基于动态平衡单源域泛化模型（DBSS-DG）的跨姿态肌电控制鲁棒性研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：A Dynamic Balanced Single-Source Domain Generalization Model for Cross-Posture Myoelectric Control

　　本文针对表面肌电信号（sEMG）在不同身体姿态下因信号分布偏移导致手势识别准确率下降的问题，提出了一种动态平衡单源域泛化（DBSS-DG）迁移学习框架。该模型仅需使用单一姿态（如站立）的sEMG数据进行训练，即可在坐、走、躺等未知姿态下实现90.79%、88.78%、90.87%的高识别准确率，较非迁移学习方法平均提升4.71%。该研究为可穿戴人机交互系统在实际应用中的姿态鲁棒性提供了有效的解决方案。

　　

随着智能可穿戴设备的快速发展，基于表面肌电信号（surface Electromyography, sEMG）的手势识别技术已成为人机交互（Human-Computer Interaction, HCI）领域的重要研究方向。然而，现有研究多集中于实验室环境下的静态姿态（如站立或坐姿），而实际应用中用户可能在不同身体姿态（如行走、躺卧）下使用设备，导致sEMG信号的幅值和频率特征发生显著变化，进而引发手势识别准确率下降。研究表明，姿态变化可使分类误差从3.8%升至18%，严重制约了sEMG交互系统的实用化进程。这一问题的核心在于：电极与肌肉的相对位移、稳定姿态的无关肌肉收缩等因素会改变信号分布，而传统模型缺乏对分布偏移的泛化能力。

为应对这一挑战，苏坦盈、谭欣等人在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表研究，提出了一种动态平衡单源域泛化模型（Dynamic Balanced Single-Source Domain Generalization, DBSS-DG）。该框架仅需利用单一源域（如站立姿态）数据训练模型，即可泛化至未知目标域（如坐、走、躺姿态），显著提升了跨姿态手势识别的鲁棒性。

研究团队通过以下关键技术实现这一目标：

1. 1.
   表征学习模块：结合知识蒸馏与傅里叶相位特征提取，通过教师-学生网络结构学习域不变特征（Domain-Invariant Features）；同时利用协方差对齐（CORAL）强化域内一致性特征（Intrinsic-Consistent Features），并通过正则化最大化两类特征的差异度，避免冗余表征。
2. 2.
   动态平衡模块：引入梯度归一化策略，根据任务训练进度自适应调整四类损失函数（分类损失、特征模仿损失、特征对齐损失、特征发散损失）的权重，避免早期训练过拟合或收敛困难。
3. 3.
   数据预处理与特征设计：采用腕部佩戴的4×16高密度电极阵列采集sEMG信号，通过带通滤波（10–500 Hz）和工频陷波处理去除噪声，并以傅里叶相位作为输入特征，增强对姿态变化的鲁棒性。

实验基于16名受试者在四种姿态（站、坐、走、躺）下执行8类手势（含腕部屈伸、手指开合等日常动作）的数据集。以站立姿态为源域，其他姿态为目标域进行验证，结果显示DBSS-DG在坐、走、躺姿态下的识别准确率分别达90.79±0.09%、88.78±0.06%、90.87±0.10%，较基线方法（ERM）平均提升4.71%。

姿态干扰对模式识别的影响分析

通过计算肌肉激活强度（RMS）和激活中心位移，发现同一手势在不同姿态下整体激活模式相似，但激活强度范围和中心位置存在偏移（图5）。尽管统计检验表明偏移不显著（p>0.5），但基线模型在未知姿态下的准确率平均下降14.57%（p<0.001），证实姿态变化确实引入分布偏移。

模型泛化能力验证

t-SNE可视化显示，原始特征在潜空间中混杂了姿态与手势信息（图7左），而DBSS-DG提取的特征呈现清晰的类内聚集和类间分离（图7右）。对比实验中，DBSS-DG在三种目标域上的平均准确率（90.14%）显著优于DIFEX（85.17%）、ANDMask（86.92%）等单源域泛化模型（p<0.01）。

模块贡献度分析

消融实验表明，同时包含域不变特征（DI）、域内一致特征（IC）、特征发散正则化（REG）和动态平衡（DB）模块时模型性能最优（90.14%）。去除DI和REG模块时准确率降至79.79%，而仅使用静态权重（无DB）时性能下降至82.96%。动态平衡模块通过调整任务权重（图9），确保模型在训练早期侧重域内特征，后期强化域不变特征，实现稳定优化。

参数敏感性检验

超参数α（控制训练速率平衡强度）在α=1附近时模型性能最优，且当α<1.2时性能波动不显著（p>0.05），说明方法对参数选择不敏感。

讨论与展望

本研究通过腕部sEMG信号验证了姿态变化对手势识别的干扰机制，并提出DBSS-DG模型有效缓解了分布偏移问题。其核心优势在于：

1. 1.
   仅需单一源域数据，降低数据收集成本；
2. 2.
   动态平衡机制避免了对域不变特征的过度依赖；
3. 3.
   模块化设计增强了特征表达的互补性。
   未来工作将扩展至肘部或上臂肌群信号处理，以适配截肢用户需求，并探索在线实时系统的部署优化。

综上，DBSS-DG为可穿戴肌电交互系统在实际场景中的姿态鲁棒性提供了创新解决方案，推动了跨域自适应学习在生物信号处理中的应用。