仪器仪表学报

作者：石欣，黄良文，梁飞，唐佳，秦鹏杰

单位：石欣,重庆大学自动化学院重庆400044,,黄良文,重庆大学自动化学院重庆400044,,梁飞,重庆大学自动化学院重庆400044,,唐佳,重庆大学自动化学院重庆400044,,秦鹏杰,深圳大学人工智能学院深圳518060,pj.qin@szu.edu.cn,

关键词：肌电信号;深度学习;特征解耦;领域泛化;模式识别

基金：国家重点研发计划（2023YFB4704000）、国家自然科学基金青年科学基金（62403453）、广东省基础与应用基础研究基金(2025A1515011973)、中国博士后科学基金（2024M76344）项目资助

基于表面肌电信号(sEMG)的下肢运动意图识别技术在人机交互领域(HMI)展现出广阔的应用潜力。然而，由于表面肌电信号固有的个体差异性，被试间肌电特征分布存在显著域偏移，肌电识别系统在跨被试场景下的泛化性仍是难题。故提出一种空间注意力的双流时频卷积网络-门控特征解耦(CSACNN-GFD)方法。网络采用双分支时频输入结构，利用具有空间注意力的多尺度卷积模块捕捉多通道sEMG的空间相关性与时频动态特征，增强运动意图信息提取能力；构建具有互补机制的门控解耦模块，设计解耦损失函数约束特征提取与门控学习，实现深层表示空间下的自适应特征划分，完成运动相关与被试相关信息解耦，利用跨被试不变的运动特征进行模式识别。研究采集了10名受试者的5类常见下肢连续运动肌电数据，在留一被试交叉验证(LOSO)设置下与现有的泛化策略进行运动模式识别对比实验。CSACNN-GFD在新被试上的平均准确率为84.29%，并在公开数据集8类运动中进一步验证，平均准确率73.83%。相比于基线模型平均性能分别提升4.32%和6.55%。结果表明，CSACNN-GFD优于MIXUP、DANN、CORAL、以及DIFEX等对比方法。平均推理时间为9.57ms，具有良好的实时性。该方法提升了跨被试肌电识别系统的泛化性能，有助于人机交互技术的普适化发展。

来源：2026年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第2期