《Diagnostics》：Classification of Surface Electromyography Recordings from Young and Older Adults Using CWT Scalograms: A Window-Level Proof-of-Concept Study
编辑推荐：
背景/目的： 与年龄相关的骨骼肌变化涉及肌肉结构和神经肌肉功能两方面的改变。表面肌电信号（sEMG）提供了一种评估肌肉电活动的非侵入性方法。本研究旨在探究sEMG信号的时频表示结合深度学习，是否能够对健康年轻和老年受试者采集到的记录进行分类，且不假设判别性特征
背景/目的： 与年龄相关的骨骼肌变化涉及肌肉结构和神经肌肉功能两方面的改变。表面肌电信号（sEMG）提供了一种评估肌肉电活动的非侵入性方法。本研究旨在探究sEMG信号的时频表示结合深度学习，是否能够对健康年轻和老年受试者采集到的记录进行分类，且不假设判别性特征必然反映与年龄相关的神经肌肉变化。方法： 研究人员从60名健康成年人（包括30名年轻和30名老年受试者）中实验采集了sEMG信号。生成的连续小波变换（CWT）尺度图图像以80:20的比例在图像窗口层面随机划分为训练集和测试集。因此，来自同一受试者的窗口可能同时出现在两个数据集中。信号经滤波、分割为重叠窗口，并转换为CWT尺度图图像，使用ResNet-18进行分类。结果： 在窗口层面，CWT-ResNet模型达到了78.98%的准确率、0.8589的受试者工作特征曲线下面积（AUC）、71.34%的灵敏度、85.06%的特异度和78.20%的平衡准确率。肌肉特异性分析显示，三个肌肉位点的窗口级分类准确率在78.57%至79.89%之间。然而，观察到的分类性能可能受到运动时机、活动和静息期差异、人体测量学特征以及训练集和测试集之间受试者重叠的影响。这些潜在影响未通过额外的对照分析加以隔离。结论： 基于CWT的sEMG时频表示结合ResNet-18，在修订的预处理和图像窗口级评估条件下，初步证明了分类年轻和老年受试者sEMG记录的可行性。研究结果并未证明该模型特异性地检测与年龄相关的神经肌肉变化。需要进行受试者独立验证以及控制任务执行和人体测量学特征的分析。
论文解读文章
一、研究背景与意义
随着现代医学进步和生活水平提高，人类平均寿命不断延长，但同时也带来了严峻的“老龄化”社会挑战。在这一背景下，肌少症（sarcopenia）被定义为一种威胁老年健康的独立疾病，超越了单纯衰老过程的范畴。肌少症以骨骼肌质量减少伴随肌力下降和身体机能减退为特征，不仅导致步行速度减慢，还会引发跌倒、骨折、慢性病恶化以及死亡率显著增加。尤为关键的是，肌少症在发病早期若能得到适当的运动处方和营养干预，是可逆恢复的，因此“及时诊断”的重要性被前所未有地强调。
当前肌少症评估的主流共识框架，包括2019年亚洲肌少症工作组（AWGS 2019）和欧洲老年人肌少症工作组2（EWGSOP2），均强调肌少症评估不应仅依赖肌肉质量，还应综合考虑肌力和身体机能。双能X线吸收法（DXA）、磁共振成像（MRI）和计算机断层扫描（CT）等影像学方法虽能提供肌肉质量和结构特征的定量信息，但无法独立确立肌少症诊断，且存在设备成本高、需专门临床设施等实际限制。更重要的是，影像学评估主要表征肌肉的结构层面，不能直接评估肌力、身体机能或神经肌肉激活情况。
表面肌电信号（sEMG）提供了一种非侵入性记录肌肉收缩过程中电活动的方法，能够研究自主运动过程中的肌肉激活模式，为肌肉电活动提供影像学方法所无法获得的补充信息。然而，传统sEMG分析主要依赖一维统计指标，如时域的均方根值（RMS）或频域的平均频率（MNF），而肌少症患者的肌电信号高度复杂、非平稳，并随收缩强度和时间动态变化，仅用简单的一维指标难以精确识别隐藏在信号中的肌纤维类型变化或神经放电模式的细微扰动。
