基于多元变分模态分解与双通道注意力卷积网络的表面肌电信号手势分类方法研究

针对脑梗患者运动障碍康复中手势分类精度不足的难题，研究人员创新性地提出MVMD-TCCA方法，通过多元变分模态分解(MVMD)增强sEMG信号特征表达，结合双通道卷积网络(CBAM+CrissCross注意力)提升局部特征学习能力。实验显示，该方法在NinaPro DB2数据集上分类准确率达85.09%（提升13.46%），在15名受试者数据中达97.90%（提升1.70%），为运动功能康复提供了新思路。

　　

在全球脑梗死发病率持续攀升的背景下，患者长期运动功能障碍严重损害生活质量，而传统手势识别技术受限于表面肌电信号(sEMG)的噪声干扰和特征提取不足。尽管sEMG能提前200-300ms预测运动意图（Li et al., 2020a），但原始信号分类准确率低、机器学习模型泛化能力差、深度学习易忽略局部特征等问题，制约了其在康复辅助中的应用。为此，安徽某高校团队在《Journal of Electromyography and Kinesiology》发表研究，提出MVMD-TCCA方法，突破现有技术瓶颈。

研究采用多元变分模态分解(MVMD)对sEMG信号进行频带分解与列向融合，解决传统信号处理方法（如PCA、小波变换）的信息丢失问题；设计双通道卷积网络(TCCA)集成CBAM与CrissCross注意力机制，强化空间-局部特征协同学习。实验基于公开数据集NinaPro DB2和自建15人队列验证有效性。

Signal decomposition fusion
通过MVMD将DB2数据集信号分解为6个频带子信号，经融合后通道数扩展至原始6倍，既降低数据复杂度又保留关键信息。

Experiment
对比实验显示，MVMD-TCCA在DB2数据集平均准确率85.09%，较原始信号提升13.46%；在自建数据集达97.90%，优于传统CNN和单一注意力模型。

Results
迭代曲线表明，MVMD-TCCA训练收敛速度更快，测试集损失值稳定在0.05以下，验证了频带融合与注意力机制对特征学习的协同增效作用。

Comparative analysis of results
与PCA、ICA等降维方法相比，MVMD减少信息损失；相较于LSTM等单一网络，双通道结构使分类错误率降低1.7-13.5个百分点。

Conclusion
该研究证实MVMD-TCCA能显著提升穿衣、饮水等日常动作的识别精度，其创新性体现在：①MVMD实现信号“分治-融合”的平衡；②双注意力机制攻克深度学习全局偏好缺陷。国家自然科学基金（51975002）资助的这项成果，为脑梗患者运动功能康复提供了可落地的技术方案。

讨论
作者指出，尽管计算复杂度略有增加，但准确率提升对康复应用具有临床意义。未来可探索轻量化部署，以适应实时性要求更高的场景。