《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:Dynamic Muscle State-Driven Framework for Intelligent Grading of Chronic Trapezius Fatigue
编辑推荐:
为解决长期久坐工作引发的慢性肩部肌肉疲劳客观量化难题,研究人员聚焦关键稳定肌——斜方肌,以肌肉张力与硬度为双生物标志物,开展了一项基于肌肉力学状态动态演化的慢性疲劳智能分级研究。通过构建“独立→简单交互→深层交互”的渐进式双分支图结构模型(最终HG-GCN模型采用交叉注意力与门控融合机制),实现了对中、下部斜方肌慢性疲劳的高精度识别(准确率分别达88.67%与89.17%),为疲劳的早期检测与精准干预提供了新的智能评估工具。
在当今以久坐为主的办公与生活方式中,慢性肩部肌肉疲劳已成为困扰众多职业人群的普遍健康问题。这种因肌肉持续低负荷收缩而累积的疲劳,不仅导致肩颈区域的僵硬与不适,更是发展为持续性疼痛,乃至肌肉骨骼疾病的重要前兆。尽管其影响广泛,但在临床与康复实践中,对慢性肌肉疲劳的严重程度进行客观、量化的评估,却始终是一个棘手的挑战。现有的评估方法多依赖于主观问卷或功能测试,缺乏能够精准反映肌肉内部状态变化的标准化、多维度的评估工具。这种评估手段的缺失,使得早期识别疲劳迹象、实施针对性干预变得困难,往往等到疼痛症状明显时,干预效果已大打折扣。因此,开发一种能够基于客观生理信号,对慢性肌肉疲劳进行智能、精准分级的技术框架,对于实现早期预警和个性化康复具有至关重要的意义。
为此,一项发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》的研究,将目光投向了肩胛带的关键稳定肌——斜方肌。作为连接头、颈、肩背的宽阔肌肉,斜方肌是维持姿势和完成肩臂活动的主力,也恰恰是久坐疲劳和疼痛最常光顾的“重灾区”。该研究创新性地提出,肌肉在疲劳过程中的内在力学状态变化,是揭示其功能状态的窗口。研究团队选取了肌肉张力(反映肌肉在静息状态下的紧张程度)和肌肉硬度(反映肌肉抵抗形变的能力)作为一对核心的生物标志物,认为它们共同表征了肌肉的“僵硬度”,是量化慢性疲劳的潜在关键指标。
为了解码疲劳的演进规律,研究人员设计了一个两阶段的实验范式,旨在动态捕捉斜方肌在疲劳诱发过程中,其张力与硬度随时间变化的轨迹及两者的关联模式。基于从肌肉力学状态数据中提炼出的动态调节能力特征,研究成功构建了一个针对慢性肌肉疲劳的多层级分级系统。而这项工作的智能核心,在于为实现这一分级而精心设计的机器学习模型。研究团队提出了一个“独立→简单交互→深层交互”的渐进式框架,并在此框架下开发了三种双分支图结构模型。最终的优胜者——HG-GCN模型,巧妙地运用了交叉注意力机制,来关联中斜方肌与下斜方肌的时空特征,再通过门控机制进行动态特征融合,从而让模型能够更“聪明”地理解不同肌肉区域在疲劳中的协同与代偿关系。
本研究主要应用了以下几项关键技术方法:首先,通过表面肌电和肌张力检测仪等设备,无创地同步采集受试者斜方肌的肌电信号与生物力学参数,量化肌肉张力与硬度。其次,设计标准化的疲劳诱发与评估实验范式,动态监测上述参数在疲劳进程中的变化。最后,基于采集到的时序力学状态数据,构建并训练了系列图卷积网络模型,特别是最终采用交叉注意力与门控机制的HG-GCN模型,用于实现慢性疲劳的智能分类。
研究结果
1. 肌肉力学参数在疲劳进程中的动态演变与关联模式
通过两阶段实验分析发现,随着疲劳的累积,斜方肌的肌肉张力与硬度均呈现出特征性的变化规律。两者并非独立变化,而是存在特定的时序相关性模式。这种动态的关联特征为区分不同疲劳状态提供了量化依据。
2. 基于力学状态动态调节能力的慢性疲劳分级系统
依据肌肉张力与硬度在疲劳诱发与恢复过程中所反映出的动态调节与代偿能力,研究建立了一个多层级的慢性肌肉疲劳严重程度分级框架。该框架将疲劳状态从轻到重进行划分,为临床评估提供了客观标准。
3. 渐进式双分支图结构模型在疲劳分类中的性能比较
在“独立处理”、“简单交互”和“深层交互”三种渐进式模型架构中,深度融合中、下斜方肌特征的HG-GCN模型表现最佳。该模型利用交叉注意力机制捕捉区域间关联,并通过门控机制自适应融合特征。
4. HG-GCN模型对中、下斜方肌慢性疲劳的分类精度
最终模型的测试结果表明,其对中斜方肌慢性疲劳状态的分类准确率达到88.67%,对下斜方肌的分类准确率达到89.17%。这证明了该模型能够有效利用肌肉的力学状态时空特征,高精度地识别和量化慢性疲劳。
结论与讨论
本研究成功构建了一个以肌肉力学状态为核心的慢性斜方肌疲劳智能评估新框架。该框架的创新性在于,首次将肌肉张力与硬度这一对生物力学指标作为双生物标志物,系统地应用于慢性疲劳的动态评估与分级中,并通过创新的图神经网络模型实现了评估的智能化。实验结果不仅验证了肌肉力学状态参数在表征慢性疲劳方面的敏感性与有效性,所开发的HG-GCN模型也展现出了优越的分类性能。这项工作的重要意义在于,它将肌肉疲劳的研究从传统的主观或表象评估,推进到了基于内在力学状态的客观、定量化与智能化评估的新阶段。所提出的分级系统和智能评估模型,为临床医生和康复治疗师提供了一个强有力的工具,有望用于长期久坐人群、职业性肌肉骨骼疾病高危群体的早期疲劳筛查、严重程度客观分级以及个性化康复干预效果的动态监测,具有重要的临床转化潜力和应用价值。