《Biomimetic Intelligence and Robotics》：Reducing user training burden for myoelectric prosthetic hand control with CNN-LDA temporal-spectral transfer learning
编辑推荐：
本研究针对肌电假手控制中因表面肌电信号非平稳性导致的用户训练负担重问题，提出了基于多流卷积神经网络（CNN）的时序-频谱跨被试迁移学习框架。通过排除空间信息迁移，专注于提取与手势相关的时序-频谱特征，在经桡动脉截肢者多收缩力数据集上实现了92.73%的训练精度和74.53%的泛化精度，显著优于基线模型。该研究为降低肌电控制系统对训练数据的依赖提供了新思路，对推动智能假肢的临床应用具有重要意义。
想象一下，失去手臂的截肢者依靠肌电假手重新获得抓握能力，但现实往往不尽如人意。由于表面肌电信号容易受到肢体位置、电极移位和抓握力量变化的影响，现有的肌电假手控制系统需要用户进行大量重复训练，这不仅增加了使用负担，还可能导致肌肉疲劳和疼痛，最终降低假肢的接受度。
在这一背景下，澳大利亚伍伦贡大学的研究团队在《Biomimetic Intelligence and Robotics》上发表了一项创新研究。他们开发了一种名为"时序-频谱跨被试迁移学习框架"的新方法，通过多流卷积神经网络专门提取与时序和频谱相关的特征，而避免学习与电极位置相关的空间信息。
研究人员采用了几项关键技术：首先设计了多流CNN架构，每个流独立处理单通道的sEMG信号或其FFT幅度谱；其次引入了流复制机制，确保特征提取的空间无关性；最后结合主成分分析和线性判别分析进行分类。这些方法在经桡动脉截肢者多收缩力数据集上进行了验证，该数据集包含9名截肢者在低、中、高三种收缩力下执行六种手势的记录。
研究结果显示，该框架在中等收缩力下的识别准确率达到92.73%，对未见过的收缩力水平也实现了74.53%的泛化精度，显著优于传统机器学习方法和深度学习方法。特别值得注意的是，即使在被试间电极位置存在严重不匹配的极端情况下，该方法仍能保持稳定的性能。
2.3.1 时序-频谱多流CNN表示学习器
通过设计单通道处理的CNN流，研究者成功限制了模型仅学习时序特征，避免了空间信息的干扰。与传统的多通道CNN相比，这种架构显著提高了特征的可迁移性。
2.3.2 具有流复制的空间无关推理模型
流复制机制确保每个输入通道都能通过所有训练好的CNN流，产生统一的时序特征表示。结合PCA降维和LDA分类，进一步提升了系统的鲁棒性和泛化能力。
3.1 与其他机器学习模型的比较
在自训练设置下，提出的方法在泛化精度上比传统TD-PSR特征结合LDA分类器提高了1.74%，比基础多流CNN提高了5.68%。在知识迁移设置中，该方法也显著优于数据聚合、微调等传统迁移学习方法。
3.2 消融研究
研究表明，流复制机制将时序模型的泛化精度从70.09%提升至71.23%；结合频谱信息后，性能进一步提升至73.57%。PCA组件数在200-350范围内能获得最佳性能。
3.3 空间不一致性的鲁棒性检验
在电极位置被打乱的极端情况下，传统CNN方法性能显著下降，而本文提出的方法仅出现小于1%的性能损失，证明了其对空间变化的强鲁棒性。
3.4 推理时间比较
通过多进程并行计算，系统的推理时间从104.54毫秒优化至31.29毫秒，满足实时控制的要求。
讨论部分指出，该研究的成功源于五个关键因素：针对时序特征优化的CNN架构设计、原始sEMG与FFT表示的互补特征、PCA-LDA分类器的使用、空间无关的特征提取以及有效的源被试选择策略。这些创新使得系统在减少训练负担的同时，保持了对收缩力变化和电极位置变化的强鲁棒性。
研究者也指出了当前方法的局限性，包括对非独立同分布数据的适应性有待验证，以及特征维度可能存在冗余。未来工作将探索对比学习和特征选择策略，以更有效地利用多被试数据，并研究在高密度sEMG配置下的时空迁移学习。
这项研究为肌电假手控制提供了一种创新的解决方案，通过专注于时序-频谱特征的迁移学习，显著降低了用户训练负担，同时保持了系统对实际使用中各种变化的适应性。这不仅推动了智能假肢技术的发展，也为其他生物信号识别任务提供了新的思路。
