表面肌电信号的拓扑结构：利用黎曼流形解码手部手势

2024-06-04 Tue
表面肌电信号的拓扑结构：利用黎曼流形解码手部手势本论文由Harshavardhana T. Gowda（加利福尼亚大学戴维斯分校电子与计算机工程系）和Lee M. Miller（加利福尼亚大学戴维斯分校心理与脑科学中心、神经生理学和行为系、耳鼻喉科－头颈外科系）联合撰写。该论文发表于《Journal of Neural Engineering》。
研究背景表面肌电图（sEMG）信号通过在皮肤表面放置传感器来非侵入性地记录来自运动单元（MU）激活的电信号。这些信号在上肢手势解码中的应用，对于截肢者的康复、人造肢体增强、计算机手势控制以及虚拟/增强现实等领域具有重要意义。然而，sEMG信号的实际应用受到了许多因素的限制，比如皮下组织的厚度、依赖于电极位置的信号变异性等。因此，如何解码和区分不同手势成为一个难题，而这正是本文试图解决的问题。
论文来源此论文由Harshavardhana T. Gowda和Lee M. Miller撰写，他们分别来自加利福尼亚大学戴维斯分校的电子与计算机工程系和心理与脑科学中心。论文发表在《Journal of Neural Engineering》。
研究流程本文提出了一种通过构建对称正定（SPD）协方差矩阵来表示MU活性空间分布，在黎曼流形上操作这些矩阵，以更自然的方式理解和处理多变量sEMG时间序列。研究主要包括以下几个步骤：
定义和操作定义：
对于维度为c的方阵x，定义了其元素及各种规格化矩阵的表示方法。
提出了Frobenius内积和诱导范数的计算方式。
操作在SPD矩阵的流形上：
SPD矩阵是对称矩阵空间的凸光滑子流形，通过Cholesky分解，可以将SPD矩阵转化为下三角矩阵，并对其进行一对一等价转化。
介绍了如何通过Cholesky分解及其逆操作实现这两种流形之间的等角映射。
黎曼度量计算提出了黎曼度量和测地距离的计算方法，保证这些度量计算的计算效率和数值稳定性。
提出Fréchet平均和并行传输的计算方法，并构建了一个支持向量机(SVM)的正定核计算方式。
数据集本文使用了三个数据集进行研究：
1. Ninapro：来自atzori等人提供的公共数据集，包括40名受试者，使用12个电极记录，包含17种不同手势。
2. 高密度sEMG信号数据集：来自malešević等人的数据集，包括19名受试者，使用128个电极记录，包含65种独特手势。
3. UCD-Myoverse-Hand-0数据集：本文作者在加利福尼亚大学戴维斯分校采集的30名受试者数据，使用12个电极记录，包含10种手势。
主要结果数据集1 - Ninapro数据预处理和手势分类
使用2000Hz频率和12个电极记录的sEMG数据，采取不同的算法（MDM, SVM, K-medoids）进行手势识别。
比较了不同分类方法的准确率，发现本文提出的流形方法（MDM和SVM）准确率分别为0.92和0.93，显著高于之前的方法。
数据集2 - 高密度sEMG信号数据集数据预处理和手势分类
使用2048Hz频率和128个电极记录的sEMG数据，采取相同算法进行分类。
比较结果表明，本文方法的准确率（0.92和0.93）与现有最高水平一致，但计算效率更高，更适宜在不同个体间的部署。
数据集3 - UCD-Myoverse-Hand-0数据预处理和手势分类
使用2000Hz频率和12个电极记录的sEMG数据，采取同样算法进行分类。
平均准确率分别为：MDM 0.82，SVM 0.86，K-medoids 0.70，表明了这些方法在实际应用中的有效性。
结论和意义本文通过在黎曼流形上分析sEMG信号，提出了一种自然且低维的手势分类方案，并展示了在个体和会话间适应信号变化的透明且明确的方法。此研究弥补了现有深度学习方法需要庞大模型和大量数据集的不足，为快速跨个体适应提供了可能。此外，通过并行传输，提出了针对信号变异性进行实时适应的方法，为实际应用中的sEMG解码带来了新的希望。
亮点方法新颖：首次在sEMG信号研究中引入黎曼流形和SPD协方差矩阵方法进行手势分类。
高效计算：与现有深度学习方法相比，具有更高的计算效率和适应性。
实际应用潜力：为解决sEMG信号在实际应用中的适应性问题提供了新的思路。
本文通过实验验证了在黎曼流形上进行sEMG信号分析的有效性和优越性，为实际应用中的手势解码提供了重要的理论和实践依据。