上肢肌电信号研究：跨越人口差异，解锁人机交互新篇

《Scientific Data》：A database of upper limb surface electromyogram signals from demographically diverse individuals

为解决上肢基于神经肌肉接口中表面肌电图（EMG）信号受生理和解剖因素影响、个体间差异大及对人口统计学因素影响理解不足的问题，研究人员开展了关于上肢 EMG 信号和生理测量的研究。结果得到含 91 名不同人口特征成年人数据的数据集，验证了数据质量，对开发公平无偏算法意义重大。

　　在科技飞速发展的当下，人机交互领域正不断探索更自然、高效的交互方式。上肢基于神经肌肉接口的技术，尤其是借助表面肌电图（EMG）信号来实现人机交互，备受关注。通过捕捉肌肉活动产生的 EMG 信号，理论上可以精准识别手部动作，从而实现用手势操控各种设备，比如操控电脑界面、解码手写内容、进行键盘打字，甚至为额外肢体或手指提供控制支持 。

然而，在实际应用中，EMG 信号面临着巨大挑战。由于个体间神经驱动、肌肉属性、皮下脂肪厚度、肌肉纤维空间分布、肌肉纤维传导速度以及电极放置等因素的差异，EMG 信号在不同个体间存在显著的可变性。而且目前人们对于年龄、身体质量指数（BMI）等人口统计学因素如何影响 EMG 信号，进而影响手势解码性能的了解十分有限。另外，过往机器学习模型训练数据存在不平衡问题，常忽略某些人口群体，导致模型在这些群体上分类错误，就像早期面部分析基准数据集中浅色皮肤样本占比过高，使得一些面部检测软件难以识别深色皮肤面孔。这一系列问题严重阻碍了上肢 EMG 技术的广泛应用。

为了解决这些问题，来自美国加利福尼亚大学戴维斯分校等机构的研究人员开展了一项深入研究。他们收集了 91 名不同人口特征成年人的上肢 EMG 信号和生理测量数据，这些参与者年龄跨度从 18 岁到 92 岁，涵盖了健康、超重和肥胖等不同 BMI 类别，同时还测量了皮肤水化、弹性等可能影响 EMG 信号的指标。研究成果发表在《Scientific Data》上。

研究人员开展此项研究用到的主要关键技术方法如下：
在数据采集方面，使用 Delsys Trigno 双差分电极和 NI USB - 6210 多功能 I/O 设备，以 2000Hz 或 2148Hz 的采样率收集上肢 EMG 数据。通过定制图形用户界面（GUI）展示手势，让参与者做出相应动作，同时收集人口统计学和生理数据。在数据处理上，进行了时间同步和信号分段等预处理操作。

研究结果主要包括以下几方面：

• 数据集构建：构建了一个包含丰富信息的数据集。该数据集支持交叉人口分析，例如可以研究 “老年 + 高 BMI”“年轻 + 高 BMI”“老年 + 高皮肤水化” 等不同组合对 EMG 信号的影响 。数据包含 32760 次手势试验，每个参与者贡献 360 次（10 种不同手势，每种重复 36 次），且参与者以自然、不受约束的方式做出手势，更真实地反映了日常手部运动。此外，数据集涵盖了从手腕和前臂区域收集的 EMG 信号。
• 技术验证：利用先进的手势解码技术对数据质量进行验证。通过构建协方差矩阵并在对称正定（SPD）矩阵流形上分析，采用最小距离到均值（MDM）、支持向量机（SVM）和无监督 k - 中心点聚类等方法，研究发现不同手势的非欧几里得矩阵嵌入在 SPD 矩阵流形上自然可分，平均解码准确率远高于随机水平，证明了所收集信号的高质量。同时，研究人员分析了年龄、皮肤水化、皮肤弹性和 BMI 等因素对 EMG 信号几何结构的影响。计算方差膨胀因子（VIF）发现这些因素之间不存在显著多重共线性；通过多元回归分析发现，这些变量对解码准确率方差的解释力较低，表明 EMG 信号的几何结构受这些变量影响较小，且较高频率受影响程度低于较低频率。

研究结论和讨论部分指出，该研究成果意义重大。所建立的数据集为研究 EMG 信号中的人口统计学混杂因素提供了基础，可作为测试开发公平无偏算法的基准，有助于实现跨不同人口特征个体的准确手势解码。尽管个性化分类模型对人口统计学变化不敏感，但仍需进一步研究零样本或少样本算法在未参与训练的人口群体上的表现，以及如何开发高效少样本学习策略。此数据集为解决这些问题提供了宝贵资源，有望推动开发出在不同个体中都能有效运行的公平、包容性算法，促进上肢神经肌肉接口技术的发展和广泛应用，让基于 EMG 信号的人机交互设备能更好地服务于多样化的人群。