从表面肌电解码微观神经驱动信息的探索与应用|迈尔诺官网-专注生物信号采集

从表面肌电解码微观神经驱动信息的探索与应用

Part.1 研究背景

表面肌电（surface electromyogram, sEMG）是肌肉收缩时表面电极在皮肤表面记录到的所有激活运动单位（motor unit, MU）波形叠加得到的电生理信号，能够反映被检肌肉的活动特性，可用于检测神经肌肉系统的健康状态和理解人体的运动模式与意图[1]。近年来，高密度表面肌电（high-density sEMG, HD-sEMG）[2]被广泛应用，通过二维阵列式排布的电极能够获取丰富的时空信息，使得从高度混叠的HD-sEMG信号中提取MU活动信息成为可能，肌电分解技术[3]应运而生。尽管表面肌电因信噪比低且波形叠加严重，给分解任务带来了巨大挑战，但其无创的测量方式使得该技术的实现具有广阔的应用前景。经表面肌电分解可以得到单个MU的募集和发放信息以及运动单位动作电位（motor unit action potential, MUAP）的波形信息，是神经驱动指令的真实呈现，成为解码微观神经驱动信息，揭示运动形成的生理本源的重要途经[4]。因此，该技术有助于实现能够符合运动生理规律的鲁棒自然肌电控制方法[5]，包括识别运动模式、估计收缩强度、关节力矩、角度、速度等。然而，目前肌电分解技术仍然存在分解不完全和所得的MU难以跨数据段辨识追踪两大技术难题，极大限制了该技术的应用。

针对上述问题，中国科学技术大学微电子学院医疗电子实验室张旭副教授团队致力于通过肌电分解技术解码微观神经指令，以构建符合运动产生神经生理规律的运动识别与意图理解方法框架，在运动控制、神经-机器接口等方面具有应用前景。

Part.2 科学问题与关键技术

为了有效克服目前sEMG分解不完全和MU难以跨数据段追踪的难题，研究团队提出了融合神经生理计算模型和机器学习的MU信息处理和功能解析的方法，并将其成功用于高精度肌力估计，如图1所示。具体内容如下：

图1：基于肌电分解的MU信息处理和功能解析流程图

1 MU聚类追踪

研究团队提出一种基于k-means聚类的非严格MU跨数据段辨识方法，实现MU跨活动段的追踪。考虑到MUAP波形的空间分布能够有效反映MU的大小尺寸和在肌肉内的位置等功能特性信息，得到如下假设：在二维电极阵列上具有相似MUAP波形的MU具备相似的功能。因此，MUAP波形空间分布模式相似的MU可以被粗归为同一类。研究团队利用自主研发的逐步独立分量剥离（Progressive FastICA Peel-off, PFP）算法进行HD-sEMG分解，得到MU的发放序列和波形信息。基于MU的波形幅值特征，采用K-means算法对分解所得的多个MU进行聚类和分类。尽管跨数据段独立分解所得的一批MU明显会存在数目和种类不一致、获取次序不确定的问题，经上述过程这些MU均可以被归于按功能粗分的、数量固定的类别中，从而实现非严格意义的MU辨识与追踪。该过程的还有一个作用是将所有MU活动信息按照类别对齐，便于后续采用机器学习、深度学习方法进行处理。

2 衡量MU类别分布特征

HD-sEMG 信号的不完全分解直接导致一些激活的 MU 不可避免地丢失，从而影响 MU 活动的完整性。为了解决这个问题，研究团队进一步假设由分解得到的 MU 可以被视为可充分代表所有激活 MU 的子集。通过计算MU类别分布模式发现该模式在相同力度中保持相对一致，而在不同力度中展现出差异，利用这个规律可通过类别分布模式对肌力收缩的大致水平进行预测，获取力度增益因子。由此，该方法能够从代表性子集中预测所有激活的 MU（即本研究中产生肌肉力的所有MU）的主要行为，从而一定程度上克服了分解不完全的问题。

