从肌肉到运动：传感器布局与生理因素在手部运动解码中的作用

《Scientific Reports》：From muscles to motion: the role of sensor layout and physiological factors in hand motion decoding

　　

尽管基于生物信号的人体运动预测研究已取得显著进展，但受试者相关因素与实验相关因素对这些信号可解码性的影响尚未得到充分关注。本研究利用MyoKi数据库评估了手部和腕关节屈曲的连续预测，该数据库包含35名无残疾受试者在执行74项日常生活任务时的表面肌电信号（sEMG）、惯性测量单元（IMU）以及力肌图（FMG）数据。与现有数据集不同，MyoKi通过允许自然运动变异和肌肉疲劳来模拟真实场景。研究人员采用长短期记忆（LSTM）神经网络，系统考察了受试者相关因素与实验相关因素对解码精度的影响。结果表明，将传感器覆盖范围扩展至额外肌肉区域以及融合多传感器模态均可显著提升解码性能，其中由外在肌（extrinsic muscles）控制的关节获益最大。肌肉疲劳、记录时间以及体重等受试者特征亦会影响模型精度。然而，由于解剖学限制，由内在手肌（intrinsic hand muscles）驱动的运动解码仍具挑战性。上述发现凸显了传感器 placement 与多模态融合对于肌电解码的重要性，并为未来假肢与机器人应用中的传感器配置优化提供了指导。

**研究背景与意义**

人类手部 control 在遥操作、外科机器人及假肢等安全关键型与高精度应用场景中仍不可或缺。据估算，2005年美国约有160万肢体缺失者，预计到2050年将翻倍至350万以上，主要归因于人口老龄化及血管疾病。全球范围内截肢发生率与假肢需求持续增长，催生了对可靠、直观的人机 interface 的迫切需求。人工智能（AI）与机器学习（ML）的进步推动了日益精密的模型用于解码生物信号以控制机器人和假肢手部。传统肌电 control 方法常依赖手工特征提取结合回归或分类模型，但难以充分捕捉连续手部运动中生物信号的复杂非线性与时序关系。深度学习（DL）已成为生物信号解码的主流方法，其中循环架构如长短期记忆（LSTM）网络因其对序列和时变数据的建模能力而尤为适用。

既往研究多聚焦于提升解码性能与开发更复杂的模型架构，而理解解码模型低鲁棒性的根本原因——尤其是在复杂日常生活情境下——显得更为重要。这要求研究者审慎考察受试者相关因素与实验相关因素对手部运动解码性能的影响。现有研究存在明显局限：多模态传感研究主要集中于离散手势分类而非手部运动学的连续回归；空间传感器分布及高密度肌电（HD-EMG）电极 placement 研究主要在受控实验室条件下分析纯肌电配置；肌肉疲劳、皮下组织、年龄和性别等生理与人口统计学因素在包含可变手臂姿态和日常生活任务的现实多模态解码场景中鲜有联合评估。

**MyoKi数据库与实验设计**

针对上述缺口，研究人员利用MyoKi数据库开展系统研究。该数据库包含35名无上肢损伤受试者执行74项真实日常生活任务的多模态记录，涵盖表面肌电信号（sEMG）、惯性测量单元（IMU，含加速度计（ACC）和陀螺仪（GYR）数据）以及力肌图（FMG），并同步记录手部运动学数据。受试者队列具有较均衡的性别分布（17名女性，18名男性）和广泛的年龄跨度（18–29岁11人；30–44岁8人；45–59岁9人；60岁以上7人）。任务设计反映日常活动的变异性和复杂性， systematically 按垂直位置、运动距离与方向、抓握类型、腕部 involvement、所需力量及单双手操作等维度分类，包括搅拌茶水、翻页、打字、智能手机点击等日常活动，以及可控的拾取放置动作和孤立关节运动。

**关键技术方法**

研究采用LSTM网络架构，包含两个各4096个隐藏单元的循环层，ReLU激活函数，dropout概率0.1。输入信号分割为250 ms窗口，150 ms重叠。肌电信号经20–500 Hz带通滤波和50 Hz notch滤波处理，所有输入通道和手套输出均归一化至零均值和单位方差。为每种模态提取全面的时域和频域特征集，包括均值（MV）、方差（VAR）、均方根（RMS）、信号范围（SR）、波形长度（WL）、过零率（ZC）、平均频率（MNF）、中位频率（MDF）、谱熵（SE）、偏度（Skew）、峰度（Kurt）、熵（Entropy）、平均绝对值（MAV）、积分肌电（IEMG）、斜率符号变化（SSC）、对数行列式（LogDet）、差分绝对标准差值（DASDV）和平均振幅变化（AAC）等。性能评估采用决定系数（^R2）作为主要指标，通过基于重复次数的k折交叉验证策略确保结果稳健性。

研究设置三个评估案例：案例一考察受试者特征（年龄、体脂、性别等）、肌肉疲劳、记录时间和关节特异性精度等影响因素；案例二评估不同传感器模态组合（EMG、FMG、ACC、GYR及其组合）的贡献；案例三探究不同解剖区域（上前臂/中下前臂/上臂）传感器布局的影响。

