引言
表面肌电图（sEMG）提供了非侵入性的神经肌肉活动视图，广泛应用于运动分析和人机交互中。将sEMG数据映射到连续的关节运动学数据是具有挑战性的，因为sEMG信号是非平稳的、受参与者影响的，并且对电极位置、组织属性和采集条件敏感（Enoka, Duchateau, 2015; Farina, Merletti, Enoka, 2014; Hug, 2011; Staudenmann, Roeleveld, Stegeman, van Die?n, 2010）。特征工程研究探索了时间、频率及时间-频率表示方法，而最近的综述则考察了这些方法在不同用户和记录环境下的稳健性和可转移性（Lopez-Villagomez, Lopez-Hernandez, Mata-Chavez, Rodriguez-Donate, Guzman-Castro, Cabal-Yepez, 2026; Phinyomark, Scheme, 2018; Zhang, Qu, Zhang, Wang, Chen, Xu, 2025）。最新研究表明，可以利用机器学习回归器从sEMG数据中估算下肢关节角度和步态参数（Liu, Sharma, Wu, Zhu, Chang, Wang, 2025; Lu, Chen, Yang, Liu, Zhao, 2025; Lv, Wang, Hao, 2025）。预测性能虽然可以量化准确性，但无法确定哪些输入因素驱动了模型的表现，或者这些输入是否符合某种生物力学预期（Halilaj et al., 2018）。
事后归因方法，如Shapley加性解释（SHAP），可以描述拟合模型是如何使用其输入数据的（Lundberg, Erion, Chen, DeGrave, Prutkin, Nair, Katz, Himmelfarb, Bansal, Lee, 2020; Lundberg, Lee, 2017; Maurer, Metsch, Hempel, Bender, Spicher, Hauschild, 2024）。这些方法描述了模型的行为，而生理或因果解释则需要额外的证据（Lapuschkin, W?ldchen, Binder, Montavon, Samek, Müller, 2019; Rudin, 2019）。对于sEMG数据来说，这一点尤为重要，因为共同收缩、电磁延迟、被动关节运动以及相关特征可能会使观察到的激活现象与预测结果产生混淆（Hug, 2011; Staudenmann, Roeleveld, Stegeman, van Die?n, 2010; Tresch, Cheung, d’Avella, 2006）。一个明确的生物力学预期为评估模型的依赖性提供了参考。模型与这一预期的一致性需要与预测准确性分开进行评估。
基于知识的机器学习通过特征工程、模型训练或输出评估来整合领域知识（Sirocchi, Bogliolo, & Montagna, 2024）。对于生物信号而言，最近的可解释性研究同样强调，归因解释应放在信号生成过程的背景下进行（Alqudah, Moussavi, 2025; Maurer, Metsch, Hempel, Bender, Spicher, Hauschild, 2024）。我们研究了与特定生物力学先验的一致性如何影响特征选择、在未见过参与者的情况下的性能以及在同一参与者协议内的子集稳定性。所使用的先验以序数形式编码了行走过程中的肌肉相关性，并明确揭示了其数值假设。
由于全局归因是在一个行走周期内进行的平均值计算，它可能会掩盖模型依赖性的相位差异。我们通过将归因结果汇总到四个轨迹周期区间内，并将其与相应的先验进行比较来保留这种时间结构。同步的膝关节角度轨迹为这些区间提供了标签，sEMG描述符则从中心窗口中提取。这种设计允许离线分析相位依赖的归因和特征选择过程。
本研究在方法学上做出了四个贡献：它明确且可重复地定义了生物力学先验，通过公开完整的肌肉-相位矩阵来表示；使用受控样本校准了相关的一致性得分，并检验了归因对先验扰动的敏感性；它通过汇总四个预先指定的轨迹周期区间内的绝对SHAP值来构建试验局部的、按相位分层的归因轮廓，同时保留了受试者、试验以及试验相对窗口的索引；它还区分了模型层面的Bio-Consistency Score（BCS，用于表征总体归因与先验之间的一致性）和选择器使用的特征层面Phase-Profile Concordance（PPC）指标。评估中将基于先验的选择与无生物力学指导的选择、互信息过滤以及基于LASSO的选择方法在相同的受试者集上进行比较，每个外部测试受试者都不被纳入用于选择、子集构建、停止决策和模型拟合的SHAP估计过程中。
主要分析比较了15个外部受试者在预测性能、特征数量、選擇稳定性和先验-归因一致性方面的表现。次要分析则在具有相同通道特征空间的六名参与者数据集上考察了模型迁移能力，包括直接迁移、热启动适应和教师-目标融合。
