利用深度序列学习从 EEG 重建上肢运动活动的表面 EMG

基于摘要分析。该研究针对上肢运动活动，提出利用非侵入式 EEG 和深度序列学习重建表面 EMG，以在推理时不直接测量肌肉信号的条件下解码肌肉活动。作者将其定位为学习直接皮层—肌肉映射的初步概念验证，而非已经完成临床或实际控制验证的系统。 机制上，框架结合信号预处理与时空建模，由训练后的模型合成表面 EMG。摘要未提供预处理步骤、序列模型结构、损失函数、EEG 与 EMG 的同步方式或输入输出时间窗口，因此尚不能判断其如何处理两类信号的时间对应关系，以及重建目标是原始波形还是经过处理的肌电表示。 作者报告，合成的表面 EMG 与真实 EMG 接近，并主张以单一 EEG 模态替代传统 EEG–EMG 双模态系统，可降低硬件复杂度，同时保持较高的神经肌肉解码保真度。但摘要没有给出定量指标、对照基线、数据集、被试数量或被试内、跨被试、跨会话评估协议；实验协议、消融及统计信息尚未验证。单模态部署也不意味着训练阶段无需 EMG，训练监督与参考信号的具体获取方式需要全文核对。 作者提出的潜在用途包括辅助控制、康复反馈和运动意图解释，目前应视为应用前景。复现时需核对 EEG–EMG 配对数据、上肢任务与肌肉位置、时序对齐、数据划分及重建指标，并区分信号重建质量与实际控制性能；摘要不足以确认其在跨被试或跨会话条件下的泛化能力。