基于高密度表面肌电图（HD-sEMG）的人工神经网络在手部位置估计中的应用：解决受试者间及受试者内部的变异性问题

《Journal of NeuroEngineering and Rehabilitation》：Artificial neural networks for HD-sEMG-based hand position estimation: addressing inter- and intra-subject variability

可靠的高密度表面肌电（HD-sEMG）控制系统面临电极位移、皮肤状态及用户差异等挑战。本研究通过模拟真实场景，测试RPC-Net/HDE-Array系统的性能：1) 静态训练下系统对电极位移敏感；2) 训练中纳入电极重置可显著提升鲁棒性；3) 跨用户训练需排除测试者个体数据，性能随训练人数增加而优化。结论表明，在真实条件训练可使系统具备跨会话和跨用户的强泛化能力，为肌肉-计算机接口的实用化奠定基础。

　　

摘要

背景

使用高密度表面肌电图（HD-sEMG）对康复和辅助设备进行可靠控制仍然受到以下因素的限制：电极位置变化、皮肤状况的变化以及用户个体差异导致的性能波动。

方法

本研究在反映实际使用情况的条件下评估了先前研究中提出的递归假体控制网络（RPC-Net）/高密度电极阵列（HDE-Array）系统的性能，这些条件包括电极重新定位和跨受试者的泛化能力。首先，测试了在未进行电极重新定位的情况下训练RPC-Net/HDE-Array系统后，其在不同电极位置数据上的稳定性。随后，研究进一步探讨了在训练过程中明确考虑电极重新定位是否能够缓解在单独测试环节中通常出现的性能下降现象。最后，还评估了跨受试者训练的效果。

结果

实验结果表明，在静态条件下训练时，RPC-Net/HDE-Array系统对电极位置变化和皮肤状况的波动非常敏感。然而，当训练过程中纳入这些变量时，系统的鲁棒性显著提高。研究还发现，随着训练样本中受试者数量的增加，系统性能也会提升，前提是训练数据仅来自未被测试的受试者，这表明系统的性能与受试者的特定特征密切相关。

结论

这些发现表明，当在真实使用环境下进行训练时，RPC-Net/HDE-Array系统能够在不同测试环节和不同用户之间保持稳定的性能。这项工作为肌肉-计算机接口的实际应用奠定了重要基础。