オンライン表面筋電図信号分解の二重ソース検証に関する研究

学術的背景

表面筋電図（Surface Electromyogram, SEMG）は筋肉活動を表す重要な指標であり、運動リハビリテーション、ロボット制御、ヒューマンマシンインタフェースなどの分野で広く応用されています。しかし、SEMG信号は低SN比、高い類似性、波形の重なりが顕著なため、分解が困難です。近年、電子技術とセンシング技術の進歩により、高密度表面筋電図（High-Density SEMG, HD SEMG）の収集が可能となり、盲源分離技術（Blind Source Separation, BSS）として知られる手法、例えば畳み込みカーネル補償（Convolution Kernel Compensation, CKC）や漸進型高速独立成分分析による剥離法（Progressive FastICA Peel-Off, PFP）などがSEMG分解において顕著な進展を遂げています。しかし、既存のオンラインSEMG分解研究は主に模擬信号を用いて検証されており、実験データに対する包括的な評価が不足しています。そこで本研究では、筋内筋電図（Intramuscular EMG, IEMG）とHD SEMG信号を同時に収集し、二重ソース検証を行うことで、オンラインSEMG分解の性能を包括的に評価することを目指します。

論文の出典

本論文はHaowen Zhao、Maoqi Chen、Yunfei Liu、Xiang Chen、Ping Zhou、Xu Zhangによって共同執筆されました。著者らはそれぞれ中国科学技術大学微電子学院および青島大学生物医学・リハビリテーション工学部に所属しています。この論文は『IEEE Transactions on Biomedical Engineering』誌に2025年に発表され、DOI番号は10.1109/TBME.2025.3538338です。

研究プロセス

1. 実験設計とデータ収集

本研究では、健康な被験者5名（年齢36±8歳）を募集しました。すべての被験者は筋肉損傷や神経筋疾患がないことを確認しました。実験プロトコルはヘルシンキ宣言に準拠しており、テキサス大学ヒューストン健康科学センターの人間被験者保護委員会（CPHS）の承認を得ています。実験では、被験者の利き手の第一背側骨間筋（First Dorsal Interosseous, FDI）からSEMGとIEMG信号を同時に収集しました。

• SEMG収集：8行×8列の柔軟な2次元電極アレイ（TMS International BV, オランダ）を使用してSEMG信号を収集しました。基準電極は肘の近くに配置しました。信号はREFA 128チャンネル増幅システム（TMS International BV, オランダ）で記録され、サンプリング周波数は2 kHz、帯域フィルタ設定は10 Hz–500 Hzでした。
• IEMG収集：Natus UltraPro S100 EMGシステム（Natus Neurology Inc., アメリカ）と従来型の同心針電極（直径0.58 mm、記録面積0.07 mm²）を使用してIEMG信号を収集しました。基準電極は手の甲に取り付けられました。信号のサンプリング周波数は44.1 kHz、帯域フィルタ設定は10 Hz–10 kHzでした。

2. 信号同期と実験フロー

実験中、被験者は快適な座り姿勢で、テスト腕を伏せた状態で高さ調整可能なテーブル上に置きました。抵抗を提供することで、被験者は低力レベルでの等尺性収縮を行いました。画面上に明確な運動単位（Motor Unit, MU）活動が現れると、被験者は少なくとも30秒間その収縮を維持しました。各被験者は約15回の試行を行い、各試行後には十分な休息時間を設けました。SEMGとIEMG信号の同期を確保するため、各試行中に電気刺激プロトコルを使用しました。手根横紋近位約2 cmの位置にある尺骨神経を刺激し、可視的なM波応答を生成して記録された刺激アーチファクトを揃えました。

3. データ解析

本研究では、二重ソース検証法を採用し、SEMGとIEMG信号をそれぞれ独立に分解しました。

• SEMG分解：オンラインPFP法を使用してリアルタイム処理を行いました。オフライン段階では、オフライン自動PFP（Automatic PFP, APFP）法を用いてMU分離ベクトルを初期化し、オンライン段階ではこれらのベクトルを使用してソース信号を推定し、多閾値Otsuアルゴリズムを使用してMU放電時系列（Motor Unit Spike Trains, MUSTs）を正確に抽出しました。
• IEMG分解：簡略化されたPFP法を使用し、剥離戦略と谷値クラスタリング（Valley-Seeking Clustering）アルゴリズムを組み合わせました。まず、明確な振幅を持つMUを抽出し、その後、谷値クラスタリングアルゴリズムを使用して重複するMUを区別しました。分解結果の信頼性は、いくつかの指標（例：放電振幅の変動係数や放電間隔）を用いて評価され、二重ソース検証の精度を確保しました。

4. 性能評価

本研究では、一致率（Matching Rate, MR）、偽陰性率（False Negative Rate, FNR）、偽発見率（False Discovery Rate, FDR）を使用してオンラインSEMG分解の性能を評価しました。MRの計算式は以下の通りです：

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

ここで、(N_g)は地面真実参照の放電イベント数、(Ns)はSEMG分解結果の放電イベント数、(N{com})は共通の放電イベント数を示します。FNRとFDRはそれぞれ「欠落」および「誤った」放電イベントの割合を示します。

主要な結果

本研究では、計50回の試行におけるSEMGとIEMG信号を分析し、SEMG信号から549個のMU、IEMG信号（地面真実参照）から92個のMUを識別しました。IEMG信号から分解されたすべてのMUがオンラインSEMG分解結果と一致し、オンライン段階での平均MRは（96±1）%、FDRは0.05±0.02、FNRは0.03±0.01でした。オフライン段階の性能はオンライン段階よりも若干優れており、MRは（99±0.6）%、FDRは0.02±0.01、FNRは0.02±0.01でした。

結論と意義

本研究では、二重ソース検証を通じてオンラインSEMG分解の性能を包括的に評価し、PFP法に基づく二段階方式が実験SEMG信号中の同一MUを連続的かつ正確に追跡できることを証明しました。研究結果は、オンラインSEMG分解の信頼性を裏付ける強力な証拠を提供し、特に運動リハビリテーション、ロボット制御、ヒューマンマシンインタフェースなどの分野で重要な科学的および応用的価値を持っています。

研究のハイライト

1. 二重ソース検証：SEMGとIEMG信号を同時に収集し、IEMG分解結果を地面真実参照として使用して、オンラインSEMG分解の性能を包括的に評価しました。
2. 高い一致率：オンライン分解結果と地面真実参照の一致率は96%に達し、分離ベクトルがMUを連続的に追跡できることを証明しました。
3. 革新的な方法：簡略化されたPFP法と谷値クラスタリングアルゴリズムを組み合わせてIEMG分解を行い、分解の正確性と信頼性を向上させました。

その他の有益な情報

本研究では、今後の研究において、局所バッチ最適化による分離ベクトルのさらなる最適化を通じてオンライン分解アルゴリズムの性能を向上させることが可能であると指摘しています。さらに、IEMG記録のチャンネル数を増やすことで、より多くの共通MUを取得し、より包括的な検証を行うことができます。

---

本研究の報道を通じて、読者はオンラインSEMG分解の最新の進展とその実験データへの応用価値について深く理解することができます。