發布時間：2021-04-26所屬分類：醫學論文瀏覽：1次
摘 要： 摘要目的：基于表面肌電分解技術，分析伸膝動作中不同發力狀態下大腿肌肉運動單元的解碼準確性，并對比神經特征和肌電特征在肌肉激活程度估計中的效果。方法：12名大學生分別以兩種發力速度和四種發力等級完成伸膝動作的等長收縮。實驗同步采集受試者股內側
摘要目的：基于表面肌電分解技術，分析伸膝動作中不同發力狀態下大腿肌肉運動單元的解碼準確性，并對比神經特征和肌電特征在肌肉激活程度估計中的效果。方法：12名大學生分別以兩種發力速度和四種發力等級完成伸膝動作的等長收縮。實驗同步采集受試者股內側肌和股外側肌處的高密度表面肌電信號和伸膝動作收縮力。基于卷積核補償算法解碼肌電信號得到運動單元動作電位，提取神經特征用于收縮力的互相關分析。結果：對于股內側肌，2種任務及4種收縮力等級下平均解碼得到7±4個運動單元，股外側肌平均解碼得到9±5個運動單元。他們的平均脈沖信噪比(pulse-to-noiseratio,PNR)為30.1dB，對應解碼準確率大于90%。股內側肌的兩種神經特征與力之間的平均相關性分別為0.79±0.08和0.80±0.08，股外側肌的兩種神經特征與力之間的平均相關性分別為0.85±0.05和0.85±0.06。結論：基于肌電分解技術可以準確識別不同發力狀態下大腿肌肉的運動單元放電活動，并且運動單元放電頻率與伸膝動作力高度相關，研究結果可用于運動康復、運動訓練及人機接口等領域。
關鍵詞肌電分解，運動單元，卷積核補償，伸膝
運動單元(motorunit,MU)是人體運動系統中的肌肉收縮最基本的結構和功能單位，包含運動神經元(motorneuron)以及該神經元所支配的所有肌纖維[1].運動神經元負責將脊髓和大腦發出的信息傳到肌肉，其放電信息表征著中樞神經系統傳輸到肌肉的驅動信息.運動神經元的動作電位會傳輸到所支配的肌纖維，引起肌纖維收縮并產生力[2].運動單元動作電位(motorunitactionpotential，MUAP)是一個運動單元中所有肌纖維動作電位的疊加，經肌肉、脂肪、皮膚等組織傳輸至皮膚表面后，可以用電極采集得到表面肌電信號(surfaceelectromyography，sEMG)[3].因此，表面肌電蘊含著人體運動的神經驅動信息，從而被廣泛應用于神經機理探究、臨床醫學、康復訓練以及人機接口中[4-6].
但是，由于容積導體[7]和幅值抵消[8]現象的存在，表面肌電信號并不能完全地反應神經驅動信息.從表面肌電信號中提取出的時域和頻域特征也只能一定程度上反應神經元放電活動.為了克服表面肌電的固有缺陷，肌電分解(electromyographydecomposition)技術逐漸發展起來.基于肌電分解技術可以識別出運動單元的動作電位脈沖串，提取運動單元動作電位波形，從而對神經電生理活動進行分析[9,10].肌電分解技術的發展促進了對運動過程中神經調節機制的理解，已經在神經機理探究和人機接口中得到初步應用[11-13].
20世紀20年代，肌內肌電(intramuscularelectromyography)開始用于解碼運動單元放電活動[14].通過植入電極插到肌肉內，MUAP可以直接采集到，避免了容積導體和串擾影響[15].近年來，肌內肌電分解算法不斷發展，已經可以實現MUAP自動解碼[16,17].但是肌內肌電自身的侵入性和高度選擇性，肌內肌電采集范圍較小，且難以實現多通道的植入.隨著傳感器技術和數字信號處理技術的發展，表面肌電分解技術的提出為無創解碼神經元放電信息提供了可能.基于盲源分離(blindsourceseparation)[9,18]或模板匹配(templatematching)[19,20]框架，各種解碼算法被相繼提出，并且在多肌肉不同收縮狀態下得到了驗證[21-24].相比于肌內肌電，表面肌電具有無創、操作簡便、覆蓋范圍大等優點，有望解碼出更多的運動單元.
