综述：肌少症的电生理特征：sEMG特征、疲劳指数和基于AI的分类器的系统综述

《Sensors》：Electrophysiological Signatures of Sarcopenia: A Systematic Review of sEMG Features, Fatigue Indices and AI-Based Classifiers

　　

与年龄相关的肌少症涉及结构和功能性神经肌肉变化。来自表面肌电图（sEMG）的电生理指标可捕捉到激活动态、频谱疲劳指数和运动单位特性，这些可能构成肌少症的客观特征。本研究的目的是系统综述2019年至2026年间报告的用于肌少症评估的sEMG特征、疲劳性指标和基于人工智能（AI）的分类/回归方法。研究人员遵循了PRISMA指南，并在IEEE Xplore、PubMed和Scopus数据库中检索了开放获取的人体研究。提取的信息包括样本特征、肌肉和任务、信号采集与预处理、提取的时域/频域/时频域和运动单位特征、疲劳指标、机器学习（ML）流程、验证方案和数据集可及性。研究被分为激活组、疲劳组、机器学习组和神经控制组；并评估了偏倚风险。共有12项研究符合纳入标准。反复出现的电生理特征包括：远端激活减少伴代偿性近端募集和更高的拮抗肌共激活；指示II型肌纤维丢失和运动单位募集改变的中位频率（MF）/瞬时中位频率下降斜率（IMDF）降低；运动单位分析显示放电率降低和运动单位动作电位（MUAP）幅度增大。结合多域特征（时域、频谱、连续小波变换（CWT）/经验模态分解（EMD）和运动单位指标）的基于AI的模型，在采用稳健特征选择和可解释性工具时，可获得合理的筛查性能（曲线下面积（AUC）/准确度0.73–0.89）。采集、归一化、小样本队列和稀疏数据共享方面的异质性限制了可比性和外部有效性。研究结果表明，sEMG衍生的电生理特征在肌少症的检测和监测方面具有前景。为了将这些特征转化为可靠的临床工具，需要标准化的方案、更大的共享数据集、包含运动单位指标的多模态特征，以及对AI模型进行严格的外部验证。

1. 引言
骨骼肌在功能上由运动单位组织，每个运动单位代表负责产生肌肉活动的基本组成部分。一个简单的运动单位（SMU）由一个运动神经元及其支配的肌纤维组成。这些单位在包含其他活跃和不活跃肌纤维的容积导体中充当生物电源。活跃肌纤维产生一个持续时间约3至15毫秒、幅度在20至2000微伏（μV）之间的细胞外电位场，其大小取决于运动单位的大小。在健康受试者中，静息肌肉不表现出表面肌电图（sEMG）可检测到的电活动。然而，中等程度的随意收缩会激活一个或少数几个运动单位，其放电频率较低（约每秒1–2次脉冲）。随着肌肉力量增加，会观察到两种现象：先前不活跃的运动单位的募集，以及已激活单位放电频率的增加。这个过程反映了在初始阶段I型肌纤维的顺序激活，以及在更强收缩时II型肌纤维的激活。随着肌肉收缩的增强，额外的运动单位被激活，导致所谓的干扰模式，多个运动单位的生物电信号重叠，使得区分单个电位变得困难。这种模式反映了参与的运动单位电位的尖峰密度和平均幅度。在最大努力期间，肌肉产生一个幅度约为2–4毫伏的干扰信号，表明大量运动单位同时激活。这种肌肉激活过程在衰老背景下尤其相关。近期研究表明，衰老与肌纤维数量和质量的下降相关，影响肌肉力量和功能。肌少症，一种以肌肉质量和力量进行性丧失为特征的肌肉骨骼疾病，是老年人衰弱的主要原因之一。在组织学水平上，它与肌纤维尺寸减小、脂肪组织替代以及运动单位放电频率的改变相关。

