從表面肌電解碼微觀神經驅動信息的探索與應用
Part.1 研究背景
表面肌電（surface electromyogram, sEMG）是肌肉收縮時表面電極在皮膚表面記錄到的所有激活運動單位（motor unit, MU）波形疊加得到的電生理信號，能夠反映被檢肌肉的活動特性，可用于檢測神經肌肉系統的健康狀態和理解人體的運動模式與意圖[1]。近年來，高密度表面肌電（high-density sEMG, HD-sEMG）[2]被廣泛應用，通過二維陣列式排布的電極能夠獲取豐富的時空信息，使得從高度混疊的HD-sEMG信號中提取MU活動信息成為可能，肌電分解技術[3]應運而生。盡管表面肌電因信噪比低且波形疊加嚴重，給分解任務帶來了巨大挑戰，但其無創的測量方式使得該技術的實現具有廣闊的應用前景。經表面肌電分解可以得到單個MU的募集和發放信息以及運動單位動作電位（motor unit action potential, MUAP）的波形信息，是神經驅動指令的真實呈現，成為解碼微觀神經驅動信息，揭示運動形成的生理本源的重要途經[4]。因此，該技術有助于實現能夠符合運動生理規律的魯棒自然肌電控制方法[5]，包括識別運動模式、估計收縮強度、關節力矩、角度、速度等。然而，目前肌電分解技術仍然存在分解不完全和所得的MU難以跨數據段辨識追蹤兩大技術難題，極大限制了該技術的應用。
針對上述問題，中國科學技術大學微電子學院醫療電子實驗室張旭副教授團隊致力于通過肌電分解技術解碼微觀神經指令，以構建符合運動產生神經生理規律的運動識別與意圖理解方法框架，在運動控制、神經-機器接口等方面具有應用前景。
Part.2 科學問題與關鍵技術
為了有效克服目前sEMG分解不完全和MU難以跨數據段追蹤的難題，研究團隊提出了融合神經生理計算模型和機器學習的MU信息處理和功能解析的方法，并將其成功用于高精度肌力估計，如圖1所示。具體內容如下：
1 MU聚類追蹤
研究團隊提出一種基于k-means聚類的非嚴格MU跨數據段辨識方法，實現MU跨活動段的追蹤。考慮到MUAP波形的空間分布能夠有效反映MU的大小尺寸和在肌肉內的位置等功能特性信息，得到如下假設：在二維電極陣列上具有相似MUAP波形的MU具備相似的功能。因此，MUAP波形空間分布模式相似的MU可以被粗歸為同一類。研究團隊利用自主研發的逐步獨立分量剝離（Progressive FastICA Peel-off, PFP）算法進行HD-sEMG分解，得到MU的發放序列和波形信息。基于MU的波形幅值特征，采用K-means算法對分解所得的多個MU進行聚類和分類。盡管跨數據段獨立分解所得的一批MU明顯會存在數目和種類不一致、獲取次序不確定的問題，經上述過程這些MU均可以被歸于按功能粗分的、數量固定的類別中，從而實現非嚴格意義的MU辨識與追蹤。該過程的還有一個作用是將所有MU活動信息按照類別對齊，便于后續采用機器學習、深度學習方法進行處理。
2 衡量MU類別分布特征
HD-sEMG 信號的不完全分解直接導致一些激活的 MU 不可避免地丟失，從而影響 MU 活動的完整性。為了解決這個問題，研究團隊進一步假設由分解得到的 MU 可以被視為可充分代表所有激活 MU 的子集。通過計算MU類別分布模式發現該模式在相同力度中保持相對一致，而在不同力度中展現出差異，利用這個規律可通過類別分布模式對肌力收縮的大致水平進行預測，獲取力度增益因子。由此，該方法能夠從代表性子集中預測所有激活的 MU（即本研究中產生肌肉力的所有MU）的主要行為，從而一定程度上克服了分解不完全的問題。
3在微觀的MU層面上的電-力轉換
電-力轉換是神經驅動運動產生的基本物理過程，著名的顫搐力（twitch force）模型很好解釋了在MU水平上的電力轉換原理。然而，實際應用此模型時，無法準確得到MU的大小，需要有效的估算方法。盡管缺乏每個MU募集順序的先驗知識，但考慮到MU募集遵循“尺寸原則”這一事實，研究團隊在實際應用時將顫搐力幅度建模為與MUAP波形幅度線性相關。這一簡化關系通過仿真實驗驗證，仿真結果表明在三種不同的MU深度和大小關系的情況下（大MU隨機分布、分布在肌肉表層、分布在肌肉深層），通過建模的線性相關關系進行計算，均能獲得優異的肌力估計結果。這也說明了本研究在盡量遵循生理底層規律的同時，從工程實用的角度對MU水平的電力關系進行簡化建模的可行性和有效性。
4用于高精度肌力估計的深度神經網絡
