手工时域特征

手工设计的时域特征相比原始信号能将每任务准确率提升最多约40%。

在类增量漂移下，只有经验回放能保持手工特征带来的准确率增益；EWC和朴素微调无法维持这一优势。

手工时域特征通常包括均值绝对值（MAV）、波形长度（WL）、过零率（ZC）、斜率符号变化（SSC）和均方根（RMS）等，在固定长度的滑动窗口上计算，将高维原始sEMG序列压缩为低维描述子。

跨用户sEMG手势识别系统的设计原则包括：采用经验回放作为核心持续学习策略；使用打乱窗口的无状态训练；结合手工时域特征以提升基础性能。