这篇文章的强调点也是动作的选取，强调选取了日常生活中实用的动作。使用了MTL和Post-Processsing方法。
1. 引言
肌电控制主要有三种策略：
阈值控制
比例控制
模式识别控制：是一种实现多元控制的有效方法
一个例子：一个肌电假手的抓取任务首先是调整手势使得形状贴合物体，然后采用合适的力抓取物体。
The early researches on myoelectric control generally focus on the realization of high-precision motion intention recognition, and most EMG pattern recognition schemes are carried out at the medium force level. A few researches that consider the motion intention and control force simultaneously appear now and then in recent years.
同步学习的一些方法：
- Multivariate Bayesian hybrid expert model
- multi-task learning based convolution neural network
- AGrM
目前存在的问题：
- 研究的动作可区分度都很高
- 识别率低（76.55%）。一些解决方法：time-dependent power spectral descriptors （87.95%）
传统的post-processing algorithms：
- window based
- result confidence based
- error tolerant and control strategy optimized
2. 实验
人数：11人（11男）
动作：11个
电极位置：小臂屈肌部分
实验曲线：
- MVC
RFP task
- sinusoidal （0 - 60% MVC）：用于手势识别和力回归的训练数据获取
- constant (40% MVC)：用于autoencoder模型的训练
SFP task
归一化：EMG使用所有通道的绝对值最大值归一化，力曲线使用MVC归一化。
3. 方法
将预处理的手势sEMG样本和相应的力包络分别输入长短期记忆（LSTM）网络和多层感知器（MLP），并通过MTL技术同步获得原始手势类别和瞬时力的结果。特别是应用了一种基于阈值方法的后处理算法，克服了力的变化对手势识别精度的影响。
MTL：
- 硬参数共享
- 软参数共享
LSTM： 识别动作
- LSTM的输入等于电极通道的维度
- LSTM的神经元个数取决于窗口长度
- 每一个隐层后都有一个Relu层
- 最后一个全连接层为softmax层
MLP（多层感知机）：用于实时力估计（MLP 是一个由全连接层构成的多层神经网络，主要有输入层、隐藏层、和输出层）