编辑推荐：
为解决传统盲源分离（BSS）技术在表面肌电（EMG）分解中的局限，研究人员开展基于运动单位动作电位（MUAP）的方法研究，结果显示该方法提升分解性能，对临床和研究意义重大。
在人体的神经肌肉系统中，肌肉收缩时会产生电信号，就像隐藏在身体里的 “电密码”。表面肌电（EMG）分解技术就像是破解这些 “电密码” 的钥匙，它能帮助我们了解运动神经元的活动情况，在神经康复、假肢控制以及神经肌肉疾病诊断等方面都有着重要作用。
然而，目前常用的基于盲源分离（BSS）的 EMG 分解技术存在不少问题。这些技术计算复杂，对计算机性能要求高，很难实现实时处理。而且它们对噪声和信号串扰非常敏感，在实际应用场景中，信号质量往往不太理想，这就导致这些技术的分解效果大打折扣。另外，在不同分解过程中准确识别运动单位放电也很困难，这严重限制了它们在肌电控制和临床诊断中的应用。
为了攻克这些难题，上海交通大学的研究人员展开了深入研究。他们以卷积核补偿算法为基础，提出了一种基于运动单位动作电位（MUAP）的表面肌电分解新方法。该研究成果发表在《Journal of NeuroEngineering and Rehabilitation》上。
在研究方法上，研究人员主要运用了以下关键技术：一是在构建的算法框架内，通过 MUAP 重构 MU 滤波器，以此实现对 EMG 信号的分解；二是利用模拟和实验数据集，对新方法的性能进行评估；三是采用主成分分析（PCA）等方法处理数据，以提高信号质量 。在模拟实验中，研究人员生成模拟的运动单位尖峰序列（MUST）和 MUAP 来构建模拟 EMG 信号；在真实实验中，招募健康受试者进行腕部运动和抓握任务，采集不同条件下的 EMG 信号。
研究结果如下：
- 分解准确性和性能：研究对比了不同中间步骤对分解结果的影响。在 MU 滤波器重构方法中，Centered Peak 方法识别出的 MU 数量最多，一致性率（RoA）也最高。在 EMG 协方差矩阵方面，Current Cxx 和 Global Cxx 方法的分解性能相当，且都明显优于 Raw Cxx。在 MUAP 提取方法上，尖峰触发平均（STA）法比最小二乘法（LS）表现更优，能识别更多 MU 且 RoA 值更高。
- 分解时间成本：不同分解方法的时间成本差异显著。MUAP-direct 方法在所有扩展因子下时间成本最低，而 MUAP-iteration 和卷积核补偿（CKC）方法则随着扩展因子增加，时间成本大幅上升，尤其是 CKC 方法，在扩展因子为 60 时，时间成本高达 484.77±41.67 秒。
- 不同条件下分解方法的影响：在模拟条件下，无论有无噪声，MUAP-refine 方法识别出的 MU 数量最多，RoA 也最高。随着噪声增加，所有方法的分解性能都下降，但 MUAP-refine 方法仍表现较好。同时，EMG 信号复杂度对分解性能有负面影响，参与的 MU 组越多，识别出的 MU 数量和 RoA 越低。
- 扩展因子的影响：对于用 Centered Peak 方法从 MUAP 重构的 MU 滤波器，随着扩展因子增加，分解性能先提升后趋于平稳。使用真实 MUAP 提取的结果在所有扩展因子下，RoA 和识别出的 MU 数量都是最高的。而 CKC 方法随着扩展因子增加，识别出的 MU 数量急剧下降。
- 实验验证：在对实验信号的分解中，基于 MUAP 的方法在所有受试者和运动中，识别出的 MU 数量都显著多于传统方法，尤其是在组合运动和多收缩水平的 EMG 信号分解中，优势更为明显。
研究结论和讨论部分指出，基于 MUAP 的分解方法在准确性、可靠性和计算效率方面都表现出色。中间步骤如 MU 滤波器重构方法、协方差矩阵选择、MUAP 提取技术和扩展因子等对分解性能有重要影响。与传统 CKC 方法相比，该新方法能识别更多 MU，在多运动单元和复杂信号情况下优势突出，并且能更可靠地跟踪运动单元放电。不过，该方法也存在一定局限性，比如假设 MUAP 分布独特，若两个 MUAP 高度相似可能无法准确识别。未来还需要进一步优化和验证，以充分发挥其在临床诊断、神经康复、假肢控制和运动控制研究等领域的潜力。
