實時解碼神經控制信息：邁向運動單位驅動的高密度肌電接口_abio生物試劑品牌網
背景介紹
隨著可穿戴神經康復技術和智能假肢系統的發展，如何準確感知人體意圖成為核心技術瓶頸。傳統的肌電驅動方法由于受“幅度抵消”、電極位置變化等影響，在動態任務（如行走、高收縮強度）中識別穩定性較差。相比之下，深入解碼肌肉最小神經控制單位——運動單位（Motor Unit, MU）的發放模式，能夠揭示更底層的神經控制意圖，是實現高精度、生理一致的神經-肌肉界面的關鍵。盡管已有方法在靜態條件下可對MU發放進行離線解碼，但尚未實現在動態或高收縮強度條件下的在線解碼與肌肉激活建模，限制了其實時應用能力。
圖1. 文章信息
荷蘭特文特大學 Massimo Sartori 教授團隊于2024年在IEEE BioRob會議上發布了一項開創性研究，首次提出一種可在線運行的神經肌肉控制框架，可同時解碼行走與高強度收縮過程中的MU發放事件與相應的肌肉激活狀態。研究采用兩階段盲源分離（BSS）策略，從低強度任務中訓練MU濾波器，并遷移適配于高強度動態任務，同時結合每個MU的“抽搐響應函數”（twitch response）構建個性化激活動力學模型。實驗顯示，該方法在行走任務中預測踝關節力矩的相關系數達0.89，明顯優于傳統肌電（EMG）方法（0.86）；同時，在90%最大自主收縮條件下，成功分解出多類型MU，具備亞10ms的低延遲運行效率。該研究為MU級別的人體運動意圖識別與智能控制提供了強有力支撐，或將推動未來高性能康復設備與神經假體的發展。
研究方法
本研究招募了兩名健康成年志愿者，旨在分別評估肌肉在日常行走與高強度收縮條件下的運動單位發放與肌肉激活狀態。整體研究框架如圖2。
圖2. 研究整體框架
在步行實驗中，受試者以自然速度行走于平地，并配合完成三種不同推蹬力水平的任務（分別為最大自主收縮MVC的30%、40%、50%），用于訓練解碼模型。研究者在其優勢腿比目魚肌上粘貼一塊8×8電極陣列（共64通道，間距約10mm），借助荷蘭TMSi公司的SAGA 64+系統采集HD-sEMG信號，采樣頻率2048Hz。步態事件由運動捕捉系統與測力平臺同步記錄，以便精確對齊肌肉發放與下肢動力學數據。
在高強度任務中，受試者完成不同角度下的踝關節背屈等長收縮，目標力水平分別為30%、50%、70%、90%MVC。HD-sEMG使用 256通道系統進行采集，信號帶寬設置為20–500Hz，并對所有信號進行了50Hz陷波濾波去除工頻干擾。每個任務重復4次，系統自動記錄等長力矩變化曲線，并與肌電信號對齊處理。
在信號處理與分析方面，研究者構建了一種改進的Fast ICA算法，即兩階段BSS方法：首先在低強度任務（粉色）中訓練MU濾波器（圖3a），然后在高強度或步行數據（藍色）中通過殘差優化方式對濾波器進行自適應與細化。每一個被成功識別的運動單位發放序列都被進一步映射至一個二階肌肉抽搐響應函數，其核心參數包括峰值幅度（Ac）與收縮時間（Tc），最終通過卷積獲得該MU的個性化激活動力學曲線（圖3b）。研究者進一步將數據分割為64個采樣點（約32ms）為窗口的偽在線處理流，使用事先訓練好的分解參數進行快速解碼，以驗證方法的實時性能（圖3c）。
圖 3. 肌電分解整體流程圖
關鍵實驗結果
在步行任務中，通過解碼MU發放并結合個性化抽搐響應構建的激活動力學模型，預測出的踝關節力矩曲線與真實測量曲線擬合程度高達R2=0.89，顯著優于傳統EMG包絡模型的R2=0.86（圖4）。這一結果說明該方法能更準確地反映生理實際肌肉控制機制，并成功捕捉到個體在自然運動中的神經驅動模式。
圖4. MU激活估計與踝關節力矩對比。左圖為5個步態周期中MU激活（初始與優化）、EMG包絡及實際力矩；右圖為全周期擬合結果的決定系數（R2）
在高強度收縮任務中，改進的兩階段BSS算法成功解碼出更多的運動單位發放事件。與傳統方法相比，新算法顯著提升了解碼出的運動單位多樣性，其募集閾值覆蓋范圍從20%至70% MVC，涵蓋了從慢肌型到快肌型多個MU類型（圖4）。雖然慢肌MU的代表性仍有待進一步擴展，但整體激活估計表現出更高的響應速度與更強的生理一致性，為建模真實肌肉輸出提供了良好基礎。
圖5. 所提出的改進算法與傳統方法的MU激活對比。藍色為改進分解，粉色為傳統方法，灰色曲線表示歸一化等長力矩。左圖為高強度收縮任務示例，右圖顯示兩種方法的MU募集閾值分布
在計算效率方面，偽在線處理結果顯示，每窗口（32ms）MU解碼耗時中位數僅2.17ms，激活估計耗時小于1ms，系統整體延遲遠低于神經-肌肉反應時限（~100ms），具備實時運行潛力。
