《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Hierarchical Classification of EMG Signal for Hand and Wrist Gestures and Forces in Myoelectric Control
编辑推荐：
本研究针对现有肌电假肢控制中忽略肌肉收缩瞬态 phase 的局限性，开发了一种结合 Onset Detection Algorithm、9 类稳态手势分类器及三级力量分类器的分层方法，并探索了抓握类型下的自选收缩水平。结果表明该方法显著提升了分类准确性和响应速度，尤其在肌肉收缩早期表现优异，同时发现最佳收缩水平具有抓握依赖性且低于文献常用值，为降低疲劳、提升假肢实用性提供了新思路。
对于上肢截肢者而言，失去手臂不仅影响基本生活能力，更对心理和社会参与造成深远冲击。现代假肢技术虽不断发展，但如何实现自然、灵敏的操控仍是核心挑战。表面肌电（Electromyographic, EMG）信号分析作为主流控制方案，通过识别肌肉活动模式来驱动假手执行相应动作。然而，当前大多数研究存在明显短板：过度聚焦于肌肉收缩的稳态（steady-state）阶段，而忽视了收缩起始的瞬态（transient）过程。这一局限导致假肢在实际使用中响应延迟、动作僵硬，严重制约了其真实场景的适用性。
为解决上述问题，发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的这项研究提出了一种创新的分层分类框架。该研究并未满足于传统的模式识别，而是将目光投向更完整的肌肉收缩周期——从收缩开始到力量维持。研究人员设计了一套集成系统，包含肌肉收缩起始检测（Onset Detection Algorithm）、9种手势的稳态分类器以及三级力量水平分类模块。特别值得一提的是，团队还深入探讨了三种抓握类型下受试者自主选择的收缩水平，这些水平对应主观感知的低、中、高强度，且由每位参与者根据自身舒适度或用力感受自行决定。
研究结果显示，这一分层策略显著提升了分类性能，尤其在肌肉收缩早期表现出更快的响应速度，优于现有先进方法。更有趣的发现是，最佳收缩强度并非一成不变，而是与抓握类型紧密相关，且普遍低于文献中常用的参考值。这一洞察强调了个性化设置参考值的重要性，有助于减少使用者疲劳，提升长期使用的舒适度。
关键技术方法包括：基于EMG信号的肌肉收缩起始检测算法，用于区分收缩开始时刻；采用机器学习方法构建的9类稳态手势分类器，识别不同手部动作；三级力量水平分类模块，量化肌肉收缩强度；并对15名健康受试者进行数据采集，分析其在三种抓握动作下的自选收缩水平（对应低、中、高主观用力感）。
研究结果部分，小标题“Onset Detection Performance”下，通过对比传统方法，验证了所提算法在肌肉收缩起始点检测上的准确性与时效性，为后续分类奠定基础。“Gesture Classification Accuracy”表明，分层模型在9类手势识别中整体准确率提升，尤其在动作转换阶段误差显著降低。“Force Level Differentiation”结果显示，三级力量分类器能有效区分不同收缩强度，且自选水平下个体间差异显著。“Contraction Level Selection”分析指出，最佳收缩强度因抓握类型而异，且普遍低于常规研究设定的固定值，证实了个性化参数调整的必要性。
结论与讨论部分强调，该分层方法通过整合收缩瞬态与稳态分析，突破了现有肌电控制的瓶颈，为假肢的自然交互提供了新途径。尤其是个性化收缩水平的发现，对优化假肢控制策略、减少使用者疲劳具有重要临床意义。未来工作可进一步探索多模态信号融合与自适应学习机制，以推动智能假肢向更人性化、实用化方向发展。
