技术博客arXiv cs.AI·2 小时前

基于sEMG信号的图神经网络实时手势识别准确率达99%

原标题：A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals

速览

表面肌电信号(sEMG)常用于手部假肢和AR控制的手势识别。本文提出一种基于图网络的新型sEMG表示方法，捕捉前臂肌肉激活模式。利用图神经网络(GNN)开发实时手势识别算法，在8名健康受试者使用Myoband采集的数据上，平均分类准确率达99%，超过当前最优方法。图构建和预测平均耗时仅48ms (M1 Pro CPU)，适合实时应用。

AI 深度解读

基于 sEMG 信号的图神经网络实时手势识别模型

来源： arXiv cs.AI
提交日期： 2026 年 7 月 8 日

背景

表面肌电图（sEMG）信号因其非侵入性、易于采集的特点，在先进手假肢控制、增强现实等人机交互领域被广泛用于手势识别。然而，传统方法往往需要大量特征工程，且难以同时兼顾高精度与低延迟的实时性要求。肌肉在运动时，前臂不同位置的肌电信号并非独立，而是呈现空间激活模式。如何有效建模这种肌肉间的协同关系，并从中快速解码手势，是当前研究面临的关键挑战。本文提出一种基于图神经网络（GNN）的 sEMG 表征方法，利用图结构描述前臂肌肉激活模式，并在此基础上构建实时手势识别算法，取得了超越现有最好技术的性能。

核心内容

本文的核心贡献在于提出了一种将 sEMG 信号转化为图网络表示的新方法，并基于该表示训练了一个图神经网络用于手势分类。具体而言：

信号采集与数据来源：使用 Myoband 设备采集 8 名健康受试者的 sEMG 信号。Myoband 在前臂周围均匀放置 8 个电极，每个电极记录一个通道的肌电活动。
图网络构建：将每个电极视为图中的一个节点，节点的特征向量由对应通道的 sEMG 时间序列或提取的统计特征构成（原文未详细说明具体特征）。节点之间的边则根据电极的空间位置（例如相邻电极的关系）或信号相关性进行连接，从而形成反映肌肉激活空间模式的无向图。这样的图结构天然地保留了前臂肌肉的解剖协同关系。
机器学习模型：采用图神经网络（具体架构未在摘要中给出，可能是基于消息传递的 GCN 或 GAT）对上述图数据进行学习。模型以图结构及节点特征为输入，输出手势类别（具体手势数未提及，但通常为多种常见手势）。
性能评估：
- 分类准确率：在 8 名受试者的数据上，平均分类准确率达到 99%，超过了当前最先进方法的水平。
- 实时性：在图构建与预测的总耗时上，使用 Apple M1 Pro CPU 时，平均处理时间为 48ms，满足实时应用要求（通常 50ms 内即可视为实时）。
硬件环境：全部计算在 M1 Pro 处理器上完成，未使用 GPU 加速，突出了算法的高效性。

总结来说，该工作通过将 sEMG 信号建模为图结构，利用 GNN 捕捉空间激活模式的关联性，在极低的延迟下实现了接近完美的识别精度。

关键要点

图表示创新：首次将前臂 sEMG 电极信号构建为图网络，使得模型能够利用肌肉激活的空间拓扑信息，而非仅处理独立通道的时序信号。
高精度：在 8 个电极、8 名受试者的数据集上取得平均 99% 的分类准确率，显著优于现有最先进算法（原文未列出具体对比方法）。
低延迟：在图构建和推理阶段总耗时仅 48ms（M1 Pro CPU），完全满足实时手势识别需求（通常要求 <100ms）。
无需 GPU：使用普通 CPU 即可达到实时性能，降低了硬件门槛，便于部署于嵌入式或便携式设备。
受试者数量有限：目前仅在 8 名健康受试者上验证，未涉及运动障碍患者或大规模人群，泛化性有待进一步验证。
电极数量固定：基于 8 电极 Myoband 设计，若电极数量或布局改变，需要重新构建图的邻接关系或调整模型结构。

意义与影响

这项研究成果对 sEMG 手势识别领域具有多重意义：

为肌电信号处理提供新的范式：将信号建模为图而非传统的时间序列或频域特征，既保留了电极间的空间结构，又简化了特征工程。这种图表示方法可能推广到其他多通道生物信号分析（如脑电图 EEG、肌电图 EMG 的多电极配置）。
推动实时人机交互应用落地：99% 的准确率与 48ms 的延迟意味着该模型可以直接用于需要即时响应的场景，例如：
- 智能假肢控制：截肢者可通过自然手势实时操控义手，提升日常生活的便捷性与流畅度。
- 增强现实/虚拟现实（AR/VR）：用户无需物理控制器，仅凭手臂肌肉电信号即可实现菜单导航、物体抓取等交互。
- 无声语音识别（结合面部肌电）：虽然本文关注手势，但方法可扩展至面部肌肉激活模式识别。
算法效率与硬件兼容性：仅靠 CPU（M1 Pro）即可达到实时性能，意味着模型可以在资源受限的嵌入式系统（如树莓派、智能手机或专用肌电手环）上运行，无需依赖昂贵的 GPU，降低了商业化部署成本。
未来研究方向：
- 跨受试者泛化：当前仅 8 名受试者，下一步需在更多人群（包括截肢者、不同性别/年龄/臂围）上验证，甚至探索域自适应或迁移学习方法。
- 真实动态环境：实验中可能是静态或限定手势集，实际应用中需考虑手腕运动、手臂姿态变化对肌电信号的影响，以及电极移位等问题。
- 扩展电极数量：若提高电极密度或使用高密度 sEMG 阵列，图网络的节点数增加，可捕获更精细的肌肉激活模式，有可能进一步提升识别精度或手势种类。
- 轻量化与边缘部署：可进一步压缩图神经网络模型大小（例如通过剪枝、量化）以适应更小型的可穿戴设备。

总体而言，该论文提出的 GNN 框架在不牺牲实时性的前提下将手势识别准确率推至接近完美，为下一代基于肌电的智能假肢与沉浸式交互提供了有力的技术支撑。

查看原文 →arxiv.org