表面肌电图机器学习分析用于量化颈部疼痛中神经肌肉代偿特征及相关功能残疾

《Frontiers in Bioengineering and Biotechnology》：Machine learning analysis of surface electromyography for quantifying neuromuscular compensatory profiles and associated functional disability in neck pain

　　

背景：颈部疼痛呈现显著的临床异质性，而当前评估方法缺乏量化肌肉功能的系统手段。本研究建立了一个多维度表面肌电图（sEMG）框架，以量化肌肉功能特征对临床结局的预测价值，并识别神经肌肉代偿状态。方法：研究人员招募了89名参与者，包括69名慢性颈痛患者和20名年龄、性别、体重指数（BMI）匹配的健康志愿者。在四个方向的功能性姿势控制任务中，记录了六块双侧颈肌的表面肌电图信号。经过预处理和质量控制后，提取了涵盖协调（共收缩指数[CCI]、深表比[DSR]、不对称指数[ASI]）、控制（样本熵[SampEn]、变异系数趋势[CoV_trend]）和疲劳（初始疲劳率[IFR]、中位频率斜率[MDF_Slope]）三个维度的七个特征。使用重复K折交叉验证（5折×10次重复）比较了六种回归模型（多元线性回归、Ridge回归、Lasso回归、弹性网络回归、随机森林回归和XGBoost回归），并采用SHapley加法解释（SHAP）量化特征贡献。通过多指标验证的K均值聚类识别了不同的神经肌肉状态。结果：数据质量达到95.3%（263/276段）。七个肌电图特征中有六个显著区分健康对照组与患者（p < 0.05），其中五个具有大效应量（|d| > 0.8）。模型比较评估显示，XGBoost是颈部残疾指数（NDI）评分的优越预测模型（交叉验证R² = 0.449 ± 0.182，平均绝对误差MAE = 4.66 ± 0.74），优于所有线性模型13%–16%；排列检验确认了统计显著性（p = 0.001）。SHAP分析将CCI（平均|SHAP|：3.68）、CoV_trend（1.74）和MDF_Slope（1.56）列为主要的NDI预测因子。四个特征表现出显著的严重程度梯度：CCI从轻度组（0.57 ± 0.06）到重度组（0.73 ± 0.10，p < 0.001）逐渐增加；DSR在轻度和中度患者间显著更高（1.73 vs. 1.37，p = 0.033）；CoV_trend随严重程度降低（p = 0.013）；MDF_Slope呈现渐进性变化（p < 0.001）。多指标聚类验证（轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数、Gap统计量）支持K = 2为最佳聚类数。识别出两种候选神经肌肉状态：非对称代偿（63.8%，高ASI：26.7%，保留DSR：1.744，低CCI：0.635）和整体僵硬（36.2%，高CCI：0.771，低DSR：1.077，陡峭MDF_Slope：?0.408），与已建立的疼痛-运动重组模型一致。聚类成员与疾病严重程度相关（χ² = 6.06，p = 0.048）。肌电图-NDI关联独立于人口统计学混杂因素（在控制年龄、性别和BMI后，偏相关与零阶相关几乎相同，最大变化<0.1%）。结论：此可解释的多维度sEMG框架量化了肌肉功能特征对功能残疾的预测价值。与严重程度相关的神经肌肉变化可能有助于疾病进展监测，而候选代偿状态的识别为个性化康复提供了初步分层标准，有待前瞻性验证。

**论文解读文章**

**1. 研究背景与问题**

颈部疼痛是全球主要健康负担，根据2010年全球疾病负担研究，其点患病率为4.9%，在残疾生活年数中排名第四。约30%–50%的成年人一生中会经历颈部疼痛，导致显著的功能限制、生活质量下降和社会经济成本。尽管诊断技术和治疗干预有所进步，但由于其复杂、多因素的病因和异质性临床表现，颈部疼痛的临床管理仍具挑战性。颈椎肌肉功能，包括肌肉协调、运动控制质量和抗疲劳能力，在颈部疼痛患者的症状严重程度和功能残疾中起关键作用。异常的共收缩模式、深层肌肉无力、不对称肌肉激活和功能耐力受损与颈部疼痛的发生和发展密切相关。然而，当前临床评估方法（包括影像学检查和体格检查）难以客观量化颈椎肌肉功能状态和神经肌肉控制质量。表面肌电图（sEMG）提供了一种非侵入性的客观评估手段，但既往研究存在三大局限：多数研究仅关注孤立肌肉或单一特征；机器学习应用多集中于二分类而非连续特征-结局量化；且未将协调、控制和疲劳维度统一在一个框架内，也未量化各维度对功能残疾的连续贡献。因此，本研究旨在建立一个基于功能性姿势控制任务的多维度sEMG特征框架，量化个体特征对功能残疾（NDI）和疼痛强度（VAS）的预测价值，并通过无监督聚类探索颈部疼痛患者的不同神经肌肉代偿状态。该论文发表在《Frontiers in Bioengineering and Biotechnology》。

