基于交叉验证更新策略的自适应运动单元分解算法提升EMG信号解析精度

本研究针对肌电信号(EMG)中运动单元(MU)放电信息提取精度低的问题，开发了基于交叉验证更新策略的自适应MU分解算法。通过建立确定性MU池更新机制，利用双通道信号验证筛选高精度MU放电序列，在模拟数据测试中实现28%的准确率提升，显著提高了长期肌肉收缩状态下MU活动分析的鲁棒性，为神经康复评估和神经解码提供了新工具。

　　

肌肉活动的精确解析一直是神经生理学和康复医学的重要课题。运动单元(Motor Unit, MU)作为神经系统控制肌肉收缩的基本功能单位，其放电模式蕴含着丰富的神经控制信息。传统通过肌内电极记录MU活动的方法存在明显局限——不仅只能捕获少量MU信号，在长时间记录中还面临信号稳定性差的问题。随着高密度表面肌电(HD EMG)技术的发展，研究人员虽然能够获取更全面的肌肉电信号，但现有分解算法在面对信号随机变异、电极漂移和MU动态更替等现实挑战时，仍难以维持稳定的解析精度。

针对这一技术瓶颈，来自中国的研究团队在《Computers in Biology and Medicine》发表创新研究，开发出基于交叉验证的自适应MU分解算法。该研究的核心突破在于建立了科学的MU池更新机制——通过将EMG信号通道随机分为两组并行分解，筛选出两组共同识别的"高置信度"MU放电序列，并引入标志位策略动态更新MU池。这种创新方法有效解决了传统算法在长时间记录中精度衰减、无法适应MU动态变化的关键问题。

研究采用三项关键技术：1) 基于伪随机兴奋驱动的MU池模型，模拟不同振幅漂移(AL)、信噪比(SNR)和MU旋转条件下的1小时EMG信号；2) 并行双通道分解框架，通过卷积核补偿(CKC)技术独立提取两组MU放电序列；3) 标志位更新策略，量化MU状态一致性和重复提取概率。通过系统验证，研究证实双通道共同识别的MU放电序列准确率显著高于单通道结果(p<0.01)。在模拟测试中，新算法使MU放电序列识别准确率提升28%，且在振幅漂移达60%、MU更替率30%的极端条件下仍保持稳定性能。

【Simulated EMG signals】
研究采用包含100个MU的模型，模拟1小时伪随机兴奋驱动(0-60%最大振幅)，设置不同水平的动作电位(AP)振幅漂移、MU旋转率和信噪比条件，构建具有临床代表性的测试场景。

【Accuracy of common and uncommon MU spike trains】
灵敏度阈值(Th_sensitivity)分析显示，双通道共同识别的MU放电序列准确率显著优于单通道结果(p<0.01)。当Th_sensitivity设为0.7时，共同MU的识别准确率较单通道提升42%，验证了交叉验证策略的有效性。

【Discussion】
该研究创新性地将交叉验证思想引入MU分解领域，建立的标志位更新机制能有效区分可靠与不可靠MU信号。相比传统随机更新算法，新方法在保持计算效率的同时，显著提高了长期信号分析的可靠性。

【Conclusions】
该自适应分解算法成功解决了EMG信号时变特性导致的精度衰减问题。通过周期性验证MU放电序列可靠性，算法可自动维护高质量MU池，为神经解码、康复评估等长时程应用场景提供了可靠工具。研究提出的参数敏感性分析方法，还可根据不同应用需求定制算法参数，展现出良好的临床转化潜力。

这项研究的科学价值在于：首次将确定性更新策略引入MU分解领域，通过实验验证了"双通道共识"原则的可靠性；开发的标志位量化体系为评估MU信号质量提供了新维度；在算法鲁棒性方面的突破，为基于HD EMG的神经接口和康复评估技术发展奠定了方法学基础。这些进展将显著提升肌电信号在神经生理机制研究和临床康复中的应用价值。