肌电（EMG）在舌头内外肌的应用|迈尔诺官网-专注生物信号采集

肌电（EMG）在舌头内外肌的应用

介绍

口腔癌指发生在口腔的恶性肿瘤，有舌癌、牙龈癌、腭癌、口咽癌、唇癌等，最常见的是舌癌。尽管口腔癌在我国的癌症谱中并不是发病率和死亡率非常高的癌症，但近年来有上升趋势，它是世界上第六大常见癌症。

全球疾病负担（GBD）研究结果显示，最近几十年，我国口腔癌无论是发病率还是死亡率，都呈现出明显的上升趋势，从1990年-2017年，我国口腔癌新发病与死亡人数分别上升280%和197%。男性上升幅度超过女性。在欧洲和美国，舌头是口腔癌最常见的部位，占口腔癌的 40-50% 。

口腔癌患者会承受很大的痛苦，术后不论对面容还是日常起居都会产生很大的影响，降低生命质量。然而，好消息是口腔癌有比较明确的危险因素，只要我们加以注意，是可防可控的。

口腔溃疡怎么变成了舌癌？

口腔癌在日常生活当中很少提及口腔癌，是来源于口腔黏膜上皮组织的恶性肿瘤，它包括牙龈癌，舌癌，口腔颊粘膜癌、硬腭癌、口底癌等。

由于口腔血管淋巴管非常丰富，故而口腔癌具有侵润广、进展快的特点，这使得口腔癌的早期发现非常重要，早期的口腔癌治愈率高达90%。

如果病情发展到了了第4期，5年的生存率降低到10%，所以大家一定要做到早发现早治疗，提高自己的生存率。

近几年来口腔癌的增长速度惊人，中国40年来，口腔癌死亡率增加4倍，患病率从过去每年每100万人当中有81人患病剧增，到现在每年每100万人当中有202人患病，每年约有1万人死于口腔癌。

本篇文章将重点关注将神经肌肉信息添加到生物力学模型中。在全球已经有学者针对影响嘴唇运动的面部肌肉进行了研究。另一个重要的肌肉类别是舌头肌肉组织，因为它在发音、引导食物咀嚼、将食物挤入口咽作为吞咽和口腔清洁的一部分中发挥着重要作用。本文的目标是为添加神经肌肉信息迈出第一步，以便个性化通用生物力学舌模型，该目标涉及以下研究问题：

是否可以从舌头获取 sEMG 信号？

从舌头获取表面肌电图 (sEMG) 比获取口外 sEMG 更具挑战性。由于舌头是一个高度可移动和灵活的解剖结构，在短时间内涉及到表面曲率的巨大变化。此外，口腔内的环境非常潮湿。因此，稳定可靠地连接电极是一项挑战。

舌肌组织中不同运动单位的活动可以通过舌肌电图的分解来区分吗？

由于 sEMG 同时测量多个舌肌的激活，因此出现了识别单个舌肌激活的主成分问题。将舌头 sEMG 分解为单独的运动单元活动可能是识别这些单独的舌头肌肉活动的第一步。

舌头 sEMG 在多大程度上可以确定属于一个运动单位的肌肉纤维的方向？是否有可能将单个运动单元活动分配给特定的舌肌？

各个舌头肌肉的肌纤维方向彼此不同，因此经常交织在一起。观察电极网格上的运动单元活动可能有助于将不同的运动单元活动与单个舌肌相关联。

解刨

舌肌属于横纹肌，是舌的主要组成成分。舌体的变形及其位置的改变，均靠舌肌的舒缩来完成。

肌肉解剖—舌肌

舌肌共有八条，分为四条舌外肌和四条舌内肌。

首先先和大家聊聊四条舌外肌。

他们分别是：

1. 颏舌肌
2. 茎突舌肌
3. 舌骨舌肌
4. 腭舌肌

其中颏舌肌、茎突舌肌、舌骨舌肌由舌下神经支配，腭舌肌由迷走神经支配。

颏舌肌

起点：颏棘(superior mental spine)

止点：舌骨体上缘；连接于自舌根至舌尖的粘膜下纤维组织(the submucous fibrous tissue)

茎突舌肌

起点：茎突的前外侧、茎突下颌韧带(stylomandibular ligament)

止点：部分纤维与舌上纵肌交错走行；其余纤维与舌骨舌肌相混合。

舌骨舌肌

起点：舌骨大角上缘和舌骨体。

止点：与腭舌肌与茎突舌肌交错走行。

腭舌肌

起点：软腭的前侧缘。
止点：由两侧向下与舌横肌相交错；与茎突舌肌和舌骨舌肌相交错

舌内肌共有四条，分别是：

1. 舌上纵肌（The superior longitudinal muscle）
2. 舌下纵肌（The inferior longititudinal muscle ）
3. 舌横肌（The transverse muscle ）
4. 舌纵肌（The vertical muscle ）

舌内肌全部由舌下神经支配。

舌上纵肌(The superior longitudinal muscle)

舌上纵肌可分为纵部和斜部。

起点：黏膜下纤维组织(submucous fibrous tissue)

止点：舌中部(the middle portion of the tongue)

注：舌上纵肌并不向前延伸至舌尖（这一点与舌下纵肌不同）

舌下纵肌(The inferior longititudinal muscle)

起点：部分纤维起源于舌骨

止点：部分纤维向前与茎突舌肌相交错

注：舌下纵肌完全从舌根部延伸至舌尖

舌横肌(The transverse muscle)