为克服上述局限，本研究引入连续小波变换（CWT），能够同时分析时间和频率成分，将一维sEMG数据以二维时频信息的形式呈现，保留信号随时间变化的特征。本研究将CWT获得的二维时频表示与卷积神经网络（CNN）相结合，旨在探究在图像窗口级评估框架下，健康年轻和老年受试者的sEMG衍生CWT尺度图窗口是否能够根据其来源年龄组进行分类。
二、研究设计与技术方法
研究人员从韩国天主教关东大学招募了60名健康成年人，包括30名年轻受试者（年龄21–29岁，男性15名、女性15名）和30名老年受试者（年龄65–81岁，男性14名、女性16名）。受试者按实际年龄分组而非临床肌少症诊断状态，老年组不应被解释为临床确诊的肌少症人群。数据采集自2025年10月25日持续至2026年5月。
sEMG信号使用PhysioLab EMG系统配备PSL-iEMG2双通道肌电放大模块采集，采样频率2000 Hz，标称增益500 V/V，内置10 Hz高通滤波、200 Hz低通滤波和可选50/60 Hz陷波滤波。记录部位包括股直肌、腓肠肌内侧头和竖脊肌三个肌肉位点，均进行双侧测量。所有受试者按照标准化指令执行预定义的肌肉特异性任务：腓肠肌内侧头进行站立位重复提踵，股直肌在坐姿膝关节约45°位置进行抗手动阻力的重复伸膝，竖脊肌使用背部伸展装置进行重复躯干伸展。每项任务重复五次，每次记录3秒。任务节奏和运动速度未使用节拍器或力反馈系统外部控制，受试者在标准化运动方案内以自选速度执行，力、力矩和最大自主收缩百分比（%MVC）均未记录。
信号预处理采用两级数字滤波：首先设计中心频率60 Hz、品质因子（Q）30的无限冲激响应（IIR）陷波滤波器，随后设计截止频率20–450 Hz的四阶巴特沃斯带通滤波器，均使用前向–后向零相位滤波（filtfilt）实现。滤波后信号分割为1秒窗口（2000个样本），50%重叠（步长1000个样本），未应用显式活动检测或收缩起始检测算法。每个分割窗口使用PyWavelets库以实值Morlet小波（morl）为母小波进行CWT变换，尺度范围1–127，生成127×2000的系数矩阵。系数绝对值使用Matplotlib的imsave函数以“jet”色彩映射保存为PNG格式尺度图图像。数据集共包含300个源sEMG文本文件（年轻和老年各150个），经预处理后生成3543个CWT图像窗口（年轻组1885个，老年组1658个）。
图像数据集使用PyTorch的random_split函数以固定随机种子42按80:20比例在图像窗口层面随机划分训练集和测试集，未按受试者分组，也未按年龄组或性别分层，同一受试者的窗口（包括重叠窗口和不同肌肉位点的记录）可能同时出现在两个子集中。模型采用ImageNet预训练权重的ResNet-18架构，将最终全连接层替换为二分类输出层，输入图像调整为224×224像素，使用ImageNet通道均值[0.485, 0.456, 0.406]和标准差[0.229, 0.224, 0.225]进行通道归一化。模型训练20个epoch，批大小16，使用Adam优化器，学习率0.0001，交叉熵损失函数，无学习率调度器、早停标准、类别加权、数据增强或类别平衡采样。每个epoch后评估测试集准确率，保存并选择测试准确率最高的检查点用于最终评估。计算环境基于Google Colab，Python 3.13.16，PyTorch 2.11.0+cu130，配备NVIDIA Tesla T4 GPU。此外，使用Grad-CAM算法从ResNet-18最后一个卷积层（layer4[-1]）提取特征图的激活值和反向传播梯度，通过全局平均池化加权计算目标类别的空间重要性，经ReLU激活函数仅可视化对模型判断有正影响的区域。
三、研究结果
3.1 总体性能评估
研究人员提出的CWT-ResNet模型在窗口层面区分年轻和老年受试者sEMG记录的准确率为78.98%（560/709）。709个测试窗口中，395个（55.71%）属于年轻组，314个（44.29%）属于老年组，多数类分类器（始终预测年轻组）的准确率仅为55.71%。以老年组为正类，模型灵敏度为71.34%，特异度为85.06%，阳性预测值（PPV）为79.15%，阴性预测值（NPV）为78.87%，平衡准确率为78.20%，马修斯相关系数（MCC）约为0.57，受试者工作特征曲线下面积（ROC-AUC）为0.8589。然而，这些性能指标是在随机图像窗口层面划分而非受试者独立评估条件下获得的，应被解释为修订评估的描述性结果，而非对未见受试者泛化能力的证据。
