三块前臂通道识别五种手势
论文的目标是一款肌电假手：表面电极读取前臂肌肉收缩时产生的微弱电信号，分类器把这些信号映射为手势，再驱动假手的电机。设计目标刻意收窄——五种手势类别、三路输入通道，硬件成本要低到能服务发展中国家的截肢者；论文指出，估计4000万截肢者中只有5%能获得任何类型的假肢。
五种类别分别是手张开、手闭合（抓握）、腕部顺时针旋转（伸展）、腕部逆时针旋转（屈曲）和放松。信号来自按一般EMG记录指南任意放置在上前臂的三块电极。每种手势每次试验持续10秒，记录中刻意包含从静止进入手势的过渡段以及持续保持段，因为作者认为，只用稳定收缩训练的分类器会在实时使用中占主导的过渡阶段性能下降。
时间域与频率域特征共用同一网络结构
两种分析都采用2000样本/秒的采样率和128样本的滑动窗口，因此比较时采样率与窗口大小保持一致。在频率域，快速傅里叶变换把每个窗口转换为64个约15.6 Hz的频段；为适应Arduino的内存，每个通道只取功率最高的8个频段作为网络输入，共24个输入神经元。在时间域，每个通道计算方差、平均绝对偏差和波形长度，共9个输入神经元。
两个版本都使用浅层前馈网络：一个10神经元的隐藏层采用tansig传递函数，一个5神经元的softmax输出层，因此输出是每种手势的概率，概率最高者即为分类结果。训练在外部计算机上用MATLAB完成，只有分类在Arduino Mega 2560上运行；作者这样拆分是因为训练计算开销大，而他们希望压低系统成本。
时间域特征在准确率和速度上都占优
在预先存储的训练和测试数据集上，时间域网络的平均分类准确率为94.8%，频率域网络为93.2%。差距不大，但论文的对比表显示计算代价差异明显：算法复杂度时间域为O(n)，频率域为O(n log n)；特征提取每个窗口耗时26 ms对198 ms；训练耗时1秒对33秒。训练轮数则相反，时间域99轮，频率域70轮。
这些数字解释了最终的选择。作者选用时间域流程作为假手的分类方法，因为它同时带来更高的平均准确率和更快的响应，而用户在手势之间切换时，假手需要及时反应。准确率是论文存储测试数据上的平均值，不是每种手势的保证值；论文为两个域分别给出混淆矩阵，而不是只报一个总体数字。
两种手势驱动腕部旋转机构
基础假手用两个伺服电机实现两个自由度。作者增加了一个腕部旋转机构，由五种手势中的两种控制，每个方向对应一种手势，使整体设计达到三个自由度。这是设计与测试结果，不是分类准确率结果：该机构扩展了同一套五类输出所能驱动的动作，而没有给分类器增加新的手势类别。
这一区分对理解论文的主张很重要。94.8%描述的是手势分类，而不是腕部旋转或抓握力的可靠性。腕部机构的贡献在于功能范围——同一分类输出现在能驱动假手更多的运动。
力传感器与振动电机提供触觉反馈
论文还搭建了一条触觉反馈通路：力敏电阻测量手部受到的力，硬币振动电机把力的大小传达给使用者。假手被划分为三个区域，每个区域对应一个振动电机，每个电机在0至2.5 V之间工作，2.5 V为最大振动。传感器受力越大，其电阻越低；如果力超过最大阈值，电机保持最大功率振动。
作者把这种反馈描述为对整个假手的显著改进，并将其视为与使用者感官整合的一部分。证据包没有报告测量佩戴者能否理解振动的用户研究，因此这一反馈主张的依据是系统已被搭建和描述，而不是测得的感官表现。
成本目标是零件清单而非临床结果
论文的成本表逐项列出搭建用料：Arduino Mega 2560为38.50美元，三个AD620放大器每个12.60美元，三个AD8618单元每个6.12美元，三个GWS MICRO 2BBMG伺服电机每个15.85美元，3D打印PLA零件80美元，一个钢珠轴承2.00美元，五个FSR 400力传感器每个6.95美元，三个硬币振动电机每个0.30美元。这些是元件价格，不是整机总价，也没有与商用假肢作比较。
因此，可负担性论证依赖物料清单，以及让计算保持轻量的设计选择——三路通道、每通道8个频段、训练交给MATLAB、分类在256 KB闪存的Arduino上运行。论文把准确率和复杂度结果称为低成本肌电假手的原理验证，这是恰当的范围：它展示了一个可工作的搭建方案，而不是截肢者的实地使用表现。
准确率结论受测试设置限制
94.8%和93.2%来自按所述协议采集的预先存储训练和测试数据集，两种分析使用相同的采样率和窗口大小。论文没有报告独立的用户研究、参与者人数，也没有报告不同人长期佩戴假手时的表现，因此这些数字应理解为该数据集上的分类准确率，而不是新用户的预期准确率。
论文自己的比较部分说明了背景为何重要：它引用先前工作，其中相对训练数据减少测试数据会抬高准确率，而通道数从六路降到三路会使准确率从94.1%降到85.25%。这里的三通道设计是有意的成本与复杂度权衡，所报告的准确率属于这一配置和这一记录协议。
驱动设计选择的是速度而非准确率差距
这篇论文中最具决策相关性的比较不是94.8%对93.2%，而是在仅限Arduino Mega 2560的硬件上，特征提取每窗口26 ms对198 ms，以及O(n)对O(n log n)的复杂度。对于必须在用户手势切换时及时响应的假手，1.6个百分点的准确率差异很少能证明约七倍的单窗口特征提取时间合理。
因此论文的实际优先级很清楚：对于在微控制器上控制的低成本、三通道、五手势假手，作者选择的是时间域特征加浅层网络的配置，腕部旋转机构和振动反馈是在同一套五类输出上叠加的附加功能。证据留下的开放问题是，这一配置在截肢者和跨多次使用中的表现如何，而所报告的数据集并未测量这一点。
本文引用的文献
Development of a Low-Cost Prosthetic Hand Using Electromyography and Machine Learning
一个使用三块前臂通道时间域EMG特征的浅层神经网络，对五种手势的平均分类准确率为94.8%，频率域特征为93.2%；时间域的特征提取更快（每窗口26 ms对198 ms）、复杂度更低，因此假手控制采用了时间域流程。