《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Edge AI-Enabled EMG Finger Gesture Recognition on Low-Cost Microcontroller
编辑推荐：
手部及手指的每个运动都会引起相关肌肉群的肌电图（EMG）信号。这种EMG信号被应用于多种场景中，例如涉及手部和手指运动分类的假肢臂操作。用于分类的算法通常在高性能计算机环境中执行。本研究的目标是在以成本效益为特征的微控制器平台上实现分类模型。第一步是收集数据并
手部及手指的每个运动都会引起相关肌肉群的肌电图（EMG）信号。这种EMG信号被应用于多种场景中，例如涉及手部和手指运动分类的假肢臂操作。用于分类的算法通常在高性能计算机环境中执行。本研究的目标是在以成本效益为特征的微控制器平台上实现分类模型。第一步是收集数据并创建包含五种不同的手指运动的数据集。收集的数据经过了预处理，例如滤波以及信号起始点和终止点的检测。从最终数据集中提取了时域、频域和小波特征。经过特征选择过程后，训练了一个人工神经网络（ANN）模型。由此产生的模型分别在计算机、单板计算机（SBC）和微控制器平台上独立执行。随后比较了这些平台上模型的准确率和分类时间。结果显示，研究人员获得了一种利用EMG信号进行手指运动分类的人工智能模型。该模型在所有平台上均达到了98%的测试准确率。该模型在计算机环境中完成分类耗时0.0044 ms，在微控制器环境中耗时0.16 ms。该模型已成功部署在规格显著低于计算机的低成微控制器上，同时实现了高分类性能和极低的延迟。此外，与文献中其他基于微控制器的研究相比，本研究实现了更短的分类时间。这项工作代表了未来实时机器人/假手控制领域的显著进步。
该研究论文《Edge AI-Enabled EMG Finger Gesture Recognition on Low-Cost Microcontroller》发表于《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》（阿拉伯科学与工程杂志）。
研究背景方面，肌电图（EMG）信号因手指和手部运动在相关肌肉群中产生，被广泛用于假肢臂操作、机器人应用、手势分类等场景。目前，EMG信号分类算法多在高性能计算机或个人计算机（PC）环境中运行，部分研究使用单板计算机（SBC），但SBC因运行完整的操作系统仍功耗较高，不适用于便携式场景；虽有一些研究尝试使用微控制器（MCU），但在资源受限的MCU上部署AI模型并实现高精度、低延迟的分类仍具挑战，且现有MCU-based研究分类时间较长。鉴于微控制器具有低功耗、低成本、便携的优势，将其用于EMG手指手势识别分类，可推动实时假肢控制等应用的发展，因此研究人员开展了此项研究。
为开展研究，研究人员主要采用以下关键技术方法：使用MYO Armband（含8个活性电极）从1名参与者采集5类手指运动（每类50次重复）的EMG数据；对数据进行10 Hz高通滤波（去除电极移动噪声）和50 Hz陷波滤波（去除工频噪声），通过基于信号包络的阈值法检测信号起始（onset）和终止（offset）点；将信号分为150 ms的窗口（50%重叠），提取时域（RMS、MAV、LOG、VAR）、频域（MF）和小波域（db4小波的最小近似系数）特征，通过序贯前向选择（SFS）筛选出8个最优特征；使用Keras库构建4层人工神经网络（ANN，2个隐藏层分别含16和32个神经元，ReLU激活函数），以Adam优化器（学习率0.001，批次大小32，150轮）训练，稀疏分类交叉熵为损失函数，15折交叉验证优化；将训练好的模型导出为float32量化的TensorFlow Lite模型，通过X-CUBE-AI扩展包部署于STM32F401微控制器（ARM Cortex-M4，84 MHz，512 KB Flash，96 KB RAM），同时在PC（AMD 5500U）、Raspberry Pi 3B+、Jetson Orin Nano上测试。
研究结果如下：
1 Introduction（引言）：研究人员综述了现有EMG手指运动分类研究，涉及4~8种手指运动分类、不同数据采集设备（MYO Armband、OTBioelettronica EMG-USB2+等）、信号预处理方法（阈值法检测起止点、各类滤波）、特征提取（时域、频域、小波域特征）、分类算法（SVM、KNN、ANN、CNN等）及部署平台（PC、SBC、MCU）。指出多数算法在PC环境运行，SBC功耗仍高，MCU上AI模型部署较少，因此本研究旨在对比PC、SBC、MCU平台的分类性能，实现低成本MCU上的高精度低延迟分类。
2 Material and Methods（材料与方法）：研究人员详细描述数据 acquisition（5类手指运动，1名参与者，50次/类，MYO Armband 8通道）、预处理（10 Hz高通+50 Hz陷波滤波，基于包络的阈值法检测起止点）、特征提取与选择（150 ms窗口50%重叠，29种常见特征→SFS筛选8个：RMS、MAV、LOG、VAR、MF及db4小波最小近似系数，Z-score归一化）、ANN模型训练（80%训练集20%测试集，4层结构，Adam优化器，15折交叉验证）、测试平台（PC：AMD 5500U 2.1 GHz 32 GB RAM；SBC：Raspberry Pi 3B+ 1.2 GHz 1 GB RAM，Jetson Orin Nano 1.7 GHz 8 GB RAM；MCU：STM32F401 84 MHz 512 KB Flash 96 KB RAM），以及模型部署（TensorFlow Lite float32，X-CUBE-AI，占用Flash 13.77 KiB、RAM 2.13 KiB，单次推理11500时钟周期）。
3 Results（结果）：研究人员得到混淆矩阵显示，Class 1（食指）、Class 2（中指）、Class 4（小指）测试准确率100%，Class 0（拇指）有1次假阳性，Class 3（无名指）有1次假阴性，整体测试准确率98%，精确率98.18%，召回率98%，F1分数98%，所有平台一致；分类时间：PC 0.0044 ms，Jetson Orin Nano 0.012 ms，Raspberry Pi 3B+ 0.086 ms，STM32F401 0.16 ms。
4 Discussion（讨论）：研究人员对比现有文献，现有研究EMG通道2~12、类别4~15、参与者1~28、特征1~16，分类器含KNN、SVM、ANN、CNN等，准确率83.9%~99.8%，分类时间1.8~71 ms；2项MCU（64 MHz）研究分类时间34.89~71 ms。本研究使用8通道EMG，1名参与者，SFS筛选8个特征（6通道有效：通道1、2、7用时域特征，通道4、6、7用频域+小波域特征），ANN模型达98%准确率；STM32F401分类时间0.16 ms，Flash占用2.6%、RAM占用2.21%，单次推理11500周期，优于现有MCU研究，且模型在4平台准确率一致，优化未损失精度。
5 Conclusion（结论）：研究人员总结，训练的ANN模型在PC、Raspberry Pi、Jetson Orin Nano、STM32F401上均达98%准确率，分类时间0.004~0.16 ms；STM32F401虽规格低，但分类时间仅0.16 ms，模型优化未影响性能，较文献中时间和准确率均有优势；表明通过足够优化，EMG手指运动分类可在低成本MCU上实现高精度低延迟，替代高功耗高规格的计算机环境。未来研究将增加参与者数量以评估模型泛化能力，增加特征数量，实现实时执行，并在MCU上评估CNN、KNN、SVM、决策树等分类方法。
需要我帮你把这篇论文解读翻译成英文，方便你进行学术投稿或交流吗？
