SR-FSL：基于样本重建的增强型小样本学习方法，用于从表面肌电图中实时识别运动单位

《Journal of NeuroEngineering and Rehabilitation》：SR-FSL: Sample reconstruction enhanced few-shot learning for real-time motor unit identification from surface electromyogram

　　

摘要

背景

深度学习（DL）方法在从高密度表面肌电图（HD-sEMG）中在线识别运动单位（MU）方面表现出良好的性能。然而，其对大量数据的依赖限制了其实用性。

方法

为了解决这个问题，提出了一种结合样本重建策略的新型少样本学习方法，用于在线识别运动单位。首先，基于模拟的HD-sEMG数据和运动单位尖峰列对时空神经网络进行预训练，使其具备初步的运动单位特征表示能力。然后，采用创新的样本重建策略生成生理上可解释的合成样本，以便在少量实验数据的情况下对模型进行微调。这些样本旨在增强模型表征运动单位动作电位（MUAP）波形的时空特征的能力，从而提高在线识别运动单位的性能。实验数据来自10名受试者的拇短展肌，使用8×8电极阵列收集。

结果

结果表明，所提出的方法在在线识别运动单位阶段可以达到约93%的匹配率，而离线模型微调仅需要6秒的实验数据，显著优于其他比较方法。

结论

这项工作为高效的实时运动单位识别提供了一种新的解决方案，其发现有望推动基于深度学习的实时HD-sEMG分解技术在开发先进的神经机器接口方面的广泛应用，从而应用于机器人运动控制和康复医学领域。