3.2 肌肉区域分析结果
研究人员将训练好的CWT-ResNet模型分别应用于各肌肉位点的测试窗口进行肌肉特异性评估。腓肠肌内侧头的窗口级分类准确率为78.81%（212/269），股直肌为78.57%（209/266），竖脊肌为79.89%（139/174），总计709个测试窗口中560个被正确分类。尽管三个肌肉位点的准确率在78.57%至79.89%之间，但这些结果不应被解释为肌肉间分类性能存在差异，因为肌肉特异性置信区间和受试者独立性能估计不可用，且测试窗口在受试者层面不具有统计独立性。
四、讨论与结论总结
在讨论部分，研究人员指出Grad-CAM可视化仅基于选定的窗口，不能确立年龄组间注意力模式的系统性差异，也不构成年龄特异性生理差异的证据。由于输入尺度图被调整为224×224像素且Grad-CAM从ResNet-18最后一个卷积层计算，底层激活图的空间分辨率仅为7×7，对特定频率区域的精确定位应谨慎解释。Grad-CAM识别的是对模型预测有贡献的图像区域，并不直接确立这些区域背后的生理机制，因为肌纤维组成、运动单位传导特性和组织学变化均未在本研究中直接测量。
在临床意义方面，研究人员强调本研究框架对可穿戴sEMG监测的适用性尚不确定，可穿戴测量可能受到电极位移、皮肤–电极接触变化、运动伪影和电极放置差异等因素的影响。当前模型基于实际年龄区分健康年轻和老年受试者，未使用临床确诊的肌少症进行训练或验证，因此结果不应被解释为诊断或筛查肌少症的能力。由于实际年龄已知，区分年轻和老年受试者sEMG记录本身并不能确立额外的临床效用。
在局限性方面，研究人员指出：第一，受试者为无肌肉骨骼或神经系统疾病的相对健康人群，按实际年龄而非临床肌少症状态分组；第二，受试者数量有限（每组30人），采用单一随机图像窗口层面训练–测试划分而非受试者独立划分，且无独立验证集，同一受试者的多个窗口可能同时出现在训练和测试子集中，50%重叠窗口和双侧记录增加了样本间依赖性，可能导致乐观的性能估计；第三，运动节奏和收缩时机未外部控制，未进行显式活动起始/偏移检测，窗口可能包含不同比例的主动收缩、过渡期和相对静息期，时间特征（如运动节奏和占空比）可能对分类性能有贡献；第四，年轻和老年组身高差异显著（p < 0.001），而体重（p = 0.260）和BMI（p = 0.376）无显著差异，人体测量学特征和皮下组织厚度可能影响sEMG信号特征；第五，判别性时频模式背后的生理机制未直接测量；第六，未与传统基于特征的分类器、一维CNN模型或替代时频表示进行直接比较。
研究结论为：本研究探究了基于CWT时频表示和ResNet-18的深度学习框架用于区分年轻和老年受试者sEMG记录。在随机图像窗口层面训练–测试划分下，模型达到78.98%（560/709）的窗口级分类准确率和0.8589的ROC-AUC。由于划分在图像窗口层面进行，同一受试者的重叠窗口可能同时出现在训练和测试子集中，可能导致模型学习受试者特异性特征并产生乐观的性能估计，因此这些结果不应被解释为对未见受试者泛化能力的证据。肌肉特异性评估中，腓肠肌内侧头、股直肌和竖脊肌的分类准确率分别为78.81%、78.57%和79.89%，这些描述性结果不确立肌肉位点间的有意义性能差异。Grad-CAM提供了对个体模型预测有贡献图像区域的示例性可视化，但未确立年龄组间注意力模式的系统性差异，也未验证特定生理机制。总体而言，研究结果证明了在当前实验条件下应用CWT时频表示和深度学习区分年轻与老年受试者sEMG窗口的初步可行性。该模型并非设计或验证用于诊断肌少症或提供超出实际年龄的临床信息。受试者独立交叉验证以及受试者层面性能估计和置信区间对于确立所提出框架的泛化能力是必要的。
