![](https://csdnimg.cn/release/download_crawler_static/87486088/bg5.jpg)
因此, 为了克服电极偏移引起的识别精度下降和系统鲁棒性降低问题, 按照如图 1 所
示肌电识别框架内的关键环节, 分别探讨在数据、特征和模型等不同环节内用于消除或解
决电极偏移干扰问题的方法.
1) 融合不同偏移位置下的多模数据. 在有监督学习的模型训练中, 一方面可以增加训
练数据的数量, 通过引入更多电极测量更多或更精细的肌肉位置, 这种方式通过丰富训练数
据集或包含更多电极场景, 来拓展模型的覆盖能力或泛化性能. Hargrove 等
[13, 16]
提出一种模
型训练策略, 采集所有电极偏移位置上的数据用于模型训练, 相对于一般模型训练方式提高
了 10%的识别精度. He 等
[12]
利用 HD-sEMG 采集系统, 实验表明多通道相对于少通道而言,
更有利于提高干扰下的肌电识别精度, 32 通道的肌电信号在电极偏移情况下(最大偏移 1
cm)获得比少通道肌电更好的识别精度. 另一方面, 将肌电信号与其他类型传感器融合, 如
惯导(Inertial measurement unit, IMU)等, 也能提高模型在电极偏移干扰的鲁棒性
[17-18]
.
2) 提取电极偏移不敏感的特征. 在特征提取环节, 如果能构造具有电极偏移无关的特
征空间, 将极大地提高系统的鲁棒性; 同时, 也能够降低因为数据量或数据类型扩增而引起
的数据采集阶段和模型训练阶段的耗时. 研究表明, 自回归系数特征(Autoregressive features,
AR)、时域与自回归系数结合的特征(Combination of time-domain and AR feature, TDAR),
比 TD (Time-domain)特征对电极偏移干扰具有更好的鲁棒性, 在 10 类常见的手部或腕部动
作中, 识别误差由 30%下降为 10%左右
[16, 19]
; Tkach 等
[20]
提出了 EMG 的自回归系数特征和
倒频谱系数(cepstrum coefficients)特征, Stango 等
[10]
提出了 Variogram 特征, Boschmann 等
[21]
利用结构相似性特征(Structural similarity index); Pan 等
[22]
提出了共空间模式(Common spatial
patterns, CSP)特征, 并与传统的 TDAR 和 Variogram 等特征进行了对比, 取得了更高的识别
精度, 表明该特征具有更好的电极偏移等干扰的不敏感性. 更进一步, He 等
[14]
借鉴了图像处
理领域的纹理信息——灰度共生矩阵, 提取二维肌电信号中所构成肌肉活跃图的纹理信息,
并将阵列式电极首尾连接, 进一步改进了纹理特征, 表现出明显的电极位置无关优势. 另一
方面, Huang 等
[23]
利用非负矩阵分解(Nonnegative matrix factorization, NMF)技术, 提出了一
种半监督方式, 将原特征空间映射到隐变量新空间, 表现出对通道数目和偏移位置不敏感的
优点.
3) 更新模型适应不同偏移位置. 迁移学习(Transfer learning)或领域自适应(Domain
adaptation)技术常常被引入以解决这类干扰变化, 使得模型具有更新能力, 以适应不同的信
号特征. Amsuss 等
[24-25]
在识别模型的结果上进行后处理作为模型自修正, 降低模型因为电极
干扰引起的误分类, 或采用协方差偏移适应(Covariate shift adaptation)等迁移学习方法适应
电极偏移等干扰. Prahm 等
[15, 26]
和 Paaβen 等
[27]
针对 Myo 的旋转偏移干扰问题, 采用期望最
大化的迁移学习(Expectation maximization transfer learning)估计因电极偏移前后肌电信号在
特征空间中分布的关系(假设为一种线性映射), 仅利用少量训练数据将预训练模型适用于不
同干扰下的肌电识别场景. 丁其川等
[28-29]
提出一种自适应增量式混合分类器(Adaptive
incremental hybrid classifier, AIHC)用于应对因重复穿戴后引起的电极偏移干扰. 李自由等
[30]
针对环形 Myo 肌电传感器, 提出一种基于极坐标系内的活跃极角概念, 用于估计不同旋转
位置之间的偏移程度, 并基于该偏移程度提出了自适应校正方法, 无需识别模型的再次训