基于通道級累積脈沖序列圖像驅動模型的手勢識別研究

     在手勢識別領域，構建自然、精準的人機交互接口對于智能假肢控制、運動功能康復等應用至關重要。當前主流方法通常基于表面肌電信號，通過提取其時頻域特征并結合機器學習算法進行分類。然而，表面肌電信號本質上是大量運動單位電活動的混合疊加，易受噪聲干擾，僅是底層神經控制信號的粗略表征。為突破這一限制，研究者嘗試從高密度表面肌電信號中分解出單個運動單位的放電活動，以期建立更直接的神經接口。

    然而，現有方法多聚焦于運動單位的時間或頻率特性，忽視了其蘊含的空間激活信息。生理學研究表明，不同手勢依賴于空間分布各異的肌群協同，其對應的運動單位募集也應具有獨特的空間模式。基于此，如何有效提取并利用神經驅動信號中的空間信息，成為提升手勢識別性能的關鍵。

     本文提出了一種基于通道累積脈沖序列圖像的驅動模型，用于從神經控制信號中識別手勢。該方法首先利用空間脈沖檢測算法，從高密度表面肌電信號中分解出各通道的累積脈沖序列。隨后，根據電極的空間排布位置，將這些序列重構為通道累積脈沖序列圖像。

    最后，將圖像輸入一個定制的卷積神經網絡中進行手勢分類。實驗招募了10名受試者，執行10種手勢，并將所提方法與兩種基于均方根特征的方法以及一種僅使用累積脈沖序列放電率的方法進行了對比。

    結果表明，所提方法取得了最高的平均分類準確率（96.92% ± 1.77%）。進一步分析發現，相較于均方根特征，累積脈沖序列特征在不同手勢間具有更好的可分性，且在訓練與測試數據集上表現出一致性。本研究為利用神經驅動信號實現高精度手勢識別提供了新方案。

    本研究的數據采集使用三塊8×8的高密度表面肌電電極陣列，電極間距為10毫米。這三塊陣列環繞受試者前臂均勻排布，覆蓋從橈骨到尺骨的區域，參考電極纏繞于手腕。實驗包含10種手勢，每種持續10秒，每個受試者重復8次實驗。

    信號預處理包括20-450Hz帶通濾波及50Hz工頻陷波。在核心算法部分，首先利用基于空間脈沖檢測的算法分解通道累積脈沖序列。該算法通過對白化后的信號進行能量計算，并結合空間滑動窗口來識別脈沖放電時刻。

    隨后，將192通道的放電率按電極空間分布重構成8×24的圖像。模型架構分為兩部分：首先由基于均方根圖像的CNN網絡檢測靜息狀態，非靜息狀態下的通道累積脈沖序列圖像則輸入到手勢識別CNN網絡（如圖4、圖5所示）。網絡包含卷積層、批歸一化層、池化層和全連接層。訓練時，隨機選取一組實驗用于校準分解參數，其余用于模型訓練與測試。

     實驗結果顯示，當使用6組實驗進行訓練時，所提方法（cwCST-CNN）的平均分類準確率（96.92% ± 1.77%）顯著高于RMS-CNN（86.42% ± 18.73%）、cwCST-LDA（90.44% ± 4.50%）和RMS-LDA（88.83% ± 16.14%）（圖7）。

     即使在僅用1組實驗訓練的情況下，該方法仍能保持87.61%的準確率，優于其他對比方法（圖8B）。

    為深入分析原因，論文可視化了不同手勢的通道累積脈沖序列圖像激活模式，發現每種手勢均呈現出獨特的空間激活模式（圖6）。

    進一步，通過主成分分析對累積脈沖序列和均方根特征進行降維可視化，結果顯示累積脈沖序列特征在空間上的類間距離更大，可分性更好（圖10）。

    定量分析也印證了這一點：累積脈沖序列特征的可分性指數（2.21 ± 0.70）顯著高于均方根特征（1.93 ± 0.61），而其重復性指數（0.63 ± 0.14）則顯著低于均方根特征（0.85 ± 0.29）（圖11），表明其特征更穩定。

    本研究成功構建了一種基于通道累積脈沖序列圖像驅動的手勢識別模型，通過引入運動單位的空間激活模式，顯著提升了手勢識別的準確性。研究證明了直接利用神經驅動信號中的空間信息，比使用傳統的、受噪聲干擾的表面肌電信號特征更具優勢，為構建更穩定、自然的人機交互接口提供了新思路。然而，該方法依賴于高密度電極陣列，在一定程度上限制了其在便攜式設備上的應用。未來的研究可從以下方向展開：一是探索基于新型柔性傳感技術（如3D打印電極陣列）的高密度電極，以提升穿戴舒適性與集成度；二是開發小型化、低功耗的信號采集與處理系統，以推動其在智能假肢等嵌入式平臺上的實際應用；三是進一步探究運動單位空間激活模式在跨用戶、跨時段場景下的魯棒性，以提升模型的泛化能力。

研究團隊介紹

    本研究由上海交通大學機械與動力工程學院及機械系統與振動國家重點實驗室的科研團隊完成。團隊長期致力于神經工程、人機交互與智能康復領域的研究，在肌電信號分解、神經解碼及假肢控制等方面積累了豐富經驗。團隊在多通道生理信號處理、運動單位分解算法及深度學習模型構建方面具有扎實的理論基礎與實驗能力，致力于推動非侵入式神經接口技術的發展與應用。