《Sensors》：Toward Robust and Reliable Muscle Synergy Analysis: A Methodological Survey of Synergy Extraction
编辑推荐：
肌肉协同分析（muscle synergy analysis）已被广泛应用于神经科学、生物力学、康复和机器人学领域。然而，肌肉协同提取（muscle synergy extraction）的可靠性仍是一个关键问题，因为结果对实验设计变化、表面肌电（surfac
肌肉协同分析（muscle synergy analysis）已被广泛应用于神经科学、生物力学、康复和机器人学领域。然而，肌肉协同提取（muscle synergy extraction）的可靠性仍是一个关键问题，因为结果对实验设计变化、表面肌电（surface electromyography, sEMG）预处理、因子分解算法以及协同数量确定高度敏感。本叙述性方法学综述（narrative methodological review）在肢体神经力学控制器（limb neuromechanical controllers）框架下，跨解剖区域和任务情境审视了影响肌肉协同鲁棒性与可靠性的关键因素。通过分析该领域的研究现状，研究人员首先总结了肌肉协同分析的概念与方法学基础，随后批判性地检验了影响其鲁棒性与可靠性的因素。本综述提供了增强方法学严谨性的实用建议，包括增强方法学协调一致性和实验方案的透明报告、利用肌肉骨骼仿真评估肌肉选择策略，以及改进协同提取技术。这些见解旨在提高肌肉协同分析的可靠性与鲁棒性，并促进其在机器人学、人-机接口和计算运动控制中的应用。
1. Introduction
表面肌电（surface electromyography, sEMG）因非侵入、可穿戴和高时间分辨率等优势，广泛用于康复、假肢和机器人控制等领域。然而，基于sEMG的控制面临高维冗余信号、低信噪比、非平稳性和跨受试者/任务差异等挑战。肌肉协同理论认为中枢神经系统通过低维模块协调肌肉激活，可降低控制复杂度并提高鲁棒性。本综述聚焦肢体神经力学控制器框架下协同提取的方法学因素，分析了实验设计、预处理、分解算法和协同数量确定等环节对结果可靠性的影响，并提出改进建议。
2. Terminology and Quantitative Criteria
该部分区分了鲁棒性、可靠性、可重复性、再现性、稳定性、相似性和生理有效性等核心术语，指出它们在不同研究中的操作定义和阈值存在差异。建议在量化评估中使用95%置信区间、组内相关系数（intraclass correlation coefficient, ICC）和效应量（如Cohen's d）来支持结果解释，同时强调研究特定的阈值和决策标准需预先定义并透明报告。
3. Neural Basis of Muscle Synergies
该部分回顾了肌肉协同的神经生理学基础。中枢神经系统通过皮层和脊髓等多层次处理，将运动指令传递给脊髓运动神经元池，从而协调多肌肉活动。动物实验（如乌龟、青蛙、大鼠和猫）和人类研究均支持模块化组织假说，即中枢神经系统以离散的运动模块（如肌肉协同）来降低高维冗余系统的计算负荷，并通过灵活募集有限数量的协同产生多种运动行为。
4. Muscle Synergy Extraction Pipelines Using EMG
典型的肌肉协同分析流程包括：（1）在任务中采集多肌sEMG信号；（2）预处理以抑制噪声和伪迹；（3）通过矩阵分解估计协同权重矩阵（W）和激活系数矩阵（C）；（4）确定协同数量；（5）评估提取结果及下游性能。每一步都可能影响最终协同的鲁棒性和可靠性，本综述对方法学维度进行了系统分析。
4.1 Decomposition via Computational Methods
协同模型可分为空间（同步/时间不变）协同、时间协同和时空协同三类。空间协同以固定权重向量表示；时间协同强调激活波形的时序结构；时空协同允许权重在时间和幅度上变化。模型类别的选择会显著影响推断的协同数量和结构，因此需要根据研究目的明确建模假设并透明报告。
4.2 Experimental Design and EMG Signal Acquisition
实验设计方面，肌肉数量和选择、电极配置、任务协议以及个体差异均会影响信号质量和协同分解结果。当前缺乏标准化的肌肉记录规范，上肢研究通常记录8–19块肌肉，下肢步态研究常采用8–16块。由于解剖限制，难以完整覆盖所有相关肌肉，应记录具有任务代表性的肌肉，并报告电极位置、采样率和滤波等参数。
4.3 Preprocessing of EMG Signals
预处理旨在从原始sEMG中提取准确的肌肉激活包络。标准流程包括带通滤波去除运动伪迹和高频噪声（高通截止5–20 Hz，低通约400–500 Hz）、整流、低通滤波生成线性包络（截止通常2–15 Hz）、时间归一化和幅值归一化。幅值归一化常用方法包括信号自身最大值、最大自主收缩（maximum voluntary contraction, MVC）和单位方差等。预处理参数的改变会影响协同权重和估计的协同数量。