此外，從神經生理的角度也可以理解這些結果的合理性。比目魚肌和脛骨前肌的運動單位數量眾多且調控方式精細，能很好地體現神經系統對不同任務條件的快速適應能力。通過將MU視作“神經控制的最小單位”，該研究揭示了神經-肌肉界面在動態任務中的“發放邏輯”，為今后的個體化康復和智能控制打下了堅實基礎。
總結與展望：打造MU驅動的智能神經康復系統
本研究首次實現了在步態與高強度動態收縮中，同時實時解碼運動單位發放事件及其激活動力學，不僅提升了神經驅動建模的生理精度，也突破了傳統肌電驅動方法的局限。該方法具備高精度、高響應性和高泛化性三大顯著優勢，具體體現在MU級別的神經解碼顯著提高了運動意圖解析與力輸出預測的準確性；系統整體延遲<9ms，滿足實時控制需求；模型適用于多種運動狀態，包括自然行走和極限收縮。
隨著算法優化與計算平臺的持續發展，該方法有望與可穿戴肌電采集系統、智能外骨骼與假肢等設備融合，構建出基于運動單位的智能控制閉環系統，在神經假肢、人機接口設備中具有廣泛應用。我們有理由相信，在不遠的將來，從HD-sEMG中實時解碼MU發放模式，將成為連接生物信號與智能設備的核心技術，讓神經工程技術真正貼合生理、貼近生活、服務大眾。
原文鏈接
Gogeascoechea, Antonio, et al. "Towards real-time decoding of motor unit firing events and resulting muscle activation during human locomotion and high-force contractions." 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob). IEEE, 2024.
DOI: 10.1109/BioRob60516.2024.10719929
研究團隊介紹
本文作者為Antonio Gogeascoechea、Mohamed Irfan Mohamed RefAI、Utku S. Yavuz和Massimo Sartori。其中，Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai與Massimo Sartori隸屬于荷蘭特文特大學（University of Twente）生物力學工程系；Utku S. Yavuz則隸屬于荷蘭特文特大學生物醫學信號與系統小組。
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
隨著可穿戴神經康復技術和智能假肢系統的發展，如何準確感知人體意圖成為核心技術瓶頸。傳統的肌電驅動方法由于受“幅度抵消”、電極位置變化等影響，在動態任務（如行走、高收縮強度）中識別穩定性較差。相比之下，深入解碼肌肉最小神經控制單位——運動單位（Motor Unit, MU）的發放模式，能夠揭示更底層的神經控制意圖，是實現高精度、生理一致的神經-肌肉界面的關鍵。盡管已有方法在靜態條件下可對MU發放進行離線解碼，但尚未實現在動態或高收縮強度條件下的在線解碼與肌肉激活建模，限制了其實時應用能力。
圖1. 文章信息
荷蘭特文特大學 Massimo Sartori 教授團隊于2024年在IEEE BioRob會議上發布了一項開創性研究，首次提出一種可在線運行的神經肌肉控制框架，可同時解碼行走與高強度收縮過程中的MU發放事件與相應的肌肉激活狀態。研究采用兩階段盲源分離（BSS）策略，從低強度任務中訓練MU濾波器，并遷移適配于高強度動態任務，同時結合每個MU的“抽搐響應函數”（twitch response）構建個性化激活動力學模型。實驗顯示，該方法在行走任務中預測踝關節力矩的相關系數達0.89，明顯優于傳統肌電（EMG）方法（0.86）；同時，在90%最大自主收縮條件下，成功分解出多類型MU，具備亞10ms的低延遲運行效率。該研究為MU級別的人體運動意圖識別與智能控制提供了強有力支撐，或將推動未來高性能康復設備與神經假體的發展。
研究方法
本研究招募了兩名健康成年志愿者，旨在分別評估肌肉在日常行走與高強度收縮條件下的運動單位發放與肌肉激活狀態。整體研究框架如圖2。
圖2. 研究整體框架
在步行實驗中，受試者以自然速度行走于平地，并配合完成三種不同推蹬力水平的任務（分別為最大自主收縮MVC的30%、40%、50%），用于訓練解碼模型。研究者在其優勢腿比目魚肌上粘貼一塊8×8電極陣列（共64通道，間距約10mm），借助荷蘭TMSi公司的SAGA 64+系統采集HD-sEMG信號，采樣頻率2048Hz。步態事件由運動捕捉系統與測力平臺同步記錄，以便精確對齊肌肉發放與下肢動力學數據。
在高強度任務中，受試者完成不同角度下的踝關節背屈等長收縮，目標力水平分別為30%、50%、70%、90%MVC。HD-sEMG使用 256通道系統進行采集，信號帶寬設置為20–500Hz，并對所有信號進行了50Hz陷波濾波去除工頻干擾。每個任務重復4次，系統自動記錄等長力矩變化曲線，并與肌電信號對齊處理。
