表面肌电图与机械肌电图信号的特征级融合用于健康成年人MVC归一化肩外展力水平分类

《Sensors》:Feature-Level Fusion of Surface Electromyography and Mechanomyography Signals for MVC-Normalized Shoulder Abduction Force-Level Classification in Healthy Adults

【字体: 大 中 小 】 时间:2026年07月10日 来源:Sensors 4.0

编辑推荐:

  背景:上肢力水平的准确识别对于可穿戴运动监测和康复工程很重要,但结合表面肌电图(sEMG)和机械肌电图(MMG)进行肩部力量分类的价值仍未完全阐明。方法:10名健康成年人以大约10%、30%、60%和90%最大自主收缩(MVC)的MVC归一化力水平进行右肩外展

  
背景:上肢力水平的准确识别对于可穿戴运动监测和康复工程很重要,但结合表面肌电图(sEMG)和机械肌电图(MMG)进行肩部力量分类的价值仍未完全阐明。方法:10名健康成年人以大约10%、30%、60%和90%最大自主收缩(MVC)的MVC归一化力水平进行右肩外展。信号以1000 Hz从三角肌中部同步采集,并使用500 ms窗口和150 ms步长进行分段。评估的分类器包括逻辑回归(LR)、k近邻(KNN)、决策树(DT)、径向基函数核支持向量机(SVM-RBF)、随机森林(RF)、极端随机树(ET)、直方图梯度提升决策树(HGBDT)和多层感知机(MLP)。模型使用动作试验层面的分组感知五折交叉验证进行评估。结果:数据集包含来自30个动作试验组的12,231个窗口。HGBDT取得了最佳性能,准确率为,宏F1分数为,二次加权Cohen's kappa为,平均绝对等级误差为。融合将宏F1从(仅sEMG)和(仅MMG)提高到。结论:这些内部验证的结果支持sEMG和MMG在健康成年人MVC归一化肩部力水平分类中的互补价值。在临床康复应用之前需要进行受试者独立和患者层面的验证。
**论文解读文章**

**研究背景与问题**
上肢力量产生的客观量化对于可穿戴运动监测、康复工程和个体化运动训练日益重要,因为单纯依靠视觉观察或粗略的等级评估难以捕捉力量水平的细微变化。临床常用的徒手肌力测试(MMT)虽然简便易行,但其评分分辨率有限且存在评估者间变异,难以识别重复或高分动作中力量生成的微小差异。可穿戴生物信号(如表面肌电图、机械肌电图)能够提供肌肉电激活、机械振动及运动相关响应的定量测量。表面肌电图(sEMG,通过皮肤表面电极记录肌肉电活动)已被广泛用于表征肌肉激活和运动单位行为,但其幅值和频谱特征易受电极-皮肤阻抗、串扰、运动伪迹及预处理方式影响。机械肌电图(MMG,通过加速度计记录肌肉收缩时产生的表面振动和力学振荡)则提供了肌肉收缩的机械视角,可捕捉sEMG无法直接反映的收缩振荡与负荷相关变化。近年来,多模态可穿戴传感研究表明,联合神经肌肉、机械和运动信息可改善基于传感器的运动与疲劳评估,但在肩部外展力水平分类中,sEMG与MMG是否提供互补信息仍缺乏直接证据。研究人员假设,sEMG与MMG的特征级融合能够提升四水平MVC归一化肩外展力水平分类性能,并降低有序预测误差。

**研究方法**
研究人员招募了10名健康成年人(6男4女,均为右利手,年龄、身高、体重分别为 岁、 cm、 kg,无上肢神经肌肉或骨骼肌肉疾病),执行右肩外展任务,目标负荷设置为个体最大自主收缩(MVC,个体能产生的最大收缩力)的约10%、30%、60%和90%。信号使用自研可穿戴设备从三角肌中部同步采集(采样率1000 Hz):sEMG采用干式双极电极(中心间距20 mm,增益1000),MMG采用ADXL355三轴MEMS加速度计(Analog Devices, Inc. Wilmington, MA, USA)。预处理包括:sEMG经20-450 Hz四阶巴特沃斯带通滤波;MMG经10-100 Hz带通滤波后使用sym5小波基进行三层软阈值去噪。特征提取采用500 ms滑动窗口(步长150 ms),共提取26个特征(10个sEMG特征,15个MMG特征,1个基于相关性的融合特征Fusion_Corr_MA)。主要关键技术包括:特征级融合(直接拼接sEMG特征向量和MMG特征向量并加入Fusion_Corr_MA),八种监督分类器(逻辑回归LR、k近邻KNN、决策树DT、径向基函数核支持向量机SVM-RBF、随机森林RF、极端随机树ET、直方图梯度提升决策树HGBDT、多层感知机MLP)的比较,以及动作试验层面的分组感知五折交叉验证(将同一动作试验的所有窗口分配到同一折,避免相邻窗口信息泄露)。

