雙源驗證系統(tǒng)評估APFP方法可靠性為高密度表面肌電分解提供的解決方案_abio生物試劑品牌網(wǎng)
高密度表面肌電分解有多準(zhǔn)？雙源驗證告訴你答案
背景介紹
隨著人機(jī)交互、康復(fù)工程與神經(jīng)科學(xué)的融合發(fā)展，如何精準(zhǔn)解讀肌肉發(fā)出的“電語言”已成為智能醫(yī)療的重要方向。尤其是在臨床康復(fù)、假肢控制、運動功能評估等領(lǐng)域，運動單位（MU，Motor Unit）的放電模式正被視為洞察肌肉健康與功能狀態(tài)的關(guān)鍵指標(biāo)。然而，想要從復(fù)雜多變的表面肌電信號（sEMG）中，準(zhǔn)確還原這些深層的生理活動，就像在交響樂中精準(zhǔn)識別每一件樂器的旋律一樣困難。傳統(tǒng)的針電極肌電（iEMG）雖然信噪比更高，在分解精度上具有優(yōu)勢，但因其侵入性強(qiáng)、適用范圍小，難以滿足日常評估與大規(guī)模監(jiān)測的需求。而高密度表面肌電（HD-sEMG）憑借無創(chuàng)、多通道采集的優(yōu)勢，逐漸成為探索肌肉電生理活動的新興技術(shù)手段。然而，其龐大的數(shù)據(jù)量與高度重疊的信號結(jié)構(gòu)，也對分解算法提出了更高的要求。在這種背景下，發(fā)展自動化、魯棒性強(qiáng)的sEMG分解技術(shù)，不僅是肌電研究的技術(shù)難點，更是推動肌電技術(shù)走向臨床、家庭與可穿戴設(shè)備的關(guān)鍵一步。
圖 1. 論文信息
論文概要
來自康復(fù)大學(xué)的周平和陳茂啟教授團(tuán)隊，針對表面肌電（sEMG）分解難題，提出并驗證了一種自動化信號分解方法—-Progressive FastICA Peel-Off（APFP）。相關(guān)研究成果發(fā)表于《International Journal of Neural Systems》期刊，論文題為《Two-Source Validation of Progressive FastICA Peel-Off for Automatic Surface EMG Decomposition in Human First Dorsal Interosseous Muscle》。該研究通過HD-sEMG與iEMG同步采集技術(shù)，在實驗中采集人手部第一背側(cè)骨間肌（FDI）在低強(qiáng)度收縮狀態(tài)下的雙源肌電數(shù)據(jù)。然后分別使用APFP算法與人工輔助檢查的PFP算法對兩類信號進(jìn)行肌電分解，并對共識運動單位的發(fā)放時間進(jìn)行比對，量化APFP分解準(zhǔn)確度。證實了所提APFP算法的虛假發(fā)現(xiàn)率和漏檢率均控制在較低水平，進(jìn)一步證明了APFP算法在分解HD-sEMG信號方面的高精度和穩(wěn)定性。該研究首次以“雙源驗證”的方式，系統(tǒng)評估了APFP方法的可靠性，不僅為表面肌電分解提供了全自動、高魯棒性的技術(shù)工具，也為今后在康復(fù)醫(yī)學(xué)、人機(jī)交互、神經(jīng)肌肉疾病監(jiān)測等領(lǐng)域的應(yīng)用推廣奠定了重要基礎(chǔ)。
研究方法
本研究共招募了5名神經(jīng)系統(tǒng)健康的成年男性志愿者（平均年齡36±8歲），均無任何已知的神經(jīng)或肌肉系統(tǒng)疾病。同時，研究還特別納入了一位慢性腦卒中女性患者（65歲，卒中后恢復(fù)期已達(dá)5年），旨在評估APFP方法對HD-sEMG信號的自動分解性能。
