传统机器学习

传统机器学习采用"原始信号 → 手工特征提取 → 模型训练 → 测试"的流程，每个环节均依赖领域先验知识。尽管深度学习已成为主流，传统方法在数据量有限、计算资源受限或可解释性要求高的场景中仍具有不可替代的价值。

数据预处理

原始传感信号在进入特征提取前，需经过以下预处理步骤：

• 滤波：人体 sEMG 信号的有效频谱通常为 20–500 Hz，需级联带通滤波器和陷波滤波器（50/60 Hz 工频干扰）去除噪声。
• 归一化：归一化处理旨在将不同传感器（如肌电与惯性传感器）的原始数值映射至统一的无量纲尺度，消除量纲差异带来的权重偏倚，并加快基于梯度下降等优化算法的模型收敛速度。最小-最大归一化（Min-Max）将特征映射至 [0,1] 或 [−1,1] 区间；Z-score 归一化将特征转换为均值为 0、标准差为 1 的标准正态分布，增强模型对异常值的鲁棒性。
• 窗口分割：将连续时序数据流切片为基本分析单元（Epoch）。为满足实时系统的连续解码需求，通常采用滑动窗口（Sliding Window）策略，窗口长度一般为 100–300 ms，步长为 10–50 ms。窗口长度越短，系统延迟越低，但每窗口可用的信号信息量也越少；步长越小，输出更新越频繁，但计算开销也随之增加。

特征提取

特征设计高度依赖领域先验知识，通常涵盖时域、频域或时频域融合特征，可分为三大类：

• 统计特征：均值（Mean）、标准差（Standard Deviation）、峰度（Kurtosis）等，计算高效。
• 结构参数特征：自回归（AR）模型的线性拟合斜率和截距，反映信号内在规律。
• 任务特异性特征（Heuristic Features）：针对 sEMG 信号的过零点数（Zero Crossing）、波形长度（Waveform Length）、斜率符号变化数（Slope Sign Change）等。

常用特征选择策略包括过滤法（Filter）、包裹法（Wrapper）和嵌入法（Embedded）。特征维度过高会引发"维度灾难"，导致模型在小样本数据集上过拟合，因此特征选择与降维（如 PCA）是传统流程中不可忽视的环节。

分类模型

主流分类算法包括：

• 线性判别分析（LDA）：计算简单、实时性好，是 sEMG 手势识别的经典基线方法，推理延迟可低至毫秒级，适合假肢控制等实时场景。
• 支持向量机（SVM）：在小样本场景下泛化能力强，适合高维特征空间。
• 随机森林（RF）：集成学习方法，对噪声鲁棒，可输出特征重要性。
• 隐马尔可夫模型（HMM）：天然适合建模时序状态转移，广泛用于动态手势识别。
• K 近邻（KNN）、朴素贝叶斯（NB）、决策树（DT）、多层感知器（MLP）等亦有广泛应用。

回归模型

用于连续参数估计（如手指弯曲角度）的常用回归模型：多元线性回归（MLR）、高斯过程回归（GPR）、支持向量回归（SVR）、随机森林回归（RFR）及各类人工神经网络（ANN）。

动态手势：动态时间规整（DTW）

动态时间规整（Dynamic Time Warping, DTW）通过动态规划寻找两个时间序列之间的最佳非线性对齐路径，能有效处理手势执行速度不一致的问题，是动态手势模板匹配的经典方法。DTW 的时间复杂度为 O(n²)，可通过 Sakoe-Chiba 约束带或 Itakura 平行四边形等约束策略降低计算量。DTW 在小样本场景下尤为有效——每类手势仅需少量模板即可完成匹配，无需大规模标注数据集，适合快速原型验证和个性化手势定义。

正如"没有免费的午餐"（No Free Lunch, NFL）定理所指出的，不存在能够完美适配所有手势任务和受试者数据集的通用模型。算法选择应综合考量识别精度、计算开销、内存占用、可解释性等实际需求，并通过广泛的基准测试加以验证。