2. 材料与方法
2.1. 搜索策略
研究人员使用PICO框架和根据系统综述和荟萃分析优先报告条目（PRISMA）指南进行系统综述的标准，在IEEE Xplore、PubMed和Scopus数据库中进行了检索。为了识别医学主题词（MeSH），使用了以下陈述：“老年人和肌少症患者及非肌少症患者的感觉和运动变化，通过肌电图测量”，从中识别出术语[“老年人”、“肌少症”、“肌电图”、“健康状况”]以及附加术语[“人类”]。研究人员选择了主要术语，因为它们直接代表了感兴趣的人群、病症、测量技术和一般健康背景。附加术语“人类”被纳入以确保排除动物研究。为了提高检索灵敏度并考虑术语变化，也考虑了“老年人”、“衰老”和“EMG”。仅纳入2019年1月至2026年3月期间发表的开放获取文章，使用以下检索字符串：[“健康”AND“人类”AND（“老年人”OR“老年”OR“衰老”）AND（“肌电图”OR“EMG”）AND“肌少症”]。在所有情况下，检索均基于标题和摘要进行。选择开放获取是为了对学者和临床医生具有透明度和可及性。然而，研究人员也进行了无开放获取限制的检索，并进行灵敏度分析，结果见文件S1，证明主要结论保持不变，并且从开放获取出版物中提取的信息并未排除任何关键出版物。三个数据库的所有筛选条件下每个查询的表格也可在文件S1中找到。此外，为了进一步支持对研究结果的讨论，研究人员重复了相同的检索策略，仅筛选同一时间范围内的系统综述和荟萃分析。第二阶段的目的是将研究结果置于背景中，并更清晰地对比现有证据与当前综述的重点。

2.2. 研究选择
文章的选择由K.V.V.D.L.于2026年3月使用检索查询进行，并由B.T.C.验证。任何分歧均由所有作者通过共识解决。随后，在2026年7月，L.I.G.J.作为独立审查员使用相同的查询重复了检索，并记录了整个过程。在独立应用PRISMA选择标准后，作者就两个结果达成了共识。自动获得的结果以CSV格式导出。首先，移除了重复记录。随后，筛选了标题和文章类型。应用了以下纳入标准：(a) 在过去七年内发表；(b) 涉及人类受试者的研究；(c) 关注老年人的研究；(d) 开放获取研究；(e) 采用肌电图进行评估的研究。根据以下标准排除文章：(a) 动物研究；(b) 涉及未成年人的研究；(c) 包括患有与运动表现无关的合并症的老年人研究；(d) 被识别为书籍、会议论文集、评论、社论、病例报告和系统综述的出版物。应用标准(c)是为了将肌少症作为正在研究的主要感觉运动状况，尽管这可能限制研究结果对多病共患人群的普适性。两名审查员（K.V.V.D.L.和L.I.G.J.）根据这些标准独立评估了论文。计算了Kappa和AC1方法，并获得了较低的一致性；因此，研究选择中的差异通过作者之间的讨论来解决以达成共识。该分析见文件S2。

2.3. 数据提取与结果综合
纳入研究的数据被提取到Excel中。根据选定的结果，手动将每个数据库中的记录以CSV格式导出，随后合并到一个单一数据集中。收集了以下信息：研究标识符（作者、发表年份、DOI）、研究特征（研究人群、总招募参与者人数和分析参与者人数）、评估方法和主要发现。为确保一致性，提取的数据在作者小组讨论期间进行了审查和整理。文件S1中包含了主要和次要咨询的文件名称、使用的筛选条件、找到的文章数量和咨询时间。研究人员还进行了额外的检索，查询中排除了无肌少症的老年人，另一次则纳入了有肌少症的老年人但排除了健康关键词，以分析限制效应。

2.4. 质量评估
所有纳入研究的质量由两名审查员（K.V.V.D.L.和L.I.G.J.）独立评估。任何分歧随后通过作者间的结构化讨论会议以共识解决。评估的参数为：(a) 标题（文章类型指示）；(b) 摘要（包括背景、方法、结果和讨论）；(c) 引言（明确的研究原理和目标）；(d) 方法（方案注册、资格标准、数据收集过程、数据项、效应测量和额外分析）；(e) 结果（研究特征、个体研究结果和额外分析）；(f) 讨论（证据总结、优势和局限性、结论和意义）；(g) 资金。由于综述的定性性质，未定义效应测量。

