基于肌电信号分析的儿童肌张力障碍与姿势控制评估研究

本研究针对儿童肌张力异常（如姿势性肌张力低下）导致运动发育和姿势控制障碍的临床评估难题，通过采集31名儿童胸锁乳突肌（SCM）和腹直肌在颈部屈肌耐力测试中的表面肌电信号（EMG），结合时域/频域特征分析和机器学习分类，发现肌张力低下儿童存在腹直肌代偿性激活现象，筛选出45个显著差异特征（25个来自腹直肌，20个来自SCM），支持向量机（SVM）模型分类准确率达78.8%，为儿童康复提供客观量化评估新方法。

　　

在儿童发育过程中，肌张力异常就像身体里的"隐形绊脚石"——看似不明显，却可能引发连锁反应。当孩子出现姿势性肌张力低下（postural hypotonia）时，他们的肌肉就像松垮的橡皮筋，难以抵抗重力维持姿势。这种状态不仅导致"松软婴儿"现象（表现为拉起测试时头部无力后仰），还可能伴随关节过度活动、躯干稳定性差等问题。更棘手的是，现有临床评估主要依赖主观观察，连专业术语"肌张力低下"和"肌力减弱"都常被混用，迫切需要像肌电图（EMG）这样的客观量化工具来打破这种困境。

卡托维兹体育学院的研究团队将目光聚焦在人体"抗重力司令部"——颈部与躯干肌肉系统。他们设计了一项精巧实验：让31名儿童（21男10女）完成颈部屈肌耐力测试时，同步记录胸锁乳突肌（sternocleidomastoid, SCM）和腹直肌（rectus abdominis）的EMG信号。通过时域分析（捕捉肌肉激活强度）和频域分析（反映肌肉疲劳状态），结合ReliefF特征选择算法和机器学习建模，最终在《Computer Methods and Programs in Biomedicine》发表的研究揭示了肌张力异常儿童的独特"代偿密码"。

关键技术方法包括：采用表面EMG采集SCM和腹直肌信号；通过颈部屈肌耐力测试诱发肌肉活动；提取时域（如RMS均方根值）和频域（如中值频率MF）特征；使用ReliefF算法筛选差异特征；构建SVM等机器学习模型进行分类验证。研究对象为经物理治疗师分组的31名儿童（正常肌张力组HP vs异常肌张力组IM）。

【Groups’ differentiating features】部分显示，研究团队从EMG信号中挖掘出34个显著差异特征，其中腹直肌贡献25个特征（右侧15个，左侧10个），SCM贡献9个特征。线性回归系数显示，肌张力低下儿童更依赖腹直肌代偿——这就像用腰部力量"借力"来完成本应由颈部主导的动作。

【Discussion】部分揭示了更深的机制：肌张力异常儿童表现出"肌肉协同策略改变"，即通过增强躯干肌肉激活来补偿颈部肌肉功能不足。这种代偿模式在时域特征（如增强的肌肉激活）和频域特征（如改变的频率参数）上均有体现，说明不仅是"用力程度"不同，连"用力方式"都发生了重构。

研究结论指出，EMG信号分析能有效区分儿童肌张力状态（SVM模型准确率78.8%），特别强调腹直肌的代偿激活是重要生物标志物。这项研究的临床价值在于：首次量化了肌张力异常儿童的姿势代偿策略；为开发标准化评估工具奠定基础；提示康复训练需关注"颈部-躯干"肌肉链的整体协调。正如作者Patrycja Romaniszyn-Kania等强调的，虽然样本量限制结论外推性，但这项探索为破解儿童肌张力评估的"黑箱"提供了关键的技术路线图。