十类动作识别率92.78%
面向灵巧假肢的十类手内操作分类模型，融合EEMD降噪、MVAR特征与GBDT分类，较传统手势识别提升手部精细动作解析能力。
Xue, Yaxu · Feifei, Ru · Haojie, Du · 尹凯阳 · 李鹏飞 · Ju, Zhaojie
IEEE Access 2025
对10类手内动作的综合识别准确率达到92.78%，证明该方法能有效捕捉精细动作的肌电模式。
采用集成经验模态分解（EEMD）对原始SEMG信号进行去噪，能有效减轻噪声干扰并提高信号质量，为后续特征提取和分类奠定基础。
通过多元自回归（MVAR）模型提取特征，能对SEMG信号进行详细的非线性分析，捕捉复杂的时间动态信息，有利于区分不同手内动作。