2.5. 分析过程
由于纳入研究的方法学异质性，无法仅基于评估的肌肉或采用的技术进行比较。本综述采用功能导向框架，根据sEMG分析所解决的主要问题对研究进行分组。此外，纳入标准特别关注老年人，确保比较反映与肌少症相关的年龄相关神经肌肉变化。具体而言，定义了四个指导性研究问题：(a) 在肌少症背景下，肌肉激活如何促进功能表现？(b) 目前如何利用sEMG评估肌少症和老年人中的疲劳和疲劳性？(c) sEMG如何与机器学习结合用于肌少症的识别或分类？(d) 在肌少症进展过程中，神经控制与功能协调如何相关？研究人员根据这些问题分析了12项纳入研究的证据。一些研究涉及多个问题，而其他研究则更具体地关注单一问题。因此，分组反映了与主要研究问题的一致性，而非互斥的研究分类。当一项研究涉及多个研究问题时，根据其发现的主要关注点，将其归类于其提供最实质性贡献的问题。Song, K.等人（2024）和Kumar, K. S.（2024）报告了中位数和四分位距（IQR）。这些数据通过Wan等人（2014）的方法转换为均值和标准差，并辅以Luo等人（2018）的优化。当提供了最小值和最大值时，估计遵循Wan等人（2014）和Hozo等人（2005）的方法。仅当分布近似对称时才转换数据，首先由Wan等人评估，随后由Shi等人（2020）验证。均值估计为均值≈（Q1 + M + Q3）/3，假设对称。标准差估计为SD≈（Q3 – Q1）/1.35，假设高斯分布。此外，每个小组分析均基于报告的结果、sEMG衍生变量和作者提出的生理学解释，对贡献进行了联合定性综合。随后，在讨论中进行了跨组比较分析以整合发现。此外，将研究结果与现有关于神经肌肉功能和衰老相关方面的系统综述进行了对比。进行此比较是为了识别报告发现的异同，以将本综述置于更广泛的证据体系中，并突出其具体贡献。最后，使用GRADE偏倚风险框架评估了纳入研究的方法学质量，根据RoB结果进行了两次评估和共识，并根据研究类型选择。GRADE方法考虑了随机序列生成、分配隐藏、盲法程序、不完整结局数据、选择性报告和其他潜在偏倚来源。根据相应文章中报告的方法学信息，每个研究被分类为低、不清楚或高偏倚风险。完整分析见文件S3；根据研究类型，选择了一个主要的RoB，并在研究为混合型时包含补充测试。此外，还包括了总体判断及其理由。

2.6. 与感觉运动反应相关的临床参考测试——握力
对三个独立的老年人群组：老年女性、老年男性和老年人，进行了握力均值差异的随机效应和固定效应荟萃分析。作为补充支持，使用了DerSimonian–Laird (DL)和限制性最大似然估计（REML）估计量来估计临床参考的研间方差。为每个组和估计量创建了森林图。由于原始输入中的某些行代表亚组和来自相同研究的合并估计，我们避免了跨所有行的合并“总体”分析；而是仅报告三个独立组的分析结果。对老年人组实施了排除Hu (2021)的敏感性分析。结果、每项研究表和汇总表均可在输出文件夹中找到。数据输入是代表三个独立研究组的八行。它们被定义为脚本MetaAnalysis_groups_final.m中的亚组条目，该脚本可在GitHub上获取。脚本组为老年女性（T1）、老年男性（T2）和老年人（T3）。每个组独立分析。对于每个组，脚本计算：k（用于该组的独立行/研究数）、合并均值差及其95%置信区间（CI）使用DL和REML、DL和REML的研间方差以及用于异质性的Q统计量和值。最后，为每个组和估计量生成森林图，并保存为PNG和PDF文件到./outputs目录。脚本重新计算了T3数据集在包含和排除Hu (2021)情况下的DL和REML合并估计值、研间方差、Q统计量和值，并将敏感性结果保存到verification_table.xlsx或单独的敏感性文件中。

3. 结果
初步识别：PRISMA流程图报告了每个审查员在移除重复记录前识别的总记录数。审查员1（Rv1）获得了20篇候选论文，审查员2（Rv2）获得了35篇。这些总数是每位审查员使用提出的查询从每个数据库检索到的记录总和。重复记录移除：在筛选前，Rv1移除了2条重复记录（Rv1重复数 = 2）。移除重复记录后，Rv1对18条记录进行筛选。这一重复记录移除步骤解释了为何PRISMA识别框最初显示为20，而筛选框显示为18。图1显示了结果的摘要。筛选和报告评估：对于Rv2，移除重复记录和初步排除后的计数为22条记录被筛选，随后16条被评估是否符合资格；对于Rv1，相应的数字为18条被筛选，12条被评估是否符合资格。被评估是否符合资格的报告总数（Rv1 + Rv2）为17条不同的记录（这些集合有重叠，一些记录被两位审查员都识别到）。最终纳入研究：在独立筛选和共识过程后（并在移除了因合并症、无关EMG、荟萃分析等而被排除的记录后），两位审查员收敛到相同的最终纳入研究集（n = 12）。文件S2报告了审查员特定的中间记录集（17和22），这些记录集是自动获得的并用于资格评估；PRISMA流程图描绘了总体识别和筛选流程，其中初始总数包括重复记录移除前的记录。

