在线表面肌电信号分解的两源验证研究

学术背景

表面肌电信号（Surface Electromyogram, SEMG）是肌肉活动的重要表征，广泛应用于运动康复、机器人控制和人机交互等领域。然而，SEMG信号由于其低信噪比、高相似性和严重叠加的波形特征，分解难度较大。近年来，随着电子和传感技术的发展，高密度表面肌电信号（High-Density SEMG, HD SEMG）的采集成为可能，盲源分离技术（Blind Source Separation, BSS）如卷积核补偿（Convolution Kernel Compensation, CKC）和渐进式快速独立成分分析剥离（Progressive FastICA Peel-Off, PFP）等方法在SEMG分解中取得了显著进展。然而，现有的在线SEMG分解研究主要基于模拟信号进行验证，缺乏对实验数据的全面评估。因此，本研究旨在通过同时采集肌内肌电信号（Intramuscular EMG, IEMG）和HD SEMG信号，进行两源验证，以全面评估在线SEMG分解的性能。

论文来源

本论文由Haowen Zhao、Maoqi Chen、Yunfei Liu、Xiang Chen、Ping Zhou和Xu Zhang共同撰写。作者分别来自中国科学技术大学微电子学院和青岛大学生物医学与康复工程学院。该论文已发表于《IEEE Transactions on Biomedical Engineering》期刊，发表日期为2025年，DOI编号为10.1109/TBME.2025.3538338。

研究流程

1. 实验设计与数据采集

研究招募了5名健康受试者（年龄36±8岁），所有受试者均无已知的肌肉损伤或神经肌肉疾病。实验协议符合《赫尔辛基宣言》，并获得德克萨斯大学休斯顿健康科学中心人类受试者保护委员会（CPHS）的批准。实验在受试者优势手的第一骨间背侧肌（First Dors Interosseous, FDI）同时采集SEMG和IEMG信号。

• SEMG采集：使用8行×8列的柔性二维电极阵列（TMS International BV, 荷兰）采集SEMG信号，参考电极位于肘部附近。信号通过REFA 128通道放大系统（TMS International BV, 荷兰）记录，采样频率为2 kHz，带通滤波器设置为10 Hz–500 Hz。
• IEMG采集：使用Natus UltraPro S100 EMG系统（Natus Neurology Inc., 美国）和传统的同心针电极（直径0.58 mm，记录面积0.07 mm²）采集IEMG信号，参考电极位于手背。信号采样频率为44.1 kHz，带通滤波器设置为10 Hz–10 kHz。

2. 信号同步与实验流程

在实验过程中，受试者坐姿舒适，测试手臂俯卧放置在可调节高度的桌子上。通过提供阻力，受试者进行低力水平的等长收缩。一旦屏幕上出现明显的运动单位（Motor Unit, MU）活动，受试者需保持收缩至少30秒。每个受试者进行约15次试验，每次试验后提供足够的休息时间。为确保SEMG和IEMG信号的同步，在每个试验中使用电刺激协议，通过刺激尺神经（位于腕横纹近端约2 cm处）产生可见的M波响应，从而对齐记录到的刺激伪迹。

3. 数据分析

研究采用两源验证方法，分别对SEMG和IEMG信号进行独立分解。

• SEMG分解：使用在线PFP方法进行实时处理。离线阶段通过离线自动PFP（Automatic PFP, APFP）方法初始化一系列MU分离向量，在线阶段使用这些向量估计源信号，并通过多阈值Otsu算法精确提取MU放电时间序列（Motor Unit Spike Trains, MUSTs）。
• IEMG分解：使用简化的PFP方法，结合剥离策略和谷值聚类（Valley-Seeking Clustering）算法。首先提取具有明显幅度的MU，然后通过谷值聚类算法区分叠加的MU。分解结果的可靠性通过多个指标（如放电幅度的变异系数和放电间隔）进行评估，确保两源验证的准确性。

4. 性能评估

研究使用匹配率（Matching Rate, MR）、假阴性率（False Negative Rate, FNR）和假发现率（False Discovery Rate, FDR）评估在线SEMG分解的性能。MR计算公式为：

[ MR = \frac{2N_{com}}{N_g + N_s} ]

其中，(N_g)表示地面真实参考的放电事件数，(Ns)表示SEMG分解结果的放电事件数，(N{com})表示共同放电事件数。FNR和FDR分别表示“遗漏”和“错误”放电事件的比例。

主要结果

研究共分析了50次试验的SEMG和IEMG信号，从中识别出549个MU（来自SEMG信号）和92个MU（来自IEMG信号，作为地面真实参考）。所有从IEMG信号中分解出的MU均能与在线SEMG分解结果匹配，在线阶段的平均MR为（96±1）%，FDR为0.05±0.02，FNR为0.03±0.01。离线阶段的性能略优于在线阶段，MR为（99±0.6）%，FDR为0.02±0.01，FNR为0.02±0.01。

结论与意义

本研究通过两源验证全面评估了在线SEMG分解的性能，证明了基于PFP方法的两阶段方法能够连续、精确地跟踪实验SEMG信号中的同一MU。研究结果为在线SEMG分解的可靠性提供了有力证据，具有重要的科学和应用价值，特别是在运动康复、机器人控制和人机交互等领域。

研究亮点

1. 两源验证：通过同时采集SEMG和IEMG信号，使用IEMG分解结果作为地面真实参考，全面评估在线SEMG分解的性能。
2. 高匹配率：在线分解结果与地面真实参考的匹配率高达96%，证明了分离向量在连续跟踪MU方面的能力。
3. 创新方法：采用简化的PFP方法结合谷值聚类算法进行IEMG分解，提高了分解的准确性和可靠性。

其他有价值的信息

研究还指出，未来的研究可以进一步优化在线分解算法，例如通过局部批量优化分离向量来提高性能。此外，增加IEMG记录的通道数可以获取更多共同MU，从而进行更全面的验证。

---

通过本研究的报道，读者可以深入了解在线SEMG分解的最新进展及其在实验数据中的应用价值。