在信號采集階段，每位受試者均被安排以舒適坐姿，將實驗側(cè)手臂旋前并放置于可調(diào)高度的支撐臺上，在指導(dǎo)下完成低強(qiáng)度的等長肌肉收縮任務(wù)。其中，4名健康受試者進(jìn)行了雙側(cè)采集，另1名僅采集優(yōu)勢手；腦卒中患者則采集患側(cè)肌肉信號，共計獲得10塊FDI肌肉的雙通道記錄數(shù)據(jù)。
圖 2. HD-sEMG和iEMG對FDI肌肉的同步采集實驗設(shè)置
實驗共采集153組數(shù)據(jù)，經(jīng)預(yù)處理與質(zhì)量篩選，最終選取114組高質(zhì)量信號用于后續(xù)分析。實驗采用由TMSi公司（荷蘭）研發(fā)的Refa 128通道放大器系統(tǒng)對HD-sEMG信號進(jìn)行采集。所用電極陣列為柔性二維64通道（8×8）結(jié)構(gòu)，單個電極直徑為1.2 mm，中心間距為4 mm，具備良好的皮膚貼合性和空間分辨率。采樣頻率設(shè)定為2000 Hz，帶通濾波范圍設(shè)為10 Hz–500 Hz，確保信號完整性與抗干擾性能。同時，iEMG信號通過Natus UltraPro S100系統(tǒng)（美國 Natus Neurology Inc.）進(jìn)行采集，使用傳統(tǒng)同心針電極（直徑0.58 mm，記錄面積0.07 mm2），采樣頻率為44.1 kHz，帶通濾波范圍為10 Hz–10 kHz。iEMG信號通過柔性電極陣列預(yù)留小孔插入目標(biāo)肌肉，實現(xiàn)同一肌肉區(qū)域內(nèi)的同步采集（圖2）。所有電極貼附區(qū)域均經(jīng)過標(biāo)準(zhǔn)皮膚處理，并使用醫(yī)用膠帶加固，保證信號穩(wěn)定傳輸。
對HD-sEMG數(shù)據(jù)應(yīng)用APFP算法進(jìn)行全自動分解，并對iEMG數(shù)據(jù)采用人工輔助方法進(jìn)行半自動分解。隨后，二者通過比對識別出的MUs的發(fā)放時間，計算兩者之間的匹配率（Matching Rate, MR）及相關(guān)統(tǒng)計指標(biāo)。
關(guān)鍵實驗結(jié)果
實驗結(jié)果顯示，APFP算法在自動分解HD-sEMG信號并識別MUs方面表現(xiàn)出色，其提取的發(fā)放時間與iEMG高度一致，體現(xiàn)出良好的時序精度與波形還原能力。首先，實驗選取一秒鐘的單通道肌電信號作為示例數(shù)據(jù)（圖3），在每一輪“剝皮”（peel-off）中，從原始信號中識別新的MUs，并據(jù)此估算MUAP波形，重建信號后得到更為稀疏的殘差成分。三輪迭代后，識別出的MU總數(shù)達(dá)到11個，重建信號已接近原始信號，殘差信號中僅剩下工頻噪聲成分，說明APFP算法能夠充分還原原始肌電信號的神經(jīng)源結(jié)構(gòu)。更重要的是，在連續(xù)三輪估計中，MUAP波形的穩(wěn)定性極高，體現(xiàn)出算法的高度一致性和可靠性。
圖 3. 利用APFP對高密度表面肌電信號進(jìn)行三步剝離分解的過程，逐步提取運動單元并更新其動作電位模板，最終實現(xiàn)信號重構(gòu)和殘差稀疏化，驗證了分解結(jié)果的準(zhǔn)確性和穩(wěn)定性
與此同時，研究還將HD-sEMG的自動分解結(jié)果與iEMG的人工輔助半自動分解結(jié)果進(jìn)行了對比，圖4呈現(xiàn)了一個典型iEMG分解案例。在該示例中，通過閾值設(shè)定和殘差信號提取，逐步分離出兩組MUs。在進(jìn)一步對殘差信號中的波形進(jìn)行聚類分析后，成功識別出兩組具有明確中心的神經(jīng)放電成分，而較為分散的一類被判斷為噪聲。通過這種方式，iEMG信號中的神經(jīng)元放電模式得以較為完整地呈現(xiàn)，成為驗證HD-sEMG分解有效性的“金標(biāo)準(zhǔn)”基礎(chǔ)。