近年來，表面肌電分解技術已被應用到神經調控機制研究中，如腦卒中、腦癱、帕金森、震顫等疾病的診斷與康復[25-28]，也應用到運動訓練、運動選材、運動監控、運動傷病預防與康復等體育科研領域[29-31].另外，人機接口研究證明了基于肌電分解技術提取出的神經特征相對于傳統肌電特征的優越性[32].但是以往的研究多關注于單一發力狀態，對同一動作不同發力狀態(發力速度、發力大小)下運動單元的放電特性缺乏相關分析.能否在不同發力狀態下解碼出有效的運動單元，并且追蹤運動單元的放電特性變化尚不明確.
因此，本研究內容包括：1)分析伸膝動作中不同發力狀態下大腿肌肉運動單元的解碼準確性;2)評估不同發力狀態下運動單元的可追蹤性;3)對比神經特征和肌電特征在肌[28]肉激活程度估計中的效果.
1對象與方法
1.1研究對象
選取12名大學生為研究對象.所有研究對象在實驗前均無任何下肢手術史，無神經性或肌肉性疾病，在實驗前三個月無任何影響完成伸膝動作的損傷.在實驗正式開始前，所有研究對象已經充分熟悉實驗流程、動作要求等，并且均已簽署了實驗同意書.本實驗符合赫爾辛基宣言.研究對象基本情況見表1.
1.2實驗方法
研究對象需要做出等長收縮的伸膝動作，動作過程中小腿和大腿之間的角度為120°.在實驗之前，需要測量每個研究對象伸膝最大收縮力(maximumvoluntarycontraction，MVC).研究對象緩慢增加收縮力至最大值并保持5s，這一過程重復3次，最終計算保持階段收縮力的平均值作為MVC.
在實驗中，研究對象前方設置一塊屏幕提供實時力反饋，研究對象需要控制收縮力沿梯形曲線變化.每個研究對象需要完成2組任務.在任務1(task1)中，梯形曲線長度為30s，包含10s的上升階段，10s的平穩階段和10s的下降階段.梯形曲線的最大力(即平穩階段的收縮力等級)分為10%、30%、50%和70%MVC共4種.在任務2(task2)中，梯形曲線長度為14s，包含2s的上升階段，10s的平穩階段和2s的下降階段.梯形曲線的最大力和任務1相同.每個研究對象需要完成8次伸膝動作(2種曲線×4種等級)，動作順序對于每個研究對象完全隨機，每次動作之間休息1~2分鐘以防止肌肉疲勞.
1.3數據采集
多通道肌電信號放大器(Quattrocento,OTBioelettronica,Italy)用于采集研究對象的高密度表面肌電信號.兩片64通道電極陣列(5×13排布，電極直徑3mm,間距8mm,OTBioelettronica,Italy)分別貼附在股內側肌(medialvastusmuscle,Grid1)和股外側肌(lateralisvastusmuscle,Grid2)上方，每一行電極沿肌肉纖維方向，如圖1.實驗所用的電極為濕電極，使用前需先涂抹導電膏.在電極貼放前先進行備皮工作，具體步驟如下：先將磨砂膏均勻涂抹在肌肉上方，輕輕打磨至皮膚呈微紅色;然后用75%濃度的醫用酒精棉擦拭皮膚干凈，待酒精揮發后利用雙面膠海綿墊將電極貼附在相應肌肉的肌腹位置.電極放置完成后用彈性綁帶將其固定以避免脫落.肌電信號采樣頻率為2048Hz，放大器增益為500，硬件帶通濾波范圍3~900Hz.伸膝動作的收縮力采用力采集設備(Trigno,DELSYS,USA)進行采集，采樣頻率1000Hz
1.4數據處理
本項研究中所有數據均采用離線方式進行分析.肌電信號在解碼之前，首先進行預處理，具體步驟如下：1)采用4階巴特沃斯濾波器對肌電信號進行20Hz~500Hz的帶通濾波;2)采用梳狀濾波器進行50Hz阻斷濾波以消除工頻干擾;3)在前兩個步驟之后，人工判斷信號異常的通道并去除.對于力信號，首先升采樣至2048Hz，然后采用4階巴特沃斯濾波器進行10Hz的低通濾波.
