-包络-归一化），窗口与重叠常取惯例值，特征选择少考量跨受试者一致性，集成分类器超参数优化亦缺受试者无关基线对照，导致流水线设计缺乏统一实证框架。为此，研究人员在《Bioengineering》发表该研究，旨在以阶乘实验结合混合效应方差分析，量化预处理、时序分割、特征选择与超参数优化在受试者无关协议下的联合作用。
关键技术方法上，研究人员使用Mindrove ARB.210901臂环（8通道sEMG，采样500Hz）采集10名右利手本科生（5男5女，约22岁）在装配场景执行Neutral、Ask、Take三类手势的数据；定义四阶段二值预处理因子（滤波F、离群剔除O、RMS包络E、归一化N）组合成16条流水线；滑动窗口150–750样本、重叠10%–90%共117种分割；每窗提取12个时域特征×8通道得96维；以ReliefF作折叠内特征排序，跨折叠一致性得分筛选特征；分类器固定为MATLAB装袋树（100树，最大20分裂）；评估协议为留一受试者交叉验证（LOSO），训练集对Neutral欠采样；超参数优化采用贝叶斯期望改进加（Expected Improvement Plus）嵌套5折。
研究结果部分，第一节混合效应方差分析显示，预处理流水线广义η2最高（主导），受试者随机效应次之，窗口大小与重叠显著但效应小；含RMS包络的流水线准确率跌至50%以下，最优为仅低通滤波（流水线2）配650样本窗口、90%重叠达67.31%；窗口≥450样本无显著差异，重叠率递增有微小增益，60%可作计算折衷。第二节一致性肘部分析表明，按跨LOSO折叠ReliefF一致性加分排序，5特征（通道2/3的AAC与WFL、通道7的SSC，后换为WFL替AAC）在96维降至5维（降94.79%）时准确率68.10%→69.86%，训练时间降51.62%，推理时间持平；AAC与WFL无统计显著差异可互换。第三节贝叶斯超参数优化比较Base All96、Base Top5、HPO All96、HPO Top5、HPO Transfer五配置，混合ANOVA示配置效应不显著（p>0.05），HPO All96均值最高70.55%但未达显著，故Base Top5因紧凑与免调参被采纳；个体准确率52.59%–85.00%，Ask与Neutral易混淆，Take区分度最高。
讨论部分指出，预处理主导性挑战了“滤波-整流-包络-归一化”惯例，包络平滑抹去瞬态判别动态；窗口与重叠可独立优化；5特征子集抗冗余且嵌入式友好；超参数无显著增益反映小样本下受试者间变异性掩蔽了模型调优空间；与需校准或受试内协议的高精度文献不可直接比较。局限含样本同质单场次、目标受试者无标签z-score仍属带目标无监督归一化非严格免校准、1872配置重复测同原始记录致p值膨胀故以效应量为主、预处理作单16水平因子未拆四二值因子、仅用装袋树单分类族。结论部分翻译如下：本研究评估十受试者LOSO下sEMG三手势识别处理流水线，混合ANOVA示预处理主导（η2最大），含RMS包络流水线均低于50%，最优仅低通滤波；一致性选5特征（WFL通道1/2/3/7与SSC通道7）降维94.79%、准确率升至69.86%、训练时间减51.62%；贝叶斯超参数优化无统计显著增益，跨受试者准确率52.59%–85.00%表明受试者间变异性为性能瓶颈；平均特异度83.81%、敏感度70.18%，Ask-Neutral为易混对；研究提供可复现HRC手势协议与高效流水线准则。