圖4. 肌內(nèi)肌電圖（IEMG）分解過程示例。上圖：完整的分解流程。左下：從第二次殘差中提取的尖峰在特征空間上的谷值尋優(yōu)聚類；均方根（RMS）和絕對標(biāo)準(zhǔn)差差值（DASDV）被用作聚類特征。右下：第二次殘差中選定片段（1.2秒至1.6秒）的放大視圖
數(shù)據(jù)層面，本研究共采集了153組HD-sEMG與iEMG同步記錄，其中114組數(shù)據(jù)中成功識別出了共同MUs，占比達(dá)74.5%。在這114組數(shù)據(jù)中，HD-sEMG每段平均識別出7.6±2.7個運動單位，而IEMG則平均識別出1.9±1.0個運動單位，共計獲得168對被共同識別的MUs。進(jìn)一步分析顯示，HD-sEMG所提取MUs的平均匹配率高達(dá)96.81% ± 3.65%，虛警率為3.80%±5.02%，漏檢率僅為2.42% ± 3.83%。這意味著，在絕大多數(shù)情況下，HD-sEMG所識別的放電時序與iEMG幾乎完全一致，識別結(jié)果具備高度時域準(zhǔn)確性。值得注意的是，超過一半的MUs匹配率達(dá)到98%以上，極少數(shù)匹配率低于80%的對數(shù)均來自放電稀疏、信息不足的情況。
圖 5. 隨機(jī)匹配的sEMG和iEMG運動單位動作電位序列的匹配率分布，其中匹配成功的配對以紅色柱狀表示
進(jìn)一步結(jié)果可視化顯示，圖5呈現(xiàn)了114組實驗中所有隨機(jī)匹配對的匹配率分布頻譜圖。匹配率呈明顯雙峰分布，其中一組集中在0–20%之間（屬于隨機(jī)對，無共同發(fā)放節(jié)律），而另一組集中在80–100%之間，代表具有高度重合性的神經(jīng)源對。這一結(jié)果不僅證明了APFP算法的可靠性，也驗證了以80%作為匹配率閾值來篩選共識MUs的合理性和科學(xué)性。
圖6通過一個清晰的對照示例進(jìn)一步證實這一結(jié)論。在該試驗中，HD-sEMG與iEMG分別識別出3個運動單位，其放電脈沖序列之間的時序?qū)R幾乎無誤。通過藍(lán)色和紅色脈沖列的比對可以看出，兩個系統(tǒng)的發(fā)放信息在時間維度上高度一致，唯有極少數(shù)點存在微小錯配，進(jìn)一步鞏固了該算法在實際信號處理中可替代針電極技術(shù)的潛力。
圖 6. sEMG和iEMG中識別出的運動單元發(fā)放時間對比。藍(lán)色脈沖序列為APFP方法提取結(jié)果，紅色為iEMG結(jié)果，黑點表示未匹配的發(fā)放時間。底部顯示了對應(yīng)運動單元的MUAP波形、重構(gòu)的iEMG信號及殘差信號
總結(jié)與展望：解鎖神經(jīng)控制的新“語言”，讓肌電自動化分解更精準(zhǔn)
本研究通過雙源驗證系統(tǒng)，首次系統(tǒng)評估了APFP算法在自動化表面肌電分解中的性能，驗證了其在識別運動單位放電模式方面的高精度與魯棒性。與傳統(tǒng)針電極相比，HD-sEMG+APFP不僅實現(xiàn)了無創(chuàng)條件下的高質(zhì)量信號分解，還顯著提高了MU提取的效率與覆蓋范圍。其核心優(yōu)勢在于：無需人工干預(yù)、可處理復(fù)雜重疊信號、兼容大范圍肌群,極大拓展了肌電技術(shù)的應(yīng)用邊界。