高密度 sEMG 结合手部运动学数据助力人机交互新突破

为解决现有 sEMG 数据库的不足，研究人员构建 HD-FW KIN 数据集，验证其可用性，推动人机交互研究。

　　在科技飞速发展的今天，人机交互（HMI）领域不断探索新的可能，表面肌电信号（sEMG）作为人体运动信息的 “代言人”，成为了人机交互研究的关键一环。sEMG 信号反映着脊髓运动神经元的活动，蕴含着丰富的神经控制信息，通过运动意图识别，它能为 HMI 提供直观的控制指令，在先进假肢、外骨骼、虚拟现实等领域大显身手。然而，目前基于 sEMG 的运动意图识别研究面临诸多挑战。以往研究多聚焦于离散、特定手部运动模式下的前臂肌肉分析，在日常生活复杂多变的环境中，肌电控制性能大打折扣，更难以实现对现代灵巧假肢多自由度的精确控制。而且，虽然已有研究证明腕部 sEMG 信号可用于识别运动意图，但现有的公开数据库中，却缺少包含前臂 - 腕部肌肉的高密度（HD）sEMG 信号和手部运动学（KIN）的数据集，这极大地限制了新算法和新方法的开发。

为了填补这一空白，上海交通大学的研究人员开展了一项重要研究，并将成果发表在《Scientific Data》上。

研究人员构建了 HD - FW KIN 数据集，该数据集可谓 “武装到牙齿”。它包含了 448 通道的 HD sEMG 数据，这些数据来自 21 名健康参与者在执行 20 种不同手势（如手指屈伸、握拳、手腕运动等）以及 9 种单个或组合手指在两种力水平（20% 最大自主收缩（MVC）和 40% MVC）下的肌肉活动。同时，研究人员还利用数据手套和定制平台同步记录了手指关节角度和手指屈伸力。

在研究过程中，研究人员运用了多种关键技术方法。数据采集方面，采用 RHD Recording System 以单极模式记录 HD sEMG 信号，采样频率高达 2000Hz，分辨率为 16 位；用 5DT Data Glove 14 Ultra 采集手部运动学数据，采样频率 200Hz；定制的力测量装置以 1000Hz 的频率记录手指等长压力。数据处理时，使用 50Hz 陷波滤波器去除电力线噪声，0.13Hz 高通滤波去除直流分量，1kHz 低通滤波消除高频噪声。为验证数据集质量和可用性，进行了同步性分析、手势分类、手部运动学预测和手指力分析等实验。

下面来看看具体的研究结果：

1. 多信号同步性：HD sEMG、手部运动学和手指屈伸力的同步性得到验证，为后续耦合分析提供可靠保障。从实验数据来看，在手部运动过程中，HD 前臂 - 腕部 sEMG 与数据手套内传感器信号，以及手指按压力与 HD 前臂 - 腕部 sEMG 之间都呈现出良好的同步性。
2. 手势分类：研究人员设计实验探究手势类型和信号采集位置对分类精度的影响。从远场和近场 HD sEMG 信号中选取 16 个代表性通道，计算时域特征向量，采用留一法交叉验证训练线性判别分析（LDA）模型。结果显示，不同类型手势和不同采集位置下，手势分类平均准确率与当前前沿研究相当。
3. 手部运动学预测：运用基于均方根（RMS）和运动单元（MU）的方法对远场和近场 sEMG 信号进行预测。结果表明，两种方法都能有效跟踪手部运动状态，远场预测性能仅略逊于近场。例如，在预测拇指近端关节角度时，RMS 方法在近场和远场的皮尔逊相关系数分别为 0.8959 和 0.8554；MU 方法在近场和远场的相关系数分别为 0.7756 和 0.7409 。
4. 手指力分析：通过肌电 - 力回归（EMG - Force Regression）和 sEMG 分解进行手指力分析。采用 MLR 方法预测手指力，建立远场和近场模型，结果显示两者在不同 MVC 水平下预测精度相似且可接受。sEMG 分解结果表明，近场能识别更多肌肉纤维和神经活动，解码的 MU 数量更多，拟合力与真实力的一致性更好。

综合来看，该研究构建的 HD - FW KIN 数据集意义重大。它为研究人员提供了丰富的数据资源，有助于深入探索前臂和腕部的神经驱动机制，推动先进假肢和腕部可穿戴消费电子产品的发展。在未来，借助这一数据集，有望开发出更精准、更智能的人机交互系统，为残障人士的生活带来更多便利，也为可穿戴设备的创新发展注入新的活力。同时，数据集也存在一些局限性，如缺少腕部运动的动态数据，但这也为后续研究指明了方向。