手部運動學包含前臂和遠場電位的高密度表面肌電圖用于運動意圖識別

背景介紹

表面肌電（sEMG）信號能反映脊髓運動神經(jīng)元活動，廣泛應用于人機交互（HMI）中的運動意圖識別�，F(xiàn)有研究多集中于前臂肌肉的離散手勢識別，但在日常多變環(huán)境中穩(wěn)定性不足，且難以實現(xiàn)多自由度連續(xù)控制。高密度sEMG（HD-sEMG）可分解運動單位動作電位，提升控制魯棒性。當前公開數(shù)據(jù)庫缺乏同時包含前臂與手腕HD-sEMG及手部運動學的數(shù)據(jù)，限制了手腕可穿戴設備與神經(jīng)驅(qū)動控制算法的發(fā)展。為此，本研究提出了HD-FW KIN數(shù)據(jù)集，包含448通道HD-sEMG（前臂192通道、手腕256通道）、手指關(guān)節(jié)角度與握力數(shù)據(jù)，涵蓋21名受試者的20種手勢與9種手指按壓任務，旨在推動手勢識別、連續(xù)運動控制與神經(jīng)接口技術(shù)的發(fā)展。

01論文摘要

本文提出了一個公開的多模態(tài)數(shù)據(jù)集HD-FW KIN，用于基于sEMG的手部運動意圖識別研究。數(shù)據(jù)集包含21名健康受試者在執(zhí)行20種手勢（包括手指單獨/組合運動、手腕動作）和9種手指按壓任務（20%與40%最大自主收縮力）時的448通道HD-sEMG信號，同時采集了數(shù)據(jù)手套記錄的手指關(guān)節(jié)角度與自定義力傳感器記錄的握力數(shù)據(jù)。研究驗證了手腕（遠場）與前臂（近場）sEMG在手勢分類、手指角度預測與握力回歸中的有效性，并展示了基于運動單位分解的神經(jīng)驅(qū)動分析潛力。該數(shù)據(jù)集支持手勢識別、連續(xù)運動控制、肌電分解等多個研究方向，適用于假肢控制、可穿戴設備與人機交互等領域。
 

02研究方法

研究招募21名健康右利手受試者，使用OT Bioelettronica公司的電極陣列同步采集前臂與手腕HD-sEMG信號：前臂采用3個8×8電極網(wǎng)格（型號GR10MM0808，電極間距10 mm，共192通道）；手腕采用4個5×13電極網(wǎng)格（型號GR04MM1305，電極間距4 mm，共256通道）。

信號通過quattrocento+,以2000 Hz采樣率記錄。手部運動學數(shù)據(jù)通過SDT Data Glove 14 Ultra數(shù)據(jù)手套（200 Hz）采集14個關(guān)節(jié)角度；握力通過定制力傳感器（RFP 602，1000 Hz）記錄五指的等長收縮力。實驗分為兩部分：第一部分執(zhí)行20種手勢（含動態(tài)與靜態(tài)收縮）；第二部分執(zhí)行9種手指按壓任務（20%與40% MVC）。數(shù)據(jù)經(jīng)50 Hz陷波濾波、0.13 Hz高通與1 kHz低通預處理后，以WFDB格式公開。

03實驗結(jié)果

研究通過多組實驗驗證數(shù)據(jù)質(zhì)量與應用潛力：

1、手勢分類：基于前臂與手腕HD-sEMG，使用LDA分類器對14種手部手勢與6種手腕動作進行分類，平均準確率分別達90%以上（圖3）。
 

 
2、手部運動學預測：采用RMS特征與運動單位（MU）分解方法預測手指關(guān)節(jié)角度。前臂sEMG的預測相關(guān)性（R值）為0.8959（RMS）與0.7756（MU），手腕sEMG分別為0.8554與0.7409（圖4、圖5），顯示手腕信號在連續(xù)角度預測中具有可比性能。
 

 
3、握力回歸與肌電分解：使用多元線性回歸（MLR）預測握力，前臂與手腕sEMG在20% MVC下的平均RMSE分別為6.25%與6.46%�；�于卷積核補償（CKC）的肌電分解結(jié)果顯示，前臂平均解碼MU數(shù)為27.79，手腕為14.25；握力擬合相關(guān)性前臂達0.90，手腕為0.78（表4，圖7）。
 

04總結(jié)與展望

HD-FW KIN數(shù)據(jù)集首次提供了同步采集的前臂-手腕HD-sEMG、手部運動學與握力數(shù)據(jù)，填補了該領域公開數(shù)據(jù)的空白。實驗驗證了手腕sEMG在手勢分類、連續(xù)運動控制與神經(jīng)驅(qū)動分析中的有效性，為手腕可穿戴設備提供了數(shù)據(jù)支持。

未來研究可基于該數(shù)據(jù)集開發(fā)魯棒的手勢識別算法、連續(xù)比例控制模型與運動單位分解方法，推動智能假肢、康復機器人及消費電子人機交互的發(fā)展。數(shù)據(jù)集的局限在于未包含手腕動作的動態(tài)運動學數(shù)據(jù)，未來可通過慣性傳感器補充。數(shù)據(jù)與代碼已開源，便于學術(shù)界進一步探索與應用。
 

原文鏈接：
 
https://doi.org/10.1038/s41597-025-04749-8

研究團隊介紹

本研究團隊來自上海交通大學機器人研究所與機械系統(tǒng)與振動國家重點實驗室，由Chaowei Guo、Zeming Zhao、Zeyu Zhou、Bin Fang、Yang Yu與Xingjun Sheng組成。團隊長期專注于機器人學、人機交互、肌電信號處理與神經(jīng)工程領域的前沿研究，致力于通過高密度表面肌電與多模態(tài)傳感技術(shù)，實現(xiàn)對手部運動意圖的精準解碼與自然交互。

在本研究中，團隊設計并完成了多被試、多手勢、多力級的實驗，構(gòu)建了首個同步包含前臂-手腕HD-sEMG、手部運動學與握力的開放數(shù)據(jù)集，為智能假肢、可穿戴設備與人機交互算法的發(fā)展提供了重要數(shù)據(jù)與技術(shù)支持。

 
聯(lián)系我們

電話: 15920901903
官網(wǎng)：https//www.ruihongan.cn