4.4 Techniques for Muscle Synergy Extraction
常用线性分解方法包括独立成分分析（independent component analysis, ICA）、非负矩阵分解（nonnegative matrix factorization, NMF）、主成分分析（principal component analysis, PCA）和因子分析（factor analysis, FA）。NMF因其非负性约束与肌电幅度特性兼容而被广泛使用，但对初始化敏感。高级方法包括概率/贝叶斯框架、张量分解、非线性自编码器和时间变化协同模型等，各有特定优势和适用条件。方法选择应综合考虑重建质量、稳定性、生理可解释性、噪声鲁棒性和计算成本。
4.5 Determining Synergy Number
确定协同数量最常用的指标是方差解释度（variance accounted for, VAF），包括总VAF和局部VAF。常用方法有固定阈值法（如90%）、最佳线性拟合法、膝点法和肘部法等。信息准则如赤池信息准则（Akaike Information Criterion, AIC）、最小描述长度（Minimum Description Length, MDL）和贝叶斯信息准则（Bayesian Information Criterion, BIC）也可用于模型阶数选择，但需考虑肌电时间序列的自相关性，使用有效样本量进行修正。高VAF并不必然表明提取的模块具有生理有效性。
5. Analysis of How Critical Factors Impact the Robustness of Muscle Synergies
该部分通过结构化文献检索，系统分析了影响协同鲁棒性和可靠性的关键因素。纳入研究涉及不同实验约束、肌肉选择、预处理方案、分解算法和协同数量确定方法，并提出了基于证据的方法学建议。
5.1 Different Experimental Constraints and Subjects
多项研究显示，在受控实验条件下，协同结构可保持相对稳定，例如在姿势扰动、视动适应或不同空间方向任务中核心协同被保留。然而，当任务采样不足（如朝向数量减少）、任务需求变化或存在电极移动和受试者个体差异时，协同结构和可重复性会下降。因此，协同的稳健性应相对于实际测试的实验条件范围来解读。
5.2 Muscle Selection and EMG Acquisition
减少肌肉数量可能保留核心协同模块，但会影响重建精度、估计的协同数量和特定肌肉的贡献。例如，保留超过10块肌肉时协同相似度通常较高，而某些深层肌肉（如髂腰肌）难以用表面电极记录。肌肉骨骼模拟可用于评估未记录肌肉的潜在贡献，但最佳记录集合需结合任务和分析目标确定。
5.3 EMG Preprocessing
预处理实验表明，滤波截止频率和归一化策略会显著影响协同分析结果。其中，幅值归一化（如单位方差与峰值归一化）对协同结构的影响较大，可能导致协同数量产生差异。滤波参数、数据组织方式（如平均、拼接）也会影响结果，但效应具有任务依赖性，需在具体背景下评估。
5.4 Extraction Techniques Using Linear and Nonlinear Methods
不同分解算法的比较未显示某一种方法在所有条件下普遍最优。NMF在多数情况下表现良好，但其性能受初始化、噪声和协同相关性影响。修正的NMF（如稀疏初始化、混合矩阵分解）可改善特定性能。非线性自编码器等深度模型在某些任务预测中具有优势，但重建精度高并不等于生理可解释性好。因此，算法评估应包含重建质量、稳定性和生理可解释性等多维度指标。
5.5 Choosing the Synergy Number
固定VAF阈值（如90%）存在局限性，因为未解释的残差中可能包含任务相关信息。任务需求（如力场适应）和受试者特征也会影响协同数量。替代模型选择准则如ChoOSyn、AIC和MDL可提供更多信息，但结果依赖数据结构和假设。建议报告模型选择准则，并采用多种互补的稳定性或敏感性分析。
5.6 Feasible Methodological Recommendations
该部分提出三方面建议：（1）数据采集与预处理：应根据任务和解剖代表性选择肌肉集合，透明报告滤波、归一化和电极配置等参数，并推动开放数据和评价标准。（2）协同提取与模型选择：应根据数据特征选择分解算法和初始化方法，避免仅依赖固定VAF阈值，使用信息准则时明确统计假设。（3）验证与应用：应结合力、运动学、肌肉骨骼模拟等输出对协同进行多维度验证。肌肉骨骼模型可补充难以记录的肌肉活动，但其预测需与实验sEMG共同解释。
6. Conclusions
肌肉协同理论在神经科学、机器人学、运动科学和康复领域具有广阔应用前景。本文指出的关键方法学因素——实验设计、预处理、分解方法和协同数量确定——均会影响协同分析的可信度。提高方法学严谨性、透明报告和标准化评估，结合肌肉骨骼模拟和跨任务验证，将有助于提升协同分析的鲁棒性、可重复性和生理可解释性，促进其在实际应用中的推广。