3.1. 研究比较
根据sEMG信号的主要分析功能以及每项研究解决的主导生理学问题，建立了一套分析标签以指导分类过程，包括激活、激活与协调结合、姿势相关激活、疲劳、激活与疲劳结合、基于ML的表现（生物标志物、分类或诊断）、基于运动单位的神经控制以及协调/对称性。为便于解释比较结构，表1、表2和表3总结了每篇文章的目标、方法和主要结果，以及分配的分析标签。基于分段分析方法，建立了包含四个组的比较结构：组A关注功能和姿势性肌肉激活；组B侧重疲劳和疲劳性；组C致力于使用sEMG的机器学习（ML）应用；组D与神经控制、运动单位和协调性相关。研究分配到各组基于其主要的分析焦点，由第2.5节中描述的指导性研究问题定义。表4显示了分析类型与其对应比较组之间的关系。所有表格总结了所选研究中实施的概念，如sEMG信号放大增益（G）、采样频率（fs）以及带通滤波器（BP）等滤波器的实现。

3.1.1. 组A
组A中的研究使用肌电图分析功能或姿势任务期间的肌肉激活。尽管该组并非完全同质，但共享一个清晰的主题核心：肌少症和衰老改变了神经肌肉系统在有意义的功能活动期间组织激活的方式。在该组内，Marshall等人关注日常生活活动和抗阻训练中股四头肌的相对激活；Cai等人除了量化响应幅度外，还纳入了拮抗肌共激活和sEMG变异性；Sepúlveda-Loyola等人则结合了姿势平衡变量（如Brief-BESTest和TUG）与下肢、躯干和呼吸肌的肌肉活动。尽管本研究中的参与者患有合并症，但主要分析是关于肌少症与非肌少症状况，而非COPD。这些研究的主要共同点是，sEMG不被解释为孤立值，而是神经肌肉策略的表达。Marshall等人证明，老年人需要更大的相对股四头肌激活来完成功能性任务，表明维持表现需要更大的努力。Cai等人通过显示在肌少症中，不仅激活的幅度改变，而且其分布也改变，对近端肌肉的依赖更大，远端参与减少，共激活增加，扩展了这一发现。Sepúlveda-Loyola等人则表明，当任务需要姿势稳定性时，肌少症与对平衡相关的肌肉激活减少以及整体姿势控制较差有关。综合来看，这些发现表明，组A并非简单地描述sEMG活动的“更多”或“更少”，而是描述了肌肉激活的功能性重组。表5显示了组A文章中报告的数据的主要特征，包括研究的肌肉、研究人群和数据库可用性，而表6则显示了特征提取方法、评估指标和结果的主要特征。所有三项研究都一致认为，衰老——尤其是肌少症——与可检测的肌肉激活变化和功能表现下降相关，尽管它们在不同的背景下分析了这些效应。Sepúlveda-Loyola等人评估了患有慢性阻塞性肺疾病（COPD）的肌少症和非肌少症患者在平衡任务期间的表现，并证明了在姿势控制、功能测试以及下肢、躯干和呼吸肌的肌肉激活方面存在差异。Marshall等人比较了健康年轻人和老年人的股四头肌肌肉活动，专门关注日常生活活动和抗阻训练。Cai等人对比了肌少症和非肌少症老年人在6分钟步行测试（6MWT）和五次坐立测试（5STS）中的表现，纳入了更详细的基于阶段的分析，以及共激活和sEMG变异性。总体而言，Sepúlveda-Loyola等人和Cai H等人描述了与肌少症相关的代偿策略，而Marshall等人则提供了一个参考点，用于理解即使在无肌少症的情况下，相对肌肉努力如何随衰老而变化。在作为肌肉激活指标的从EMG提取的特征方面，这三项研究达成一致，当在功能和姿势任务中使用表面EMG评估时，与肌少症相关的神经肌肉特征是一致的。使用了两种互补的归一化方法：Sepúlveda-Loyola强调相对于对照姿势的RMS变化（%ΔμVRMS）以检测姿势激活缺陷；Marshall使用绝对幅度和归一化至峰值MVC（%EMG_MVC）以量化跨活动的相对努力；Cai则在步态和坐立测试期间结合了%MVC幅度与共激活和变异性指标。这些指标共同揭示了：(1) 从远端到近端的激活重新分布（TA/GA激活减少，VM/VL/RF和臀肌激活增加）；(2) 在老年/肌少症个体中，对于可比任务，相对激活更高（%MVC或%ΔRMS）（反映了神经肌肉储备减少）；(3) 拮抗肌-主动肌共激活增加（更高的CI），特别是在膝关节周围肌肉；(4) 任务依赖的变异性变化（步态期间近端变异性更大；重复坐立期间试验间变异性降低——更僵硬的模式）。这些综合的EMG发现直接映射到论文中报告的功能损伤（步态较慢、平衡较差、5STS时间更长和COP偏移更大）。从机制上讲，远端输出减少削弱了踝关节策略和蹬伸效率，迫使代偿性近端募集和共激活，这增加了能量消耗并降低了运动经济性。不同的指标提供互补信息：RMS/MAV和iEMG捕捉瞬时和累积激活幅度，%MVC相对于能力量化努力，CI指示稳定策略和低效性，而MeanSD表征运动控制的稳定性/适应性（表7）。对肌少症评估的贡献：(a) 对功能缺陷的敏感性：EMG衍生指标揭示了仅通过肌肉质量测量无法捕捉的神经肌肉损伤，能够检测早期功能下降（例如，远端激活减少和相对努力增加），这与跌倒风险和行动限制相关。(b) 机制洞察：特征模式——如远端到近端激活的重新分布和升高的拮抗肌-主动肌共激活——阐明了观察到的表现缺陷，并确定了特定的干预靶点（例如，踝关节跖屈肌/背屈肌和神经肌肉协调性）。(c) 客观监测：归一化的EMG测量（例如，%MVC或%ΔRMS）和整合指标（iEMG）提供了客观、可重复的生物标志物，适用于追踪疾病进展或对旨在增强力量、功率、协调性或通过生物反馈的干预措施的反应。(d) 任务特异性：不同的功能评估（例如，步态、5STS和平衡测试）产生不同的EMG特征；多模态测试方法增强了诊断敏感性，并允许更精确优先的康复计划制定。(e) 康复指导：共激活指数和变异性指标通过指示干预应优先考虑减少适应不良的共激活、恢复远端力量/功率和感觉运动适应性，而非仅关注近端强化，来为临床决策提供信息。

