一般来说，基于瞬时肌电图像的手势识别可以被定义为图像分类问题，可以通过标准的有监督学习来解决：给定具有手势标签的瞬时肌电图像集合作为训练数据，训练一个分类器来识别每一幅新的肌电图像所对应的手势。
因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。针对基于肌电信号的会话间手势识别，已有方法通常需要用户在新的会话开始时进行标定，然后使用标定数据来适配模型。 基于深度机器学习的领域自适应框架，用于提升基于肌电信号的会话间手势识别的准确率，同时降低模型适配过程中所需要的用户交互的复杂度。
笔记
每个MU激活过程中的“放电”(discharge)或“发射”(firing)产生了运动单元动作电位(motor unit action potential，MUAP)。MUAP是组成MU的每个纤维所贡献的电位的总和。