隨著可穿戴設(shè)備、云計算和神經(jīng)建模技術(shù)的快速發(fā)展，這一類基于算法驅(qū)動的肌電分解工具，未來不僅將廣泛應(yīng)用于神經(jīng)康復(fù)評估、遠(yuǎn)程醫(yī)療監(jiān)控等場景，更有望在人機(jī)接口、虛擬現(xiàn)實控制、智能假肢等領(lǐng)域發(fā)揮關(guān)鍵作用。可以預(yù)見，自動化肌電解碼將逐步成為解讀人體神經(jīng)控制語言的“翻譯器”，助力我們在醫(yī)學(xué)、工程與交互技術(shù)之間，建立起更加自然、高效、智能的橋梁。肌電信號將不再只是科研的“數(shù)據(jù)”，而將轉(zhuǎn)化為人類行動意圖的實時反饋，成為數(shù)字神經(jīng)系統(tǒng)中的關(guān)鍵輸入通道。
原文鏈接
Chen, M., Zhang, X., Lu, Z., Li, X., & Zhou, P. (2018). Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International journal of neural systems, 28(09), 1850019.
https://www.worldscientific.com/doi/epdf/10.1142/S0129065718500193
研究團(tuán)隊介紹
本文研究團(tuán)隊由來自中國科學(xué)技術(shù)大學(xué)、廣東省工傷康復(fù)中心、美國得克薩斯大學(xué)健康科學(xué)中心及TIRR紀(jì)念赫爾曼醫(yī)院的研究人員組成，成員包括Maoqi Chen、Xu Zhang、Zhiyuan Lu、Xiaoyan Li、PIng Zhou等，主要從事高密度表面肌電圖分解方法及驗證相關(guān)研究。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。
相關(guān)產(chǎn)品
背景介紹
隨著人機(jī)交互、康復(fù)工程與神經(jīng)科學(xué)的融合發(fā)展，如何精準(zhǔn)解讀肌肉發(fā)出的“電語言”已成為智能醫(yī)療的重要方向。尤其是在臨床康復(fù)、假肢控制、運動功能評估等領(lǐng)域，運動單位（MU，Motor Unit）的放電模式正被視為洞察肌肉健康與功能狀態(tài)的關(guān)鍵指標(biāo)。然而，想要從復(fù)雜多變的表面肌電信號（sEMG）中，準(zhǔn)確還原這些深層的生理活動，就像在交響樂中精準(zhǔn)識別每一件樂器的旋律一樣困難。傳統(tǒng)的針電極肌電（iEMG）雖然信噪比更高，在分解精度上具有優(yōu)勢，但因其侵入性強(qiáng)、適用范圍小，難以滿足日常評估與大規(guī)模監(jiān)測的需求。而高密度表面肌電（HD-sEMG）憑借無創(chuàng)、多通道采集的優(yōu)勢，逐漸成為探索肌肉電生理活動的新興技術(shù)手段。然而，其龐大的數(shù)據(jù)量與高度重疊的信號結(jié)構(gòu)，也對分解算法提出了更高的要求。在這種背景下，發(fā)展自動化、魯棒性強(qiáng)的sEMG分解技術(shù)，不僅是肌電研究的技術(shù)難點，更是推動肌電技術(shù)走向臨床、家庭與可穿戴設(shè)備的關(guān)鍵一步。
圖 1. 論文信息
論文概要