**研究结果**

在案例一中，Friedman检验显示测试重复次数对^R2分数有显著影响（^χ2=94.46，p<0.001），以第一次重复为测试集时^R2值最低，第3至6次重复性能最高。多变量线性回归显示，记录时间与^R2呈显著负相关（系数=-0.0768，p<0.001），而肌电中位频率（MDF）与体重为显著预测因子。关节层面分析显示，食指、中指、环指、小指的掌指关节（MCP）和近端指间关节（PIP）以及腕屈伸（sensor 17）解码精度最高（^R2 0.716–0.808），而拇指MCP和IP关节、手指收展及掌弓运动精度较低（^R2 0.526–0.617）。

案例二中，Friedman检验表明输入模态对^R2有显著影响（^χ2=57.53，p<0.001），所有模态组合的逐次添加均带来性能提升，全模态组合（EMG+FMG+ACC+GYR）精度最高。

案例三中，重复测量方差分析显示传感器布局有显著效应（F=5.51，p=0.0013），添加额外肌肉区域均显著提升解码性能，其中添加前臂传感器效应量最大（Cohen's ^d_z=0.89），全传感器配置效应量达1.09。

**讨论与结论**

研究人员深入探讨了各项发现的机制与临床意义。关于重复效应，记录时间较短的重复作为测试集时性能更高，这源于训练数据量增加和任务执行习惯化两方面因素。肌肉疲劳指标MDF与记录时间存在强共线性（r=-0.96），但任务层面分析显示MDF具有高任务依赖性（ICC(2,6)=0.981），提示疲劳是任务特异性而非单纯时间累积现象。

受试者因素方面，较低MDF关联较差解码性能，反映肌肉纤维传导速度、运动单位放电行为及容积导体特性的综合影响。较高体重亦关联降低的^R2，与皮下脂肪增加削弱和匀化表面肌电信号的观点一致，但三头肌皮褶厚度未达显著性，表明体重可能反映更广泛的体成分特征。性别无独立显著影响，但需注意其与体重存在相关性。年龄与较长记录时间相关，其潜在的负面效应可能被更多训练数据的收益所抵消。

关节性能差异可归因于控制肌肉的解剖分布：由浅表外在肌（如指浅屈肌（FDS）、指深屈肌（FDP）、指伸肌（ED）等）控制的关节解码精度高；由深部外在肌（如拇长屈肌（FPL）、拇长伸肌（EPL）、拇长展肌（APL））或内在手肌（如拇短屈肌、骨间肌等）控制的关节则精度受限。这揭示了前臂肌电 interface 的根本局限——即使最精密的解码模型也无法仅凭前臂肌肉活动数据重建依赖内在肌的连续真实手部运动。

多模态融合的增益机制具有明确的解剖生理学基础。FMG通过捕捉肌腱位移、肌肉肿胀和分布组织形变等补充机械信息，对EMG形成互补，尤其对深部外在肌控制关节的解码有益。IMU中的加速度计信号可捕捉肌肉收缩产生的软组织振荡，陀螺仪则提供前臂和腕部姿态信息，补偿手臂位置变化引起的信号变异。

传感器空间扩展的收益同样呈现解剖特异性。上臂传感器虽不直接采集手部运动相关肌肉信号，但可提供手臂姿态和负荷相关的情境信息；额外前臂传感器则能直接采集更多外在肌活动，对腕偏斜（channel 18）和食指MCP屈曲（channel 5）等运动尤为重要。

研究的实践意义在于：对于假肢应用，全手部功能无法仅通过基于肌肉活动的解码实现，建议未来研究探索将前臂肌肉活动与对应缺失内在肌的外周神经信号相结合的混合方法。在工程实现层面，需在解码精度与计算成本、功耗之间取得平衡，并考虑残肢解剖变异、皮肤状况、电极位移等实际约束。研究局限性包括：所有分析基于受试者内评估协议，结果尚不能直接推广至跨个体场景；35人样本虽足以检测主要效应，但可能不足以检测较小效应或完全解离交互因素。

**研究结论翻译**

本工作的关键发现总结如下：肌电信号中位频率（肌肉疲劳指标）和体重等受试者相关因素显著影响个体间连续手部和腕部运动的解码性能；主要由内在肌控制的关节尤其难以解码；扩展传感器覆盖范围至额外肌肉区域可显著提升解码性能，凸显了空间传感器分布的重要性；融合多传感器模态进一步增强了解码精度，每种添加的模态均带来^R2分数的可测量增益。这些结果强调了传感器 placement 和多模态传感器融合对于可靠肌电解码的重要性，同时也揭示了受试者相关因素对手部运动解码的影响。评估纳入了35名受试者，具有均衡的性别分布和广泛的年龄范围。虽然这足以可靠检测对解码性能的主要影响，但可能不足以检测较小效应或完全解离交互的受试者相关因素。未来工作中，研究人员计划进一步研究传感器模态和肌肉区域对任务特异性解码性能的影响，这将有助于优化实际应用中的传感器配置，并可能实现更有效的肌电系统设计。