《Journal of NeuroEngineering and Rehabilitation》:Hybrid sEMG decomposition method integrating gradient convolution kernel compensation and correlation-constrained FastICA
编辑推荐:
针对中高收缩力或低信噪比下传统表面肌电信号(sEMG)分解方法性能下降的问题,研究人员提出了一种混合分解框架,整合了梯度卷积核补偿(gCKC)与相关性约束FastICA。该研究通过两阶段优化策略提升了高密度sEMG分解的准确度,在模拟与实验信号中均显示出优越性能,为神经-机器接口和运动控制研究提供了更稳健的分解方案。
表面肌电信号(Surface Electromyography, sEMG)是记录在皮肤表面的肌肉电活动,它是窥探我们身体内部“司令部”——脊髓运动神经元——控制策略的一扇关键窗口。想象一下,当你随意地抬起手或迈开腿,背后是无数个被称为运动单元(Motor Unit, MU)的基本功能单元在有条不紊地放电,每个运动单元包含一个运动神经元及其支配的所有肌纤维。通过解码sEMG信号,我们理论上可以还原出这些运动单元的放电序列,即运动单元发放序列(Motor Unit Spike Trains, MUSTs)。这项技术对于理解神经系统如何控制精细动作、开发先进的假肢控制接口以及诊断神经肌肉疾病都具有深远意义。
然而,理想很丰满,现实却很骨感。现实中的sEMG信号并非一个个运动单元电位的清晰排列,而是大量运动单元动作电位(Motor Unit Action Potentials, MUAPs)在时间和空间上相互叠加,并混杂着各种噪声的复杂混合体。这就像一场喧闹的鸡尾酒会上,所有人同时说话,而我们需要听清并分离出其中每一个人的声音。尤其是在肌肉进行中高强度收缩时,更多的运动单元被募集,放电频率增加,使得这种叠加和干扰变得更加严重,传统的声音分离“算法”就开始“失灵”了。
目前,学界已发展出多种方法来应对这一挑战,其中梯度卷积核补偿(gradient Convolution Kernel Compensation, gCKC)和以FastICA为代表的盲源分离技术是两种主流思路。前者试图通过卷积模型来估计和补偿信号间的相互影响,后者则试图在不知道混合过程细节的情况下,仅根据统计独立性找出源信号。然而,这些方法各有短板:gCKC在噪声较大或收缩力较高时,估计的准确度会下降;而单纯的FastICA在sEMG分解场景中,由于缺少对生理信号特定结构的约束,也可能产生错误。现有的混合框架,如FastICA-CKC,以及前沿的2CFastICA算法,在分解精度、识别出的运动单元数量(即分解产出)以及每个单元的准确性之间,往往难以取得完美平衡。那么,有没有一种方法能博采众长,更稳健、更精确地完成这项“鸡尾酒会难题”式的分解任务呢?
针对上述难题,一项发表于《Journal of NeuroEngineering and Rehabilitation》的研究提出了一种创新的混合分解框架。该方法巧妙地将gCKC与一种经过改进的相关性约束FastICA(correlation-constrained FastICA)技术相结合,形成了一个两阶段的优化流程。研究团队的核心思路是:首先利用gCKC算法对运动单元发放序列进行初步估计,得到一个“粗糙”的草图;然后,再利用相关性约束FastICA这个“精细的画笔”,对初步结果进行修正和提纯,专门校正那些因噪声干扰或电位叠加而产生的错误或遗漏的放电点。这种“先粗后精”的策略,旨在同时利用卷积模型对信号混合过程的刻画能力,以及盲源分离技术在信号分离上的灵活性,同时通过相关性约束确保分离结果与生理信号的先验知识保持一致,从而有望在复杂条件下实现更优越的分解性能。
为了验证这一设想,研究人员开展了系统的模拟信号测试和实验信号验证。他们的工作主要基于以下几个关键技术方法:首先是高密度表面肌电信号采集,这是获取原始数据的基础。其次是核心的混合分解算法流程,即先执行梯度卷积核补偿(gCKC)初步估计MUSTs,再执行相关性约束FastICA进行结果精炼。在性能评估方面,研究采用了多指标量化评估体系,包括一致性比率(Rate of Agreement, RoA)、敏感度(Sensitivity)、精确度(Precision)、脉冲信噪比(Pulse-to-Noise Ratio, PNR)和轮廓距离(Silhouette Distance, SIL)等,并与gCKC、FastICA-CKC、2CFastICA等基准方法进行对比。最后,通过统计显著性检验来确认性能差异的可靠性。
研究结果
模拟信号测试结果
在模拟信号上,研究设置了5种收缩水平(占最大自主收缩MVC的百分比)和5种信噪比(SNR)共25种条件。结果表明,在较高的收缩水平(40% MVC和50% MVC)下,所提出的混合方法相较于所有对比方法都表现出显著优势。
- •
在50% MVC水平下的性能优势:在最具挑战性的50% MVC条件下,新方法的一致性比率(RoA)达到96.9% ± 1.8%。这比单独使用gCKC(88.7% ± 2.1%)平均提高了8.2%,比FastICA-CKC方法(94.6% ± 3.5%)提高了2.3%。在敏感度(98.9% ± 0.6%)和精确度(97.7% ± 1.3%)上,相对于单独gCKC分别提高了2.9%和6.1%,相对于FastICA-CKC分别提高了0.4%和2.0%。
- •
分解产出与精度的平衡:所提出的方法在分解产出(识别出的运动单元数量)上显著高于2CFastICA算法,同时保持了与之相当的敏感度和精确度。这说明新方法能在识别出更多运动单元的同时,不牺牲单个单元的识别准确性,实现了“鱼与熊掌兼得”。
实验信号验证结果
在真实采集的实验sEMG信号测试中,新方法的优势得到了进一步证实。
- •
高信噪比与高聚类质量:通过该方法识别出的运动单元,其平均脉冲信噪比(PNR)达到23.2 ± 0.8 dB,平均轮廓距离(SIL)达到96.16% ± 0.43%。这两个指标分别衡量了放电点的清晰度和运动单元波形的聚类分离度,数值越高代表分解结果越可靠。这些结果显著优于所有参与对比的算法。
- •
统计显著性:统计检验证实,上述性能差异具有高度的统计显著性,表明新方法的优势不是偶然的。
研究结论与意义
本研究成功开发并验证了一种集成梯度卷积核补偿(gCKC)与相关性约束FastICA的混合表面肌电信号(sEMG)分解框架。该研究得出的核心结论是:这种两阶段优化策略能有效解决传统方法在中高收缩力或低信噪比条件下性能下降的瓶颈问题。通过gCKC进行初估,再利用相关性约束FastICA进行精修,该框架能够更有效地抑制运动单元动作电位(MUAPs)叠加带来的干扰,校正因噪声和叠加造成的错误或遗漏放电。
其重要意义体现在以下几个方面:首先,在方法论上,它首次将卷积补偿模型与带有生理相关性约束的盲源分离技术深度整合,为sEMG分解领域提供了一种兼具鲁棒性和高精度的新思路。其次,在性能层面,该方法实现了分解产出(识别出的运动单元数量)与单元级准确度之间更优的平衡,这对于需要尽可能完整地解码运动神经控制策略的应用至关重要。最后,在应用价值上,这项研究为神经-机器接口(如高性能假肢控制)、运动控制机制的基础研究以及临床神经肌肉疾病的评估,提供了一种更可靠的信号解码工具。它意味着未来在这些领域,研究人员和工程师能够从嘈杂的肌电信号中提取出更丰富、更准确的运动神经信息,从而推动相关技术和科学的发展。