2025年2月，团队博士生李怡欣的论文“A Lightweight Hybrid Encoder-Decoder Framework for Multiple Degree of Freedom Muscle Force Estimation”被IEEE Transactions on Neural Systems and Rehabilitation Engineering期刊接收。通过表面肌电分解提取得到的运动单元（MU）放电信息在灵巧手指运动意图解码中表现优越。然而目前仍存在一些关键约束可能会限制多指指力估计性能，如：忽略MU放电的时间累积效应和手指MU池的僵化刚性分配方式。因此，本研究提出了一种将肌电分解与时间发射率网络相结合的混合编解码框架。该框架使用TFR来反应力量累积过程，并在多指和多力量水平的任务中动态灵活地分配MU权重，而不是刚性的MU池分配。

图1 混合编解码框架结构图

通过10名受试者15分钟数据的评估，结果表明，与两种基线方法（抽搐力模型方法TF，基于放电率的回归方法FR）相比，所提出的方法（TFR）表现出优异的综合性能，具有更高的相关性（R²: 0.80±0.12 vs.0.75±0.14 vs.0.62±0.19）和更低的预测误差（RMSE: 6.32%±1.89%vs.7.24%±1.82%vs.9.96%±2.54%%MVC），并且与抽搐力模型方法相比，计算效率提高（Flops:1.350k vs.408.093k vs.0.016k）。所提出方法的进一步发展可能为现实应用中的灵巧手指力预测提供强大的人机界面。

图2 指力预测性能结果统计图（左）及 代表性指力预测结果（右）

该研究成果由西安交通大学机械工程学院的研究人员共同完成。团队郑杨副教授为第一作者和通讯作者，李怡欣为第一学生作者。