來自康復(fù)大學(xué)的周平和陳茂啟教授團(tuán)隊，針對表面肌電（sEMG）分解難題，提出并驗證了一種自動化信號分解方法—-Progressive FastICA Peel-Off（APFP）。相關(guān)研究成果發(fā)表于《International Journal of Neural Systems》期刊，論文題為《Two-Source Validation of Progressive FastICA Peel-Off for Automatic Surface EMG Decomposition in Human First Dorsal Interosseous Muscle》。該研究通過HD-sEMG與iEMG同步采集技術(shù)，在實驗中采集人手部第一背側(cè)骨間肌（FDI）在低強(qiáng)度收縮狀態(tài)下的雙源肌電數(shù)據(jù)。然后分別使用APFP算法與人工輔助檢查的PFP算法對兩類信號進(jìn)行肌電分解，并對共識運動單位的發(fā)放時間進(jìn)行比對，量化APFP分解準(zhǔn)確度。證實了所提APFP算法的虛假發(fā)現(xiàn)率和漏檢率均控制在較低水平，進(jìn)一步證明了APFP算法在分解HD-sEMG信號方面的高精度和穩(wěn)定性。該研究首次以“雙源驗證”的方式，系統(tǒng)評估了APFP方法的可靠性，不僅為表面肌電分解提供了全自動、高魯棒性的技術(shù)工具，也為今后在康復(fù)醫(yī)學(xué)、人機(jī)交互、神經(jīng)肌肉疾病監(jiān)測等領(lǐng)域的應(yīng)用推廣奠定了重要基礎(chǔ)。
研究方法
本研究共招募了5名神經(jīng)系統(tǒng)健康的成年男性志愿者（平均年齡36±8歲），均無任何已知的神經(jīng)或肌肉系統(tǒng)疾病。同時，研究還特別納入了一位慢性腦卒中女性患者（65歲，卒中后恢復(fù)期已達(dá)5年），旨在評估APFP方法對HD-sEMG信號的自動分解性能。
在信號采集階段，每位受試者均被安排以舒適坐姿，將實驗側(cè)手臂旋前并放置于可調(diào)高度的支撐臺上，在指導(dǎo)下完成低強(qiáng)度的等長肌肉收縮任務(wù)。其中，4名健康受試者進(jìn)行了雙側(cè)采集，另1名僅采集優(yōu)勢手；腦卒中患者則采集患側(cè)肌肉信號，共計獲得10塊FDI肌肉的雙通道記錄數(shù)據(jù)。
圖 2. HD-sEMG和iEMG對FDI肌肉的同步采集實驗設(shè)置
實驗共采集153組數(shù)據(jù)，經(jīng)預(yù)處理與質(zhì)量篩選，最終選取114組高質(zhì)量信號用于后續(xù)分析。實驗采用由TMSi公司（荷蘭）研發(fā)的Refa 128通道放大器系統(tǒng)對HD-sEMG信號進(jìn)行采集。所用電極陣列為柔性二維64通道（8×8）結(jié)構(gòu)，單個電極直徑為1.2 mm，中心間距為4 mm，具備良好的皮膚貼合性和空間分辨率。采樣頻率設(shè)定為2000 Hz，帶通濾波范圍設(shè)為10 Hz–500 Hz，確保信號完整性與抗干擾性能。同時，iEMG信號通過Natus UltraPro S100系統(tǒng)（美國 Natus Neurology Inc.）進(jìn)行采集，使用傳統(tǒng)同心針電極（直徑0.58 mm，記錄面積0.07 mm2），采樣頻率為44.1 kHz，帶通濾波范圍為10 Hz–10 kHz。iEMG信號通過柔性電極陣列預(yù)留小孔插入目標(biāo)肌肉，實現(xiàn)同一肌肉區(qū)域內(nèi)的同步采集（圖2）。所有電極貼附區(qū)域均經(jīng)過標(biāo)準(zhǔn)皮膚處理，并使用醫(yī)用膠帶加固，保證信號穩(wěn)定傳輸。