起止点：舌中间的纤维纵隔(the median fibrous septum)并侧向呈扇形延伸止于舌侧缘的粘膜下纤维组织(submucous fibrous tissue)

部分纤维与舌垂直肌肉(the vertical fibers)走行相同

舌垂直肌(The vertical muscle)

起点：舌体的粘膜层(the mucous membrane)

止点：the sides and inferior surface of the tongue（作者：未能找到合适的表达，故将原文“搬运至此”）

模型

目前的舌头模型有一个手术和放射模块，用于模拟治疗及其功能后果。两种处理模块仍处于开发阶段。该模型由生物力学部分和视觉部分组成。视觉模型通过 3D 表面网格将生物力学模拟转换为视觉表示。生物力学模型是使用有限元法 (FEM) 创建的，基于 Buchaillard 等人的工作。他们创建了一个表面网格，其中填充了小立方体形状的元素，形成了一个体积网格。这些元素包含应力、应变、重量和交互行为等属性，有助于计算整个舌头的属性变化。最初，不同的舌头肌肉组织由纤维、弹簧状结构表示，能够将它们的两个端点拉向彼此。这些纤维端点之间的元素被挤压而不积极参与肌肉收缩。为了克服这种生理上的不切实际情况，纤维肌被转化为元素肌。围绕某条光纤两毫米半径内的所有元素都具有收缩特性和方向。以这种方式，元素肌肉中的肌肉力与附近的纤维具有相同的方向。

当前的舌头模型。 (A) 3D 表面网格的矢状视图，加载有立方 FEM 元素。 (B) Buchaillard 等人定义的所有 3D 纤维肌肉的横向视图，颜色表示不同的肌肉。

舌头模型可以生成两种类型的模拟，正向模拟和逆向模拟。前向模拟从手动激活某些肌肉纤维开始，从而产生舌头模型操作。逆向模拟以相反的方向工作，给出了舌头动作并计算了相应的肌纤维激活组合。后者使用成本函数来查找肌肉激活的组合。由于该问题的解决方案不是唯一的，因此找到的解决方案不是针对个人的。添加个人特定的 EMG 信号是实现这些模拟个性化的重要一步。成本函数将收到在哪里寻找其解决方案的指示，并且 EMG 信号可用作前向模拟的输入。

肌电图（EMG）

EMG 测量电极记录范围内不同活动运动单元的运动单元动作电位序列 (MUAPT) 的代数总和。运动单位 (MU) 定义为一个运动神经元及其支配的所有肌纤维。每个 MU 的肌纤维数量可以从四到几百不等，每块肌肉至少被一个 MU 激活。每条肌纤维都通过称为“细胞内动作电位”（IAP）的波激活，该波从（运动）轴突连接处开始在肌纤维上向外传播，大致位于肌纤维的中间。 MUAPT 是特定 MU 中所有光纤（所有 IAP 一起）的合成去极化波。所有 MUAPT 的总和形成 EMG 信号。

MU 定义说明。这个特定的肌纤维束由两个 MU 支配

使用 Ag/AgCl 微电极的舌外肌和内在舌肌的表面肌电

之前的舌 EMG 测量

使用针式肌电图在肌肉内获得了舌肌的第一个肌电图。肌内肌电图的优点是可以确定 MUAPT 的起源。然而，这种方法是侵入性的，因此不舒服。这导致最近的研究使用 sEMG，涉及其他困难。舌头的表面肌电需要在潮湿和变形的环境中连接电极，并且需要区分不同的 MUAPT，可能源自不同的肌肉。

只有少数研究对舌肌组织进行了 sEMG 测量。三项研究通过将电极置于口腔底部的舌下获得 GG 肌肉的 sEMG，电极由下颌牙齿和口腔底部的牙科印模材料固定到位。最古老的研究得出结论，表面电极令人满意地反映了 GG 的生物电活动，因为肌内电极显示出相似的肌肉活动模式和高度相干的频谱。另一项更近期的研究发现，与双边配置相比，两个表面电极的单边配置可以更可靠地估计 GG 活动。由于非传播肌纤维末端效应减少，它对来自相邻肌肉和伪影的串扰不太敏感。为了测量人类内在舌肌的 sEMG，只记录了有限的尝试次数。吉田等人。通过用银浆涂上一个小点，在顶部添加一根细线和一个橡胶帽，开发了一种表面电极。其中两个电极用于测量远端舌肌。最近，一位同事使用盘形 Ag/AgCl 微电极对不同的舌头运动进行分类，包括外在和内在肌肉测量。使用假牙胶条将四个电极放置在舌头上，并将四个电极放置在下颌下，用双面粘合剂固定。

目前在舌肌研究中，迈尔诺医疗可以提供无创的肌电电极，如下：

用于舌上 sEMG 测量的技术和实践评估的选定电极/网格。 (A) 单独的微电极 (B) 调整后的HD-sEMG 网格

舌头上实际使用的电极/网格测试。显示了向右的舌头运动。 (A) 两个微电极，(B) HD-sEMG 网格

分解技术

本文采用混合表面肌电分解方法 (KmCKC)。与经典的卷积核补偿 (CKC) 方法相比，他们的方法在分解精度和抗噪声鲁棒性方面表现出卓越的性能。它结合了CKC方法和K-means聚类（KMC）方法。后者用作对由相同 MU 触发的时间瞬间进行聚类的初始步骤，然后是经典 CKC，该 CKC 使用新颖的迭代过程进行修改，以执行 MUAPT 更新。