用于假手控制应用的肌电图 (EMG) 信号处理与分类技术进展：全面综述

假手控制处于生物医学工程与康复医学的关键交叉领域，旨在通过精确解析神经肌肉信号来恢复截肢患者的自然手部功能。肌电图 (EMG) 已成为实现直观控制的主导技术，尽管在研究环境中取得了可喜的成果，但在将这些进展转化为可靠的现实临床应用方面仍面临重大挑战。为了评估该领域的现状，本研究根据 PRISMA 指南开展了系统文献综述，检索范围涵盖 PubMed、IEEE Xplore 和 Google Scholar。最初共检索到 285 项研究，其中 52 项基于分类准确度、实时实施可行性和临床适用性符合纳入标准。分析显示，深度学习技术始终优于传统方法，而多模态数据的整合以及先进预处理方法的使用显著提高了系统的鲁棒性。然而，实时实施引入了关键的性能权衡，特别是在延迟和功耗效率方面。尽管基于 EMG 的控制系统已达到临床适用阶段，尤其是深度学习模型展现出优异的离线性能，但成功部署仍需要能够在高准确度 (>90%)、低功耗 (<2W) 和快速响应时间 (<300ms) 之间取得平衡的混合策略。诸如电极稳定性下降导致准确度下降 18–25% 以及会话间变异性等持续存在的障碍，突显了采用自适应校准机制的必要性，以确保一致的长期性能并促进广泛应用。