- 连续估计高维手指运动学能够实现假肢、AR/XR交互和遥操作的**自然控制(natural control)**，但现有方法大多依赖基于分类的机器学习，限制可控自由度且牺牲自然交互
- 人类手势复杂性和前臂肌肉纠缠使得准确识别高维手指运动具有**本质挑战(intrinsically challenging)**
- 现有方法缺乏使用消费级硬件进行**连续回归(continuous regression)**的端到端框架，且缺乏大规模同步数据集
- 提出**端到端(end-to-end)框架**，结合8通道EMG臂带、单个网络摄像头和自动同步流程，构建了**EMG-FK数据集**（10小时，20名受试者，15个手指关节角度）
- 引入**时间黎曼回归器(Temporal Riemannian Regressor, TRR)**，一种轻量级**门控循环单元(GRU)**模型，利用**多频段黎曼协方差特征(multi-band Riemannian covariance features)**序列解码手指运动
- 在EMG-FK和公共emg2pose基准上进行**受试者内(intra-subject)**和**跨受试者(cross-subject)**评估，并在Raspberry Pi 5上实现实时部署（约10次预测/秒）
- **首创性**：首次使用消费级硬件实现**连续EMG到运动学回归(continuous EMG-to-kinematics regression)**，避免分类限制，支持高维手指运动
- **特征创新**：提出**多频段黎曼协方差特征**结合GRU序列建模，有效捕获EMG时空结构，优于现有方法
- **效率提升**：TRR在嵌入式设备（Raspberry Pi 5）上运行速度比现有方法快一个数量级（~10 Hz），同时保持高精度
- **数据集价值**：提供大规模同步EMG-手指运动学数据集（EMG-FK），包含丰富非约束右手运动，促进可重复研究
- 为EMG解码领域提供了**低成本、高精度、实时**的高维手指运动估计框架，降低进入门槛
- 在EMG-FK和公共基准上，TRR在受试者内和跨受试者评估中均达到**最优性能(SOTA)**，验证了方法的泛化能力
- 展示了机器人手直观控制，证明了从消费级EMG到实际**嵌入式系统(embedded systems)**的可行性
- 开源数据集和框架促进**可重复研究(reproducible research)**，推动自然、直观的EMG控制交互发展