對HD-sEMG數(shù)據(jù)應(yīng)用APFP算法進(jìn)行全自動分解，并對iEMG數(shù)據(jù)采用人工輔助方法進(jìn)行半自動分解。隨后，二者通過比對識別出的MUs的發(fā)放時間，計算兩者之間的匹配率（Matching Rate, MR）及相關(guān)統(tǒng)計指標(biāo)。
關(guān)鍵實驗結(jié)果
實驗結(jié)果顯示，APFP算法在自動分解HD-sEMG信號并識別MUs方面表現(xiàn)出色，其提取的發(fā)放時間與iEMG高度一致，體現(xiàn)出良好的時序精度與波形還原能力。首先，實驗選取一秒鐘的單通道肌電信號作為示例數(shù)據(jù)（圖3），在每一輪“剝皮”（peel-off）中，從原始信號中識別新的MUs，并據(jù)此估算MUAP波形，重建信號后得到更為稀疏的殘差成分。三輪迭代后，識別出的MU總數(shù)達(dá)到11個，重建信號已接近原始信號，殘差信號中僅剩下工頻噪聲成分，說明APFP算法能夠充分還原原始肌電信號的神經(jīng)源結(jié)構(gòu)。更重要的是，在連續(xù)三輪估計中，MUAP波形的穩(wěn)定性極高，體現(xiàn)出算法的高度一致性和可靠性。
圖 3. 利用APFP對高密度表面肌電信號進(jìn)行三步剝離分解的過程，逐步提取運動單元并更新其動作電位模板，最終實現(xiàn)信號重構(gòu)和殘差稀疏化，驗證了分解結(jié)果的準(zhǔn)確性和穩(wěn)定性
與此同時，研究還將HD-sEMG的自動分解結(jié)果與iEMG的人工輔助半自動分解結(jié)果進(jìn)行了對比，圖4呈現(xiàn)了一個典型iEMG分解案例。在該示例中，通過閾值設(shè)定和殘差信號提取，逐步分離出兩組MUs。在進(jìn)一步對殘差信號中的波形進(jìn)行聚類分析后，成功識別出兩組具有明確中心的神經(jīng)放電成分，而較為分散的一類被判斷為噪聲。通過這種方式，iEMG信號中的神經(jīng)元放電模式得以較為完整地呈現(xiàn)，成為驗證HD-sEMG分解有效性的“金標(biāo)準(zhǔn)”基礎(chǔ)。
圖4. 肌內(nèi)肌電圖（IEMG）分解過程示例。上圖：完整的分解流程。左下：從第二次殘差中提取的尖峰在特征空間上的谷值尋優(yōu)聚類；均方根（RMS）和絕對標(biāo)準(zhǔn)差差值（DASDV）被用作聚類特征。右下：第二次殘差中選定片段（1.2秒至1.6秒）的放大視圖
數(shù)據(jù)層面，本研究共采集了153組HD-sEMG與iEMG同步記錄，其中114組數(shù)據(jù)中成功識別出了共同MUs，占比達(dá)74.5%。在這114組數(shù)據(jù)中，HD-sEMG每段平均識別出7.6±2.7個運動單位，而IEMG則平均識別出1.9±1.0個運動單位，共計獲得168對被共同識別的MUs。進(jìn)一步分析顯示，HD-sEMG所提取MUs的平均匹配率高達(dá)96.81% ± 3.65%，虛警率為3.80%±5.02%，漏檢率僅為2.42% ± 3.83%。這意味著，在絕大多數(shù)情況下，HD-sEMG所識別的放電時序與iEMG幾乎完全一致，識別結(jié)果具備高度時域準(zhǔn)確性。值得注意的是，超過一半的MUs匹配率達(dá)到98%以上，極少數(shù)匹配率低于80%的對數(shù)均來自放電稀疏、信息不足的情況。
圖 5. 隨機(jī)匹配的sEMG和iEMG運動單位動作電位序列的匹配率分布，其中匹配成功的配對以紅色柱狀表示
進(jìn)一步結(jié)果可視化顯示，圖5呈現(xiàn)了114組實驗中所有隨機(jī)匹配對的匹配率分布頻譜圖。匹配率呈明顯雙峰分布，其中一組集中在0–20%之間（屬于隨機(jī)對，無共同發(fā)放節(jié)律），而另一組集中在80–100%之間，代表具有高度重合性的神經(jīng)源對。這一結(jié)果不僅證明了APFP算法的可靠性，也驗證了以80%作為匹配率閾值來篩選共識MUs的合理性和科學(xué)性。
