肌电手势评估指标

肌电数据集的评估体系与视觉数据集存在本质差异，核心原则是稳定性与泛化性决定实用价值。由于 sEMG 信号受肌疲劳、电极漂移、受试者个体差异影响显著，单次实验的分类准确率远不足以衡量系统的实用性。

八个评估层级

层级一：手势分类基准性能

以窗口内的平均分类准确率（Mean Accuracy）为主指标，配合混淆矩阵分析类别间误识模式，Kappa 系数用于排除随机一致性的影响。适用于 Ninapro DB1–DB7 及 CapgMyo DB-a 等主流分类任务数据集。

层级二：跨日 / 跨会话稳定性

核心指标包括跨日准确率衰减曲线（Day-1 vs Day-N Acc）和域适应后的精度提升量（ΔAcc after adaptation）。Ninapro DB6 是该层级的专项基准，覆盖 5 天 × 2 次的重复采集设计。

层级三：跨受试者泛化性

采用留一受试者验证（LOSO）量化模型在未见受试者上的泛化能力，迁移学习增益（TL vs baseline）反映域自适应方法的实际贡献。跨受试者泛化是肌电识别最难克服的挑战之一。

层级四：连续关节角度回归

针对 DB8、DB9 等连续解码数据集，评估指标从分类准确率转为回归误差：均方根误差（RMSE）和平均绝对误差（MAE）衡量关节角度预测精度，R² 决定系数反映整体拟合优度。

层级五：实时性与响应延迟

假肢控制的行业标准要求端到端延迟低于 300 ms。主要指标包括分析窗口长度（150–300 ms 为常用范围）、识别延迟（Latency）和系统吞吐量（fps）。

层级六：HD-sEMG 空间特征

专属于高密度 sEMG 数据集（CapgMyo、CSL-HDEMG），重点考察单帧识别率、通道数消融准确率和电极偏移鲁棒性。

层级七：假肢控制专项评估

截肢者数据的评估中，准确率不再是唯一目标。拒绝率（RR）和假激活率（FAR）衡量系统安全性，任务完成率（CR）从功能维度评估实用价值。

层级八：信号质量与采集

信噪比（SNR）和最大自主收缩归一化（MVC）是采集质量的基础保障指标，肌疲劳检测（中位频率下移）用于识别长时间采集中的信号退化。

各数据库评估指标速查

小结

视觉与肌电评估体系的根本差异在于：视觉评估的核心是标注粒度决定指标，而肌电评估的核心是稳定性与泛化性决定实用价值。两类数据集共同面临三项 EMG 特有挑战：

• 时间非平稳性——肌疲劳、电极漂移、跨日变化
• 受试者间高变异性——肌肉解剖结构与使用习惯差异
• 分类与回归范式的割裂——离散手势标签 vs 连续关节角度解码