**研究结果**

**3.1 分析数据集与标签分布**
通过滑动窗口分割与特征提取,共获得12,231个窗口样本,来自30个动作试验组。四个MVC归一化力水平标签分布为:标签2(约10% MVC)占23.10%,标签3(约30% MVC)占19.52%,标签4(约60% MVC)占27.82%,标签5(约90% MVC)占29.56%。

**3.2 使用预定义26特征融合集比较八种分类器**
在预定义26特征融合集上,HGBDT在动作试验层面分组交叉验证下取得最佳整体性能:准确率、平衡准确率、宏F1分数、二次加权Cohen's kappa(QWK)及平均绝对等级误差(MAE)均优于其他分类器。RF和ET次之,MLP、SVM-RBF、DT、LR和KNN依次降低。该结果表明非线性集成模型更适宜捕捉sEMG与MMG信号间的机电特征交互。

**3.3 单模态与融合特征集的消融分析**
消融分析显示,多模态特征融合显著优于单一模态。使用HGBDT分类器,仅sEMG特征集宏F1为 ,仅MMG特征集宏F1为 ,直接拼接sEMG与MMG特征后宏F1提升至 ,预定义26特征融合集(额外包含相关性融合特征)宏F1达到 。宏F1的提升(相较仅sEMG约0.090,相较仅MMG约0.140)主要来自于sEMG派生特征与MMG派生特征的互补整合,而非相关性融合特征的单独贡献。

**3.4 26特征HGBDT模型的混淆矩阵与每类性能**
基于26特征HGBDT模型的折外预测显示,整体准确率0.903,平衡准确率0.911,宏F1 0.911,QWK 0.910,MAE 0.139,一级内准确率0.962。标签3(约30% MVC)性能最稳定(精确率0.997,召回率0.995,F1 0.996),标签4(约60% MVC)F1最低(0.837),表明中高与高力水平信号模式间存在较大重叠。归一化混淆矩阵中,9.84%的标签4样本被预测为标签5,10.45%的标签5样本被预测为标签4,7.22%的标签2样本被预测为标签4。

**3.5 特征重要性分析**
基于随机森林的特征重要性分析表明,排名最高的特征包括sEMG斜率符号变化(EMG_SSC,重要性0.127)、MMG均方根(MMG_RMS_Mech,0.125)、sEMG平均频率(EMG_MNF,0.099)、sEMG均方根(EMG_RMS,0.098)、sEMG Willison幅值(EMG_WAMP,0.087)、MMG第一Mel频率倒谱系数(MMG_MFCC_1,0.083)及sEMG波形长度(EMG_WL,0.082)。相关性融合特征Fusion_Corr_MA贡献较低(0.011),进一步确认主要性能增益来自sEMG与MMG特征的联合使用。

**讨论与结论**
讨论部分总结了主要发现:sEMG-MMG特征融合在动作试验层面验证中优于单一模态,性能提升主要来自电学与机械特征族的结合;相关性融合特征仅带来边际数值变化。与先前研究(如Correa等人关于EMG和加速度计MMG在不同负荷下的响应,Bai等人融合生物信号估计肩肘旋转加速度)相比,本研究聚焦于有序MVC归一化力水平分类,并明确比较了单模态与融合特征集。生理上,sEMG和MMG分别反映肌肉电激活与机械振动,其联合重要性(如EMG_SSC与MMG_RMS_Mech排名最前)支持互补解释。误差模式显示力水平可分性不均:标签3(约30% MVC)稳定性最高,可能与该水平产生较为一致的机电模式有关;标签2(约10% MVC)与标签4(约60% MVC)的部分重叠可能源于低强度sEMG幅值小、易受基线噪声影响,以及sEMG幅值并非严格与外部负荷成比例等因素。研究优势包括八分类器基准、特征消融、有序指标及动作试验层面分组验证;局限性包括仅10名健康成年人、未保留受试者标识(无法进行留一受试者验证)、不能直接推广至神经疾病患者、标签未与临床MMT或手持测力计验证、实时性能未测试、未应用50 Hz陷波滤波器。未来研究需保留受试者标识、评估独立受试者与神经队列、与外部力量测量比较、测试动态任务及实时部署。
结论:在该健康成人队列中,sEMG与MMG的特征级融合改善了MVC归一化肩外展力水平分类。HGBDT在八种分类器中取得最佳内部动作试验层面性能,消融分析将主要增益归因于电学与机械特征族的结合。这些结果支持sEMG和MMG在受控条件下基于传感器的力量评估中的互补价值。在临床康复应用之前,需要进行受试者独立、患者层面的外部验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号