**2. 主要关键技术方法**

本研究采用的关键技术方法包括：① sEMG信号采集：使用Pico设备（cometa公司）以2000 Hz采样率记录六块双侧颈肌（左/右半棘肌、上斜方肌、胸锁乳突肌）在四种方向（屈曲、后伸、左旋、右旋）功能性姿势控制任务中的肌电信号，参与者来自中国中医科学院望京医院（2025/01/01–2025/06/30），共69名患者和20名健康志愿者；② 信号预处理与质量评估：采用50 Hz陷波滤波、20–450 Hz带通滤波，并通过七维度复合评分系统（含信噪比、饱和度、波峰因子等）进行质量控制，合格阈值≥6.0；③ 特征提取：从协调（共收缩指数CCI、深表比DSR、不对称指数ASI）、控制（样本熵SampEn、变异系数趋势CoV_trend）和疲劳（初始疲劳率IFR、中位频率斜率MDF_Slope）三个维度共提取七个特征；④ 机器学习建模：比较六种回归模型（多元线性回归、Ridge、Lasso、ElasticNet、随机森林、XGBoost），采用重复K折交叉验证（5折×10次重复），以SHAP量化特征贡献；⑤ 无监督聚类：使用K均值聚类（K=2，经四种内部验证指标确认）识别神经肌肉状态。

**3. 研究结果**

**3.1 患者人口统计学特征**：三个严重程度组（轻度、中度、重度）在年龄、BMI、病程、VAS评分和性别分布上无显著差异（所有p > 0.39），仅NDI评分显著不同（p < 0.001），符合基于NDI的分组设计。

**3.2 质量控制结果与信号特征**：从69名参与者中提取的276段信号中，七维度质量控制系统保留263段（通过率95.3%），平均信噪比28.90 ± 5.19 dB，100%超过15 dB阈值。分裂半验证和Bootstrap重采样确认了阈值稳定性。

**3.2.1 采集架构验证**：回顾性评估确认采集链稳定，所有通道无饱和或缺失样本，平均基线漂移斜率0.046 μV·s^-1，50 Hz陷波滤波平均衰减7.80 dB，交叉串扰均值0.397，增广迪基-福勒平稳性检验通过率100%。

**3.3 肌电图特征在各运动方向上的分布**：共收缩指数（CCI）在伸展方向最高（0.732 ± 0.217），屈曲方向最低（0.606 ± 0.182，p < 0.001）；DSR显示高个体间变异性（范围0.65–4.35）；不对称指数（ASI）在旋转运动中显著高于矢状面运动（28.8%–31.4% vs. 13.1%–15.6%）；SampEn在各方向一致（2.044–2.095）；CoV_trend呈右偏分布（中位数6.7%）；主成分分析（PCA）解释总方差的49.4%。

**3.4 机器学习模型性能与特征重要性**：XGBoost在NDI预测中表现最佳（CV R² = 0.449 ± 0.182，MAE = 4.658 ± 0.737），优于所有线性模型13%–16%。排列检验确认统计显著性（p = 0.001）。SHAP分析显示CCI（平均|SHAP|：3.68）、CoV_trend（1.74）和MDF_Slope（1.56）为最主要NDI预测因子。依赖图揭示CCI-NDI关系存在非线性转折点（CCI ≈ 0.67），超过该点后残疾程度急剧增加。所有模型对VAS的预测均较差（CV R² < 0），表明sEMG信号空间更适用于功能残疾预测而非主观疼痛强度量化。

**3.5 肌电图特征在不同疾病严重程度间的变化**：四个特征表现出显著组间差异：CCI从轻度组（0.57 ± 0.06）到重度组（0.73 ± 0.10）逐渐增加（p < 0.001，η² = 0.289）；DSR在轻度患者中显著高于中度患者（1.73 vs. 1.37，p = 0.033，η² = 0.071）；MDF_Slope呈现渐进性变化（轻度?0.86 Hz/s，重度0.16 Hz/s，p < 0.001，η² = 0.182）；CoV_trend随严重程度降低（p = 0.013，η² = 0.102）。ASI、SampEn和IFR无显著差异。

**3.6 神经肌肉代偿状态的识别**：K均值聚类确定K=2为最优（轮廓系数0.199，Calinski-Harabasz指数18.97）。两种候选状态为：非对称代偿（Cluster 0，63.8%），特征为高ASI（26.7%）、保留DSR（1.744）、低CCI（0.635）和近零MDF_Slope（?0.079 Hz/s），提示侧向负荷再分配且深层稳定肌功能维持；整体僵硬（Cluster 1，36.2%），特征为高CCI（0.771）、低DSR（1.077）、低ASI（14.4%）和陡峭MDF_Slope（?0.408 Hz/s），提示全局共收缩伴深层稳定肌抑制和加速疲劳。聚类成员与NDI严重程度显著相关（χ² = 6.06，p = 0.048），Cluster 1中重度患者比例更高（52% vs. 27%）。

**4. 讨论总结与结论翻译**

讨论部分指出，本研究建立了包含七个特征的肌电图框架，跨协调、控制和疲劳三个功能维度，量化了特征对临床结局的预测价值，并识别出两种探索性神经肌肉代偿状态。三个主要发现：CCI、CoV_trend和MDF_Slope是功能残疾（NDI）的主要预测因子；疾病严重程度与系统性肌电图特征变化相关；患者可被分为“非对称代偿”和“整体僵硬”两种候选代偿状态，具有不同的临床特征。这些状态与疼痛-运动适应文献中的代偿策略一致，但聚类稳定性中等（Bootstrap ARI = 0.585 ± 0.325），需更大样本和前瞻性验证。研究局限性包括单中心、样本量有限、未进行外部验证、未评估操作者间可靠性等。结论翻译：此可解释的多维度sEMG框架量化了肌肉功能特征对功能残疾的预测价值。与严重程度相关的神经肌肉变化可能有助于疾病进展监测，而候选代偿状态的识别为个性化康复提供了初步分层标准，有待前瞻性验证。