在信號處理與分析方面，研究者構建了一種改進的Fast ICA算法，即兩階段BSS方法：首先在低強度任務（粉色）中訓練MU濾波器（圖3a），然后在高強度或步行數據（藍色）中通過殘差優化方式對濾波器進行自適應與細化。每一個被成功識別的運動單位發放序列都被進一步映射至一個二階肌肉抽搐響應函數，其核心參數包括峰值幅度（Ac）與收縮時間（Tc），最終通過卷積獲得該MU的個性化激活動力學曲線（圖3b）。研究者進一步將數據分割為64個采樣點（約32ms）為窗口的偽在線處理流，使用事先訓練好的分解參數進行快速解碼，以驗證方法的實時性能（圖3c）。
圖 3. 肌電分解整體流程圖
關鍵實驗結果
在步行任務中，通過解碼MU發放并結合個性化抽搐響應構建的激活動力學模型，預測出的踝關節力矩曲線與真實測量曲線擬合程度高達R2=0.89，顯著優于傳統EMG包絡模型的R2=0.86（圖4）。這一結果說明該方法能更準確地反映生理實際肌肉控制機制，并成功捕捉到個體在自然運動中的神經驅動模式。
圖4. MU激活估計與踝關節力矩對比。左圖為5個步態周期中MU激活（初始與優化）、EMG包絡及實際力矩；右圖為全周期擬合結果的決定系數（R2）
在高強度收縮任務中，改進的兩階段BSS算法成功解碼出更多的運動單位發放事件。與傳統方法相比，新算法顯著提升了解碼出的運動單位多樣性，其募集閾值覆蓋范圍從20%至70% MVC，涵蓋了從慢肌型到快肌型多個MU類型（圖4）。雖然慢肌MU的代表性仍有待進一步擴展，但整體激活估計表現出更高的響應速度與更強的生理一致性，為建模真實肌肉輸出提供了良好基礎。
圖5. 所提出的改進算法與傳統方法的MU激活對比。藍色為改進分解，粉色為傳統方法，灰色曲線表示歸一化等長力矩。左圖為高強度收縮任務示例，右圖顯示兩種方法的MU募集閾值分布
在計算效率方面，偽在線處理結果顯示，每窗口（32ms）MU解碼耗時中位數僅2.17ms，激活估計耗時小于1ms，系統整體延遲遠低于神經-肌肉反應時限（~100ms），具備實時運行潛力。
此外，從神經生理的角度也可以理解這些結果的合理性。比目魚肌和脛骨前肌的運動單位數量眾多且調控方式精細，能很好地體現神經系統對不同任務條件的快速適應能力。通過將MU視作“神經控制的最小單位”，該研究揭示了神經-肌肉界面在動態任務中的“發放邏輯”，為今后的個體化康復和智能控制打下了堅實基礎。
總結與展望：打造MU驅動的智能神經康復系統
本研究首次實現了在步態與高強度動態收縮中，同時實時解碼運動單位發放事件及其激活動力學，不僅提升了神經驅動建模的生理精度，也突破了傳統肌電驅動方法的局限。該方法具備高精度、高響應性和高泛化性三大顯著優勢，具體體現在MU級別的神經解碼顯著提高了運動意圖解析與力輸出預測的準確性；系統整體延遲<9ms，滿足實時控制需求；模型適用于多種運動狀態，包括自然行走和極限收縮。
隨著算法優化與計算平臺的持續發展，該方法有望與可穿戴肌電采集系統、智能外骨骼與假肢等設備融合，構建出基于運動單位的智能控制閉環系統，在神經假肢、人機接口設備中具有廣泛應用。我們有理由相信，在不遠的將來，從HD-sEMG中實時解碼MU發放模式，將成為連接生物信號與智能設備的核心技術，讓神經工程技術真正貼合生理、貼近生活、服務大眾。
原文鏈接
Gogeascoechea, Antonio, et al. "Towards real-time decoding of motor unit firing events and resulting muscle activation during human locomotion and high-force contractions." 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob). IEEE, 2024.
DOI: 10.1109/BioRob60516.2024.10719929
研究團隊介紹
本文作者為Antonio Gogeascoechea、Mohamed Irfan Mohamed RefAI、Utku S. Yavuz和Massimo Sartori。其中，Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai與Massimo Sartori隸屬于荷蘭特文特大學（University of Twente）生物力學工程系；Utku S. Yavuz則隸屬于荷蘭特文特大學生物醫學信號與系統小組。
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