1.4.1肌電分解
基于卷積核補償(convolutionkernelcompensation,CKC)算法進行肌電分解得到運動單元放電脈沖串(motorunitspiketrain,MUST).分解算法詳細介紹可以參照[9,10]，這里給出簡要介紹
1.4.2特征提取
CST特征：對每次動作的肌電信號進行解碼得到MUST，然后將這些MUST合并形成累積脈沖串(cumulativespiketrain,CST)，然后采用400ms的漢寧窗對CST進行平滑濾波，得到CST特征[37].
PCA特征：同樣基于400ms的漢寧窗，對每次動作解碼得到的所有MUST分別進行平滑濾波，然后進行主成分分析(principalcomponentanalysis,PCA)，提取第一主成分(firstprincipalcomponent)作為PCA特征[41].
1.4.3相關性分析
在進行特征與力相關性分析之前，首先進行肌電信號和力的對齊，具體步驟如下：1)對每一通道的肌電信號進行2Hz的低通濾波(4階巴特沃斯濾波器);2)對所有通道的低通濾波信號做平均;3)基于互相關分析(標準化法)計算肌電信號和力之間的時移，并將肌電信號或力信號平移到相關性最大的時刻.在對齊肌電信號的力信號之后，提取3種特征并與力信號進行互相關分析，計算其最大相關性，如圖2.
2結果
表2和表3展示了股內側肌和股外側肌的解碼結果.對于股內側肌，2種任務及4種收縮力等級下平均解碼得到7±4個運動單元，股外側肌平均解碼得到9±5個運動單元.他們的平均PNR為30.1dB，對應解碼準確率大于90%.每個運動單元在初始募集和去募集時的放電頻率類似，并且都低于收縮力穩定期的放電頻率.對于任務1，在10%收縮力等級下，運動單元在募集期(recruitment)、平穩期和去募集期(de-recruitment)的平均放電頻率分別為13.1±11.0Hz、26.3±17.2Hz以及12.4±12.0Hz，顯著高于其它三個收縮等級時的放電頻率(9.8±7.5Hz、21.4±14.0Hz以及9.5±8.8Hz).在任務2種同樣有這一現象.在所有動作中，運動單元的平均募集閾值隨著動作收縮力等級的提高而上升.在大多數動作中，募集閾值和去募集閾值無顯著差異，少數情況下募集閾值會略低于去募集閾值(P<0.05).
相關期刊推薦：《生物化學與生物物理進展》雜志是國內外公開發行的全國性學術期刊，由中國科學院生物物理研究所和中國生物物理學會共同主辦。主要報道生物化學、分子生物學、生物物理學及神經科學等領域的國內外最新進展。設有微型述評、綜述與專論、研究報告、技術與方法、研究快報等十幾個欄目。
在MUAP匹配結果中，相鄰收縮等級(差異20%MVC)的任務匹配得到的運動單元較多，收縮等級差異在40%MVC及以上時匹配數量較少.在高收縮等級下(50%和70%MVC)，兩種任務之間匹配數量較多，在低等級時(10%和30%MVC)則匹配數量較少.MUAP匹配結果如圖3所示.
圖4展示了三種特征和伸膝力的代表性變化曲線，圖5展示了互相分析結果.股內側肌的CST、PCA和RMS共三種特征與力之間的平均相關性分別為0.79±0.08、0.80±0.08和0.88±0.10，股外側肌的CST、PCA和RMS共三種特征與力之間的平均相關性分別為0.85±0.05、0.85±0.06和0.90±0.08.無論是在股內側肌或股外側肌，RMS與力之間的相關性均顯著高于其它兩種特征(P<0.05).
圖6展示了運動單元解碼個數、PNR對PCA特征與伸膝力相關性的影響.相關性與運動單元的數量呈單調遞增趨勢，PNR則對相關性無明顯影響.根據擬合曲線，當運動單元數量大于5時，相關系數即大于0.8.根據實驗數據，當運動單元數量大于10時，所有相關系數均大于0.8.
3討論
3.1不同發力狀態下的運動單元解碼
以往的研究證明了PNR指標與解碼準確性之間的高度相關性.在本項研究中，同樣應用了PNR來間接估計解碼得到的MUST準確性.在兩種發力速度和四種發力等級下，MUST的平均PNR均為30dB左右，對應MUST的準確率大于90%[34].這一結果證明了在多種發力狀態下解碼運動單元電生理活動的可行性.對于研究中所采用的CKC解碼算法，可解碼出的運動單元數量不僅與實際激活數量有關，還與預輸入的一些解碼參數有關，例如循環次數、迭代次數等.在解碼過程中由于對每次解碼的輸入參數均相同，不同動作所解碼出來的有效MUST數量并無明顯差異.在一些情況下，股外側肌所解碼得到的運動單元數量要多于股內側肌解碼的數量.這有可能是由于股外側肌是伸膝動作的主要發力肌肉從而需要更多運動單元參與引起的.
