sEMG的深度学习任务，说白了就是另类的翻译任务。即将数字信号（往往为多通道的时序连续电位序列）翻译为运动信号（一种经典的表示是关节的角度时序序列），抛开生理学特征，表现到深度学习中为一个seq2seq任务。

上图为一个基于肌电信号的运动预测系统流程。可以看到一个经典的处理模式为获取信号→信号处理→特征提取→模型/算法预测，我们更偏重于特征提取与模型的部分，而信号获取与预处理，如Ninapro等公开数据集已经做的相当不错了，当然自己采集的数据还是不能忽略这两个环节。

1. 特征提取

肌电信号领域内，针对肌电信号的特征往往有三类：时域、频域、时频域，当然深入特征挖掘工程时，它们往往会被多个结合使用。时域特征从sEMG中直接计算提取，关注信号的时间上下文关系；频域特征则需要和功率谱（Power Spectrum，PS）打交道，关注信号的能量特征；时频域二者兼顾，但是要求耗时的计算，对于sEMG这种多用于终端设备和边缘设备，又要求实时性的应用场景来说不太合适。

• 时域特征：Mean Absolute Value (MAV), Integrated Electromyogram (IEMG), Root Mean Square (RMS), Zero Crossing (ZC), Slope Sign Changes (SSC), Waveform Length (WL)。
• 频域特征：Auto-regressive Coefficients (AR), Power Spectrum (PS), Mean Frequency (MNF), Median Frequency (MDF), Frequency Ratio(FR)。
• 时频域：STFT短时傅里叶，WT小波变换

说那么多，领域内大多还是直接用的原始信号，最多用个RMS顶天了，乐。不过也有人研究特征工程，即怎么提取，怎么组合这些特征能让模型得到更好的结果，但验证一般选择简单和基础的模型，实际效果有待商榷和验证。

2. 推理模型——方法论现状

sEMG领域在深度学习中作为一个后来的，更多为应用的领域，在深度学习的方法性上自然始终落后于深度学习的前沿领域。在目前阶段，将RNN，TCN，Transformer系等序列模型的基础模型应用于领域就能得到领域内的前沿结果，然而这种“前沿”结果往往才到90出头的准确率（CC），在精度要求高的该应用场景下（基本都是如此）在我看来还远达不到投入实用的标准。当然，我们也可能看到过肌电操作机械臂的视频/演示，它们往往基于分类模型——只要把你的手势识别出一个标签，然后做标准动作就行，有相当的实际意义，但仍只是玩具阶段。

3. 评价标准

目前来看，主要使用到的评价标准有3个：皮尔逊相关系数（PCC）、均方根误差（RMSE）、决定系数R²，也都是回归任务常用标准，不多赘述。

4. 领域困境

深度学习方法不是万能的，肌电领域放到计算机中去有它自己的困境，但基本也是其他生理信号处理领域的困境。

1. 数据量的缺乏。生理电信号的数据集规模是远小于普遍意义上的CV任务与NLP任务的，其采集效率的低下，还有可能涉及到的伦理/隐私问题——即便这个问题已经开始淡化了。肌电数据集规模往往很小。
2. 肌电信号具有强烈的个人特征。肌电信号具有强烈的个人特征，它与一个个体当时的身体情况息息相关，不说不同个体间信号特征大不相同，同一个人度过了足够长的时间，其信号特征也会有巨大的变化。更有肌电信号不止有运动信息，即有很大的信息冗余，再叠上第1点的buff，使得领域内方法模型的泛化性受到很大挑战。

5. 领域趋势

泛化性，泛化性，还是TM的泛化性

——同时别忘了高效

不过，要求高泛化性不一定就是在单个模型上就实现的，我们也可以在时间尺度上来进行妥协。

1. 当然的，提升模型方法本身的泛化性，一个模型打天下，就现在而言难度过高。
2. 迁移学习。经典中的经典，落到肌电领域的话，更加看重迁移的效率。使用越少的数据，迁的越快越好，延伸可以走零样本学习和元学习的路子。
3. 进一步，终生学习，或持续学习，能使模型学到新知识的同时不忘记旧的。从而逐步提升泛化性。

泛化性外，提升准确率和效率也是领域内额外关注的问题，除了从模型本身出发外，想特征工程相关的方面也是需要考虑的点。