圖6通過一個清晰的對照示例進(jìn)一步證實這一結(jié)論。在該試驗中，HD-sEMG與iEMG分別識別出3個運動單位，其放電脈沖序列之間的時序?qū)R幾乎無誤。通過藍(lán)色和紅色脈沖列的比對可以看出，兩個系統(tǒng)的發(fā)放信息在時間維度上高度一致，唯有極少數(shù)點存在微小錯配，進(jìn)一步鞏固了該算法在實際信號處理中可替代針電極技術(shù)的潛力。
圖 6. sEMG和iEMG中識別出的運動單元發(fā)放時間對比。藍(lán)色脈沖序列為APFP方法提取結(jié)果，紅色為iEMG結(jié)果，黑點表示未匹配的發(fā)放時間。底部顯示了對應(yīng)運動單元的MUAP波形、重構(gòu)的iEMG信號及殘差信號
總結(jié)與展望：解鎖神經(jīng)控制的新“語言”，讓肌電自動化分解更精準(zhǔn)
本研究通過雙源驗證系統(tǒng)，首次系統(tǒng)評估了APFP算法在自動化表面肌電分解中的性能，驗證了其在識別運動單位放電模式方面的高精度與魯棒性。與傳統(tǒng)針電極相比，HD-sEMG+APFP不僅實現(xiàn)了無創(chuàng)條件下的高質(zhì)量信號分解，還顯著提高了MU提取的效率與覆蓋范圍。其核心優(yōu)勢在于：無需人工干預(yù)、可處理復(fù)雜重疊信號、兼容大范圍肌群,極大拓展了肌電技術(shù)的應(yīng)用邊界。隨著可穿戴設(shè)備、云計算和神經(jīng)建模技術(shù)的快速發(fā)展，這一類基于算法驅(qū)動的肌電分解工具，未來不僅將廣泛應(yīng)用于神經(jīng)康復(fù)評估、遠(yuǎn)程醫(yī)療監(jiān)控等場景，更有望在人機(jī)接口、虛擬現(xiàn)實控制、智能假肢等領(lǐng)域發(fā)揮關(guān)鍵作用。可以預(yù)見，自動化肌電解碼將逐步成為解讀人體神經(jīng)控制語言的“翻譯器”，助力我們在醫(yī)學(xué)、工程與交互技術(shù)之間，建立起更加自然、高效、智能的橋梁。肌電信號將不再只是科研的“數(shù)據(jù)”，而將轉(zhuǎn)化為人類行動意圖的實時反饋，成為數(shù)字神經(jīng)系統(tǒng)中的關(guān)鍵輸入通道。
原文鏈接
Chen, M., Zhang, X., Lu, Z., Li, X., & Zhou, P. (2018). Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International journal of neural systems, 28(09), 1850019.
https://www.worldscientific.com/doi/epdf/10.1142/S0129065718500193
研究團(tuán)隊介紹
本文研究團(tuán)隊由來自中國科學(xué)技術(shù)大學(xué)、廣東省工傷康復(fù)中心、美國得克薩斯大學(xué)健康科學(xué)中心及TIRR紀(jì)念赫爾曼醫(yī)院的研究人員組成，成員包括Maoqi Chen、Xu Zhang、Zhiyuan Lu、Xiaoyan Li、PIng Zhou等，主要從事高密度表面肌電圖分解方法及驗證相關(guān)研究。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。
相關(guān)產(chǎn)品