3在微观的MU层面上的电-力转换

电-力转换是神经驱动运动产生的基本物理过程，著名的颤搐力（twitch force）模型很好解释了在MU水平上的电力转换原理。然而，实际应用此模型时，无法准确得到MU的大小，需要有效的估算方法。尽管缺乏每个MU募集顺序的先验知识，但考虑到MU募集遵循“尺寸原则”这一事实，研究团队在实际应用时将颤搐力幅度建模为与MUAP波形幅度线性相关。这一简化关系通过仿真实验验证，仿真结果表明在三种不同的MU深度和大小关系的情况下（大MU随机分布、分布在肌肉表层、分布在肌肉深层），通过建模的线性相关关系进行计算，均能获得优异的肌力估计结果。这也说明了本研究在尽量遵循生理底层规律的同时，从工程实用的角度对MU水平的电力关系进行简化建模的可行性和有效性。

4用于高精度肌力估计的深度神经网络

在上述电-力转换过程中，研究保留了原电极阵列的空间信息和MU类别分布信息。为挖掘转换后颤搐力序列中蕴含的空间信息和时间信息，精确量化每个MU对肌力形成贡献，研究团队提出了编码-解码深度网络进行肌力估计，如图2所示。其中，编码网络由两层深度可分离卷积层组成以提取不同类别 MU 的空间信息，旨在根据空间分布和尺寸大小为每个MU类别编码特定的力贡献。将编码器输出的信息直接送入由两层长短时记忆网络(Long Short Term Memory, LSTM)构成的解码器中以充分提取信号内的时间相关性，最后由全连接层输出力估计结果。上述网络由带有归一化肌力标签的训练样本进行训练，选择均方根误差（root mean square deviation, RMSD）为目标函数，并通过小批量梯度下降法进行优化。当网络被训练好时，对于任何颤搐力序列的输入都能即时给出对肌力的预测。

图2：编码-解码网络结构。网络输入的尺寸为100× 10× 8× 8，100 为时长50ms的样本点，

10为MU类别数，8× 8为二维电极阵列。

Part.3 实验测试

研究团队以健康受试者食指外展过程中拇短展肌（APB）的肌力预测为目标来验证所提方案的有效性，实验设备和肌力产生模式如图3所示。实验将通过颤搐力模型转换而来的群组化颤搐力序列（CTFTs）送入神经网络进行每个类别MU的空间信息提取和类别信息融合，可将从每个MU类别中学习到的知识推广到未知活动段获取的MU中，以类别为单位进行MU的功能识别，实现较好的归一化力曲线估计效果。将估计出的力度增益因子与归一化力曲线相乘即可得到最终的肌力。该研究与国际上近期报道的基于MU发放率的肌力估计算法（FR方法）和经典的基于sEMG信号均方根幅度（RMS方法）和包络（ENV方法）的肌力估计算法进行了比较。图4展示了四种方法在所有受试者所有活动段上的平均均方根误差（RMSD）和拟合优度（R2），所提方法展现了领先的肌力估计性能，即RMSD最低（6.84％±1.29％），R2最高（0.94±0.04）。图5给出了同一活动段在不同方法中的归一化力曲线估计结果。与其余方法相比，所提方法更准确地跟踪了真实肌力变化趋势。

图3：（a）实验设备图，（b）肌力产生模式图

图4：肌力估计统计结果

图5：同一活动段不同方法下的估计结果，该段选自一代表性受试者产生20% MVC力度。

Part.4 总结与展望

研究工作聚焦微观神经驱动信息解码的前沿，克服肌电分解技术中不完全分解和MU跨活动段难以辨识的影响，探索MU层面电力关系，突破肌电分解技术在实际应用场景中的壁垒，更好面向未来鲁棒自然的肌电控制和精准便利的神经肌肉病变诊断的应用需求。研究有助于反映微观神经指令产生的规律，揭示控制和运动健康的内在生理病理机制，为智能运动控制系统设计和开发提供重要支撑，在电子、体育和医疗领域均有重要意义。

上述研究受到国家自然科学基金（61771444）支持。

相关论文信息：
· 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.

便携式电生理测试系统