在上述電-力轉換過程中，研究保留了原電極陣列的空間信息和MU類別分布信息。為挖掘轉換后顫搐力序列中蘊含的空間信息和時間信息，精確量化每個MU對肌力形成貢獻，研究團隊提出了編碼-解碼深度網絡進行肌力估計，如圖2所示。其中，編碼網絡由兩層深度可分離卷積層組成以提取不同類別 MU 的空間信息，旨在根據空間分布和尺寸大小為每個MU類別編碼特定的力貢獻。將編碼器輸出的信息直接送入由兩層長短時記憶網絡(Long Short Term Memory, LSTM)構成的解碼器中以充分提取信號內的時間相關性，最后由全連接層輸出力估計結果。上述網絡由帶有歸一化肌力標簽的訓練樣本進行訓練，選擇均方根誤差（root mean square deviation, RMSD）為目標函數，并通過小批量梯度下降法進行優化。當網絡被訓練好時，對于任何顫搐力序列的輸入都能即時給出對肌力的預測。
圖2：編碼-解碼網絡結構。網絡輸入的尺寸為100× 10× 8× 8，100 為時長50ms的樣本點，
10為MU類別數，8× 8為二維電極陣列。
Part.3 實驗測試
研究團隊以健康受試者食指外展過程中拇短展肌（APB）的肌力預測為目標來驗證所提方案的有效性，實驗設備和肌力產生模式如圖3所示。實驗將通過顫搐力模型轉換而來的群組化顫搐力序列（CTFTs）送入神經網絡進行每個類別MU的空間信息提取和類別信息融合，可將從每個MU類別中學習到的知識推廣到未知活動段獲取的MU中，以類別為單位進行MU的功能識別，實現較好的歸一化力曲線估計效果。將估計出的力度增益因子與歸一化力曲線相乘即可得到最終的肌力。該研究與國際上近期報道的基于MU發放率的肌力估計算法（FR方法）和經典的基于sEMG信號均方根幅度（RMS方法）和包絡（ENV方法）的肌力估計算法進行了比較。圖4展示了四種方法在所有受試者所有活動段上的平均均方根誤差（RMSD）和擬合優度（R2），所提方法展現了領先的肌力估計性能，即RMSD最低（6.84％±1.29％），R2最高（0.94±0.04）。圖5給出了同一活動段在不同方法中的歸一化力曲線估計結果。與其余方法相比，所提方法更準確地跟蹤了真實肌力變化趨勢。
Part.4 總結與展望
研究工作聚焦微觀神經驅動信息解碼的前沿，克服肌電分解技術中不完全分解和MU跨活動段難以辨識的影響，探索MU層面電力關系，突破肌電分解技術在實際應用場景中的壁壘，更好面向未來魯棒自然的肌電控制和精準便利的神經肌肉病變診斷的應用需求。研究有助于反映微觀神經指令產生的規律，揭示控制和運動健康的內在生理病理機制，為智能運動控制系統設計和開發提供重要支撐，在電子、體育和醫療領域均有重要意義。
上述研究受到國家自然科學基金（61771444）支持。
相關論文信息：
· X. Tang, X. Zhang, M. Chen et al., Decoding muscle force from motor unit firings using encoder-decoder networks, IEEE Trans. Neural Syst. Rehabil. Eng., 29, 2484-2495, 2021.
· X. Li, X. Zhang, X. Tang et al., Decoding muscle force from individual motor unit activities using a twitch force model and hybrid neural networks. Biomed. Signal Process. Control, 72, 103297, 2022.
便攜式電生理測試系統
高密度肌電測試系統由 64 通道（最大支持256通道）無線高密度肌電信號采集系統以及專用分析軟件組成。能進行肌電信號采集，具備在運動條件下測量數據的能力，具有良好的兼容性與擴展性且支持離線采集。該系統可廣泛應用于人機交互、腦機接口、虛擬現實、智能假肢、康復醫療以及運動訓練等領域。
豐富的配件
分布式多通道常規肌電圖，每組4、8、16通道傳感器（最大256通道）
32/64 通道 8 x 8 HD-EMG 網格可以根據客戶需求定制不同的電極間距電極片（8mm / 10mm / ...）傳感器
分散式高密度肌電，每組4、8、16通道傳感器（最大256通道）
可重復使用 4 / 8 / 16 / 32 / 64通道高密度織物肌電傳感器（支持定制）
高密度肌電采集分析軟件
主要優勢：
1、多模態數據同步模塊，可實現多種信號實時同步傳輸；
2、可配置設備的采集參數，實現數據同步采集功能，可顯示實時波形、實時頻譜圖、實時電勢圖和3D模型姿態；
3、自定義動作序列播放功能，并用Mark點標記動作事件信息；
軟件操作界面
支持肌電、心電、腦電、慣性信號、血氧、血壓的多種信號聯合采集，并配置設備采集參數
實時顯示設備的連接狀態、電量和信號強度
實時顯示波形
實時頻譜圖、時域頻譜
肌肉疲勞分析
自定義動作序列播放功能，并用Mark點標記動作事件信息，不同動作序列用不同顏色表示
如果您對肌電研究感興趣，請與我們聯系！
聲明：文章僅用于學術交流，不用于商業行為，若有侵權及疑問，請后臺留言，管理員即時刪侵！
