2025年2月，课题组李怡欣博士的论文"Real-time EMG Decomposition across Neural Excitation Levels using Dual Self-Attention Residual Network"被IEEE Transactions on Instrumentation and Measurement期刊接收。利用肌电分解提取的运动单元放电信息在灵巧手指运动解码方面表现出优异性能。为了减轻灵巧手指力在大范围内变化引起的非平稳肌电活动对实时肌电分解的不利影响，该研究提出了一种实时肌电分解方法，该方法利用基于双重自注意力残差网络（ELC-Net）识别神经驱动水平来自动交替运动单元的多个分离向量。

图1 用于神经驱动水平识别的双重自注意力残差网络（ELC-Net）结构图

该研究通过仿真肌电和实验肌电信号进行了验证，其中神经驱动水平在较大范围内进行伪随机变化，而不是固定水平的重复力目标。仿真研究的结果表明，与FS（固定分离矩阵）方法相比，AS（交替分离矩阵）方法获得了显著更高的放电尖峰检测准确率（87.55%±3.75% vs. 84.05%±4.11%）。实验研究的结果表明，在多指指力预测上，与FS方法相比AS方法的力预测性能显著提高，表现为估计力和真实力之间的相关性更高（R²:0.82±0.06 vs.0.76±0.07），偏差更小（RMSE:8.87%±1.53% vs.13.61%±0.92% MVC（最大自主收缩力））。所提方法的进一步发展可能会为灵巧手运动控制提供一种稳健的人机接口。

图2 仿真结果（左）和实验结果（右）

研究成果由西安交通大学机械工程学院、生命学院以及得克萨斯大学健康科学中心的研究人员共同完成。课题组郑杨老师为通讯作者。