一般情況下肌肉中運動單元的募集遵循“大小原則”，即肌纖維數量少、收縮力較小的運動單元先被募集，纖維數量多、收縮力較大的運動單元后被募集[1].運動單元在被募集的初始階段，其放電頻率較低，后來會隨著激活程度的增加(肌肉收縮力的增加)而提高，直至達到最大值，此時放電頻率保持穩定，不會再隨著激活程度的增加而提高.一般來說，高閾值的運動單元其穩定放電頻率要低于低閾值的運動單元.在10%MVC的伸膝動作中，所募集到的運動單元其放電頻率顯著高于其它三個等級.這一現象有可能是由于在低等級情況下，所募集的運動單元其激活閾值就比較小，穩定放電頻率較高.隨著收縮力等級的增加，高閾值、低穩定頻率的運動單元逐漸被募集，從而降低了平均頻率.任務1與任務2相比，任務2種放電頻率顯著高于任務1.這是由于，在等長收縮(isometriccontraction)中，快速發力會降低運動單元的募集閾值[2]，并且伴隨放電頻率的增加，因此在快速收縮過程中，更多高閾值運動單元被募集.
這同樣也解釋了為什么任務1中高收縮等級動作與任務2種的MUAP匹配數量較多，而任務1中低收縮等級動作和高收縮等級動作之間匹配數量較少.本項研究采用了MUAP波形匹配來追蹤不同動作之間的運動單元.這種方式已經被證明可以用于追蹤運動單元[29,39]，并且在長期訓練過程中可以用于評估運動單元的變化，從而指導訓練過程，給出訓練結果評價.
3.2基于運動單元特征的肌肉激活狀態估計
運動單元的電生理活動直接反映了脊髓中運動神經元的放電信息，其蘊含著中樞神經系統傳輸到肌肉的神經驅動信號[35].因此，運動單元的電生理活動應該與肌肉收縮力呈高度相關性.以往的研究表明，CST特征可以有效地反應神經傳導過程中的共同驅動，并用于肌肉激活程度估計[37].另外，基于PCA同樣可以提取出多個運動單元電生理活動的主要成分，從而實現一維的肌肉力估計[38].在本項研究中，共提取了三種特征，其中兩種是基于肌電分解結果，一種是時域特征RMS.從股外側肌采集到的肌電信號提取出三種特征，與收縮力之間的相關性均顯著高于從股內側肌提取的特征.這是由于，在伸膝(膝關節≥120°)動作中，股外側肌起主要作用，而股內側肌更多的是保持動作.
從理論上講，相對于RMS特征，從運動單元放電活動中提取的CST和PCA特征與收縮力之間的相關性應該更高，以往的研究也證明了這一點.但值得注意的是，CST和PCA特征對收縮力的估計效果與運動單元的解碼數量非常敏感.由于現有算法的局限性，無法解碼出足夠多運動單元.如圖4(a)所示，在收縮力較低時無運動單元放電脈沖被解碼到，所以此時CST特征和PCA特征均為零.在運動單元數量足夠高的情況下，CST和PCA特征與收縮力之間的相關性更高.根據研究結果，建議運動單元的解碼數量應該在5以上.本項研究中雖然CST和PCA特征與力之間的相關性略低于RMS特征，但平均相關系數仍然在0.8以上.同時，基于肌電分解所提取的特征還具有一些時域特征所不具備的優勢，例如對神經傳導速度、運動單元收縮力等參數的估計[40,41].
4結論
基于肌電分解技術可以準確識別不同發力狀態下大腿肌肉的運動單元放電活動.運動單元放電頻率與伸膝動作力高度相關，另外通過MUAP匹配可以追蹤不同發力狀態下的運動單元.該研究結果可用于康復訓練及人機接口等領域.——論文作者：邱方1)，陳晨2)，張方同1)，馬瑞雅1)，石麗君1，4)，盛鑫軍2)，劉曉東3)**
SCISSCIAHCI
