编辑推荐：
本研究针对当前运动单元（MU）跨运动追踪难题，结合高密度表面肌电图（EMG）与超快超声（US），提取电 - 机械响应验证追踪可行性。10 名受试者完成 6 种手部等长收缩，平均追踪 20±16（EMG）、2±2（US）及 2±1（联合）个 MU，为神经解码应用提供新基准。
在探索人类运动控制的微观世界里，运动单元（Motor Unit, MU）作为神经系统与肌肉对话的最小功能单位，其活动模式的精准捕捉一直是神经生理学和人机交互领域的核心挑战。传统的肌电图（Electromyography, EMG）技术虽能解码 MU 的电信号响应，但在跨运动状态追踪 MU 时面临重重困境 —— 无论是基于盲源分离的算法难以确定信号源的稳定性，还是模板匹配法需反复优化参数的局限，都使得单一电信号视角的追踪可靠性不足。而肌肉收缩时伴随的机械响应，如肌纤维抽搐引发的空间分布变化，却长期游离于主流追踪手段之外，成为解开 MU 动态追踪谜题的关键缺口。
为突破这一瓶颈，上海交通大学的研究团队开展了一项兼具创新性与实用性的研究。他们将高密度表面肌电图（High-density Surface EMG）的电信号捕捉能力与超快超声（Ultrafast Ultrasound, US）的机械响应成像优势相结合，首次从 “电 - 机械双重响应” 维度评估 MU 在手部运动中的跨状态追踪性能。这项发表于《Computers in Biology and Medicine》的研究，不仅为 MU 追踪提供了多模态验证框架，更有望为神经康复、智能假肢控制等领域开辟新路径。
研究采用的核心技术包括：①高密度表面肌电图采集与分解，通过盲源分离算法将多通道 EMG 信号分解为 MU 动作电位序列（Motor Unit Spike Train, MUST），并保留分离向量用于跨运动解码；②超快超声成像，以高帧率捕捉肌肉横截面的肌纤维抽搐区域（Muscle Unit Twitch Area, MUTA），通过超声图像序列分解获取 MU 的机械响应特征；③电 - 机械联合激活区分析，构建包含皮肤表面动作电位与肌肉截面抽搐区域的三维激活区，实现 MU 的跨运动匹配验证。研究纳入 10 名健康受试者，完成 6 种手部等长收缩任务，同步采集 EMG 与 US 数据。
主要研究结果
1. 运动单元识别与单模态追踪性能
通过高密度表面肌电图分解，单次实验平均识别出 37±17 个 MU。基于动作电位（MU Action Potential, MUAP）的单模态追踪成功匹配 20±16 个 MU，但该方法受容积传导滤波效应影响，可能因波形相似性导致误匹配。相较之下，基于超声抽搐区域（MUTA）的追踪仅成功匹配 2±2 个 MU，反映出从超声图像中提取高效机械特征的技术挑战。
2. 电 - 机械联合追踪的有效性
当结合 EMG 与 US 数据构建三维激活区时，平均可追踪 2±1 个 MU。尽管追踪数量有限，但联合方法通过双重验证显著提升了匹配可靠性，证明机械响应特征对 MU 跨运动追踪的补充价值。此外，研究发现预训练分离向量在跨运动解码中表现优于传统 MU 滤波器，凸显了算法优化对追踪稳定性的贡献。
3. 方法学对比与局限性
研究对比了盲源分离算法与模板匹配法的追踪性能，发现前者在跨运动状态下的鲁棒性更强，但两者在引入机械响应特征后匹配结果无显著差异。当前限制主要源于超声信号的低信噪比，导致 MUTA 提取效率不足，未来需通过成像技术升级或信号处理算法改进加以突破。
结论与意义
这项研究首次通过电 - 机械双重响应验证了预训练分离向量在 MU 跨运动追踪中的可行性，为单一电信号追踪提供了机械维度的可靠性背书。尽管超声模态的追踪效率尚待提升，但多模态融合框架已展现出独特优势 —— 它不仅拓展了 MU 解码的时空分辨率，更首次在手部运动场景中建立了跨任务追踪的性能基准。对于神经工程领域而言，该成果为开发无需重复校准的长效人机接口奠定了基础；在临床应用层面，其为动态评估神经肌肉疾病（如肌萎缩侧索硬化）中的 MU 重塑过程提供了潜在工具。随着超声成像技术与 EMG 分解算法的协同进步，这种 “看得到电信号、捕得住机械波” 的双重追踪模式，有望成为打开运动控制黑箱的关键钥匙，推动神经康复与智能交互技术迈向更高维度的精准化与智能化。
