肌电中任务相关组分与个体相关组分的研究

（原文链接https://mp.weixin.qq.com/s/phPm1JVsAAGduQJsop0V2g）

导语

       肌电智能人机交互系统在现代康复医学领域拥有着鼓舞人心的应用前景。然而，该类系统使用前需要针对用户进行长时间的校准与个性化的模型训练，这制约了其应用的便捷性与普适性。近期研究发现肌电信号中存在的大量个体相关组分可能是制约模型无法在用户间泛化的原因之一。研究尝试解析肌电中的个体相关组分，并利用最新的机器学习算法消除其干扰。

研究概述

       基于肌电的智能康复系统将电子设备与人体的神经肌肉系统相结合，解码用户意图，使得用户可以利用自身的肌电信号实现人体与机器的自然交互。如今，该领域涌现了一批极具应用价值的方向，主要包括医疗康复机器人、神经假肢、外骨骼、体感交互等。然而，该类系统使用前需要针对用户进行长时间的系统校准与个性化的模型训练，这制约了其应用的便捷性与普适性。因此，建立无需特别定制的高精度智能人机系统通用模型是领域内迫切需要解决的瓶颈之一。本研究旨在探究造成交互模型无法泛化的原因并尝试利用机器学习算法解决此问题。

图 1 课题组研发外骨骼、假肢、人机交互手环等智能康复系统实验室样机

研究内容

       本研究以人机康复工程中最常见的手势识别任务为应用目标，提出了以肌肉神经生理为基点、结合机器学习算法的新方法。研究发现从人群的整体情况看，每个人的神经肌肉解剖结构较为相似，做同一动作任务时可产生较为相似的肌电信号，这些类似的信号成分可以认为是肌电信号中依赖于任务的相关组分，但同时由于个体的神经肌肉结构差异，存在着依赖于个体的相关组分。研究者提出了肌电中存在互耦的任务相关与个体相关的两个组分这一假说，通过实验结合算法分别验证了两个组分的存在。实验采集了20多位被试10个常用手势动作下的前臂高密度肌电信号，一方面利用模式识别算法区别个体的信息差异；另一方面使用迁移学习算法提高了模型泛化能力。

研究结果

       对于个体相关组分，研究者发现其大量存在于个体的肌电中，甚至这一组分有希望成为一种新的生物信息识别模态。结果表明利用统计学习或机器学习算法，可在不同范式中隔天3-30天（天数据进行模型训练，多天后数据仅做测试）情况下，对个体实现85-100%的精准识别。

       对于任务相关组分，研究者同样发现其大量存在于个体的肌电中，但由于每个人肌肉强度不同，其个体特征分布有较大的差异。因此，需要将不同个体的特征做统计校准后，方可实现个体识别模型间的迁移。研究者针对10分类手势任务，应用不同迁移方法，提高了人机康复系统通用识别模型（无监督）最高20%以上的识别准确度。

图 2 基于不同手势下，在隔天3-30天情况下，对人群实现标准识别，最优模型下隔天识别准确率达99.85%

图 3 基于不同迁移算法，研究针对10分类手势任务实现了不同用户手势识别模型的迁移，最优模型可提升20%以上的识别准确率

研究结论

       不同用户进行相同的手部活动时，其前臂肌电信号中存在大量个体相关组分，可利用迁移学习方法降低这类组分对康复系统通用识别模型准确度的影响，减少了新用户使用前的适配训练时间，从而提高了实际应用的价值。

展望

      未来研究拟提出肌电信号解耦模型，将肌电解耦成任务相关与个体相关两个互为正交的组分，一方面使用任务相关组分提高模型的泛化能力，另一方面使用个体相关组分实现个体的生物信息识别。