上肢EMG信号功能性运动的无监督聚类与分类：数据驱动方法
机器学习
2026-05-21 v1
摘要
本研究提出一种针对功能伸展和抓握运动中上肢表面电位图(sEMG)信号聚类与分类的综合方法。该方法应用于NINAPRO DB4数据集，该数据集提供了52种手势的多通道EMG记录。设计了四阶段管道，包括信号预处理、特征提取、通过层次聚类进行手势选择以及比较模型评估。预处理采用四阶低通滤波器(0.6 Hz)和希尔伯特包络变换，有效降低噪声并增强信号清晰度。特征提取产生26个时域和频域指标，后通过视觉分析、互信息、主成分分析和决策树重要性得分进行筛选。最终选出5个关键特征用于分类任务。采用马哈努里距离进行层次聚类手势选择， resulting in六种代表性运动，平衡生物力学多样性与计算效率。识别出200 ms窗口作为基于稳定性和生理合理性的最优时间分段。评估了分类模型的性能。使用PyCaret进行自动比较，识别出Extra Trees(ET)和人工神经网络(ANN)为 top表现者。后续独立训练确认了它们的稳定性和泛化能力，ANN表现出渐进式学习，ET保持稳健且一致的结果。这些发现支持实施具有适应性和低延迟控制策略的肢体假肢，并为未来实时应用提供可扩展的管道。
引用
@article{arxiv.2605.20599,
title = {Unsupervised clustering and classification of upper limb EMG signals during functional movements: a data-driven},
author = {L. F. Salazar Álvarez and D. Escobar-Saltarén and M. B. Salazar Sánchez and S. C. Henao-Aguirre},
journal= {arXiv preprint arXiv:2605.20599},
year = {2026}
}
备注
19 Congreso Colombiano de Computaci\'on (19CCC)