1. Introduction
肌电控制主要有两个方案：
- PR-based control
- regression-based control
通常只包含时域特征或者频域特征。
多自由度手腕动作估计：
Regressionconvolutional neural network for improved simultaneous EMG control
Decoding simultaneous multi-DOFwrist movements from raw EMG signals using a convolutional neural network
肌电控制中，CNN模型能够用于减少电极移位的影响，并结合自我校准来在跨天的情况下保持性能。
本文的意义：
力的变化会影响运动单元募集的空间分布，进而导致sEMG信号的不同空间模式。因此，将空间信息引入基于sEMG信号的SPC具有至关重要的意义。本文将每一时刻的高密度肌电作为一幅图像，使用CNN进行力矩估计。
Methods
实验范式：单自由度——5个 trial；双自由度——2个 trials。每个 trial 持续30s，动作的频率小于1Hz
神经网络的结构：27层
输入：8 × 24 × 1
输出：1 × 1 × 2
评价标准：
对预测后的力矩进行了一个滑动窗口滤波，滤除了尖刺，更平滑更接近真实的力矩
与传统的回归器做比较：
- linear regression (LR)
- support vector regression (SVR)
- artificial neural network utilizing histogram of oriented gradient (annHOG) as features
- CNN model with short-time Fourier transform (STFT-CNN)
3. Conclusion
- 本文提出的方法有最高的相关系数，最小的nRMSE，最好的平滑度
- 对CNN提取的特征做主成分分析，发现第一主成分和Fle-Ext的力矩相关；第二主成分和Pro-Sup的力矩相关