3.1.2. 组B
组B包括专注于神经肌肉疲劳和疲劳性的研究。疲劳是任务期间或之后能量减少或感知努力增加的主观感觉。其定义是多维的，涵盖感知和心理影响，但并不一定意味着可测量的生理损伤。相比之下，疲劳性是指由标准化任务（负荷）引起的生理或功能表现的定量变化幅度。在此背景下，Habenicht等人和Ebenbichler等人分析了腰部伸肌的频谱疲劳，并提出这些指标作为肌少症相关改变的潜在早期生物标志物。两项研究都使用从肌电信号导出的频谱变量来检查肌肉在持续或重复任务期间的响应如何变化。相反，Chilwan等人将肌肉活动测量与持续咀嚼测试期间的内部任务变化相结合，以反映功能性疲劳性。即使参与者患有慢性腰痛，Ebenbichler等人的研究也被纳入本综述，因为他们关注疲劳作为有肌少症风险的腰部肌肉功能的早期生物标志物。组B的主要贡献是证明肌电信号的时间维度对于理解肌少症和衰老至关重要。一个特别相关的发现是，信号指标的变化较小并不一定表明功能性更强。在背部肌肉研究中，不那么明显的频谱斜率被解释为快速可疲劳肌纤维参与减少以及可能的神经肌肉重塑，而非功能优势。相反，在咀嚼研究中，疲劳性表现为肌肉表现下降和内部任务变化，特别是在颏下肌群。因此，组B表明，肌少症可能表现为肌肉代谢的改变（从频谱变量推断）以及在持续任务期间功能耐力的受损。表8呈现了组B研究报告的数据的主要特征，包括研究的肌肉、研究人群和数据集可用性。表9总结了主要的特征提取方法、评估指标和结果。如表8和表9所示，在肌肉系统和任务方面存在显著差异。在Habenicht等人（2020）的研究中，年轻人和老年人之间的最大腰部力量相当；然而，年轻人的IMDF-sEMG斜率下降更快，表明即使在无明显力量损失的情况下，该变量也能检测到早期功能改变。在Chilwan等人（2025）的工作中，老年人表现出咬肌表现下降，而颏下区域表现出更有限的变化，主要与任务诱导的疲劳相关。同时，Ebenbichler等人（2020）发现，即使在存在慢性腰痛的情况下，老年人的MF-sEMG疲劳也低于年轻人。此外，观察到性别相关差异，特别是在老年女性中，强化了年龄特异性神经肌肉和代谢变化的概念。综合来看，Habenicht等人（2020）和Ebenbichler等人（2020）一致认为，频谱sEMG变量在检测早期肌肉衰老方面比最大力量更敏感，而Chilwan等人（2025）表明，在咀嚼肌中，衰老更多地表现为持续任务期间功能表现和耐力的下降。尽管三项研究使用了不同的EMG衍生变量，但它们共同表明，与年龄相关的神经肌肉激活变化可以使用基于幅度或基于频率的EMG指标进行量化。表10和表11总结了用于评估疲劳和疲劳性的特征和指标。Chilwan等人（2025）主要关注幅度衍生参数，包括平均幅度、峰值幅度、EMG功率和最大随意收缩（MVC），在六分钟咀嚼测试期间。这些变量用于量化整个任务过程中肌肉激活能力的下降。平均幅度和EMG功率随时间的显著下降，以及老年参与者中较低的峰值幅度，表明咀嚼肌的进行性疲劳和功能性肌肉表现下降。这些发现表明，基于幅度的EMG测量特别适用于评估持续动态任务期间的功能性肌肉疲劳。相反，Habenicht等人（2020）和Ebenbichler等人（2020）强调了频域分析，特别是瞬时中位频率（IMDF）及其时间斜率。两项研究都表明，IMDF斜率比RMS幅度对检测神经肌肉疲劳的年龄相关差异要敏感得多。在持续循环的背部伸展运动中，年轻人表现出比老年人更陡的中位频率下降，表明更大的疲劳性。重要的是，作者将老年人中观察到的较小下降解释为并非更好的抗疲劳性，而是衰老导致的神经肌肉生理学改变的证据。这种解释与当前对肌少症的理解一致。与年龄相关的运动神经元丢失、快速收缩（II型）肌纤维的选择性萎缩、运动单位重塑以及肌纤维传导速度降低改变了EMG信号的频谱特征。因此，老年人尽管肌肉质量和功能储备下降，但常表现出中位频率下降较小。因此，减少的IMDF或MF斜率不应被解释为抗疲劳性改善，而是高阈值运动单位募集减少的后果。类似地，幅度衍生变量也可能受到肌少症的影响。平均幅度、峰值幅度和EMG功率的降低反映了运动单位募集受损以及在持续活动中维持肌肉激活的能力下降。这些改变与构成肌少症特征的肌肉质量和肌肉质量的减少相符。然而，RMS幅度似乎对衰老相关的适应不那么敏感，因为它受到多种生理和方法学因素的影响，包括幅度抵消、运动单位同步化和运动单位动作电位形态变化。

