康复大学鲍天哲和周平团队IEEE Trans Neural Syst Rehabil Eng：深度学习·表面肌电手势识别·卒中康复

为提升卒中后机器人辅助康复中基于表面肌电（sEMG）手势识别的性能，康复大学鲍天哲、周平团队系统探究了深度学习（DL）技术在卒中患者手势识别中的应用潜力。研究团队采集了八名慢性卒中患者执行六种手势时的sEMG信号，重点考察了三个核心维度：sEMG特征域（时域、频域、小波域）、数据结构（一维或二维图像）以及神经网络架构（CNN、CNN-LSTM、CNN-LSTM-Attention）。研究共构建并评估了18种DL模型在受试者内测试和受试者间迁移学习任务中的表现，并分析了两种后处理算法（模型投票与贝叶斯融合）的优化效果。

实验结果表明，在受试者内测试中，使用二维频域特征的CNN-LSTM模型平均识别准确率最高，达72.95%；在受试者间迁移学习中，使用一维频域特征的CNN-LSTM-Attention模型表现最佳，平均准确率达68.38%。两项实验均证实频域特征在卒中后手势识别中相较于时域和小波域特征具有显著优势。此外，后处理算法能进一步提升识别精度，模型投票算法可使识别效果提升2.03%。该研究揭示了特征域（尤其是频域）对DL模型性能的关键影响优于网络架构与数据维度，为卒中康复中精准、鲁棒的肌电解码提供了从特征构建到网络设计的系统化方案。相关论文以“Deep Learning-Based Post-Stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design”为题，发表在IEEE Transactions on Neural Systems and Rehabilitation Engineering上。

论文链接：https://doi.org/10.1109/TNSRE.2024.3521583