[论文解读] The Spatial and Temporal Resolution of Motor Intention in Multi-Target Prediction

Marie Dominique Schmidt, Ioannis Iossifidis|arXiv (Cornell University)|Mar 5, 2026

Muscle activation and electromyography studies被引用 0

一句话总结

该研究在延迟到达任务中通过多通道EMG解码上肢运动意图，使用RF和CNN预测25个空间目标，并分析意图的空间/时间分辨率。

ABSTRACT

Reaching for grasping, and manipulating objects are essential motor functions in everyday life. Decoding human motor intentions is a central challenge for rehabilitation and assistive technologies. This study focuses on predicting intentions by inferring movement direction and target location from multichannel electromyography (EMG) signals, and investigating how spatially and temporally accurate such information can be detected relative to movement onset. We present a computational pipeline that combines data-driven temporal segmentation with classical and deep learning classifiers in order to analyse EMG data recorded during the planning, early execution, and target contact phases of a delayed reaching task. Early intention prediction enables devices to anticipate user actions, improving responsiveness and supporting active motor recovery in adaptive rehabilitation systems. Random Forest achieves $80\%$ accuracy and Convolutional Neural Network $75\%$ accuracy across $25$ spatial targets, each separated by $14^\circ$ azimuth/altitude. Furthermore, a systematic evaluation of EMG channels, feature sets, and temporal windows demonstrates that motor intention can be efficiently decoded even with drastically reduced data. This work sheds light on the temporal and spatial evolution of motor intention, paving the way for anticipatory control in adaptive rehabilitation systems and driving advancements in computational approaches to motor neuroscience.

研究动机与目标

• 调查空间上更精确的EMG如何预测抓取方向与目标位置。
• 确定从运动计划前到接触后保持期间，预测准确率的演变。
• 评估EMG通道选择与时间窗对解码性能的影响。
• 比较基于EMG的意图解码的传统机器学习（Random Forest）与深度学习（CNN）方法。
• 评估在康复与辅助设备中对预见性控制的临床意义。

提出的方法

• 在VR中的延迟到达任务中，记录10个肌肉的多通道EMG并进行MVC归一化。
• 从EMG窗口提取28个时序、频率与时频域特征。
• 使用交叉验证的、受试者特异模型训练Random Forest分类器；用Optuna优化超参数。
• 开发1D CNN结构（3个卷积层、批归一化、ReLU、池化、全局池化、两层密集层）以对目标进行分类。
• 进行通道降维与特征降维分析，识别最少的信息性子集。
• 将运动分段为八个约200 ms的时间窗，以使用置换重要性评估时序贡献。）

实验结果

研究问题

• RQ1 EMG基于解码在抓取方向和目标位置方面可以达到的空间分辨率（目标粒度）是什么？
• RQ2 相对于运动开始的预测性能如何从前运动到保持阶段演化？
• RQ3 哪些EMG通道和特征对解码准确性最具贡献，减少后对性能有何影响？
• RQ4 在此任务中，CNN在工程化EMG特征上是否提供与RF相当或更优的性能？
• RQ5 从EMG中最早可以可靠预测目标的时间点是什么？

主要发现

• Random Forest在25个目标上达到80%的准确率；同一任务下CNN达到75%准确率。
• 基线RF在全通道/全特征下在受试者间中位数准确率为75%；错误分类多为邻近目标之间。
• 将目标数量减少到12或13时，在受试者间中位数准确率提升至95%。
• 七个EMG通道加八个特征，再加七个后期时间窗与整个运动窗的组合，最高可达80%的中位数准确率。
• 运动前分类在25个目标上为13%，对四分类（角落目标）情景为64%，表明准备状态肌肉活动编码了目标信息。
• 将25个目标分解为行/列预测时，CNN变体在行方向的准确率可达90%，在列方向可达80%；但整体在25目标下仍约为75%。