3.1.3. 组C
组C代表了本综述最具转化性的线索，因为它整合了sEMG不再仅用作描述性工具，而是作为机器学习系统输入以进行分类、筛查或功能估计的研究。在该组中，主要目标是增强sEMG分析中技术资源的利用，因此该组在临床目标上是异质的。Song等人开发了一个回归模型来估计肌肉功能的连续指数。Kumar等人训练了二元分类器，以区分在功能任务期间的健康对照个体和有肌少症风险的个体。Li等人采用了明确的临床标准AWGS 2019，并报告了典型的筛查指标，包括敏感性、特异性和AUC。这些研究的主要相似之处既是技术性的也是功能性的：都基于sEMG包含足够信息以推断临床相关肌肉状态的假设。然而，不应将它们视为评估相同的构建进行比较。Song等人专注于回归和一致性；Kumar等人专注于功能风险分类；Li等人采用更接近临床筛查背景的分类方法。组C证明，sEMG可以转化为具有临床潜力的自动化工具。同时，它突出了一个重要的局限性：模型性能关键取决于所使用的金标准、任务类型、特征提取策略以及系统使用的验证方法。表12展示了组C研究报告的数据的主要特征，包括研究的肌肉、研究人群和数据集可用性。表13和表14总结了主要的特征提取方法、评估指标和结果。如表13和表14所示，这些研究在目标、人群和实验设计上存在显著差异。Song等人（2024）提出了一种基于电刺激信号的肌肉功能数字生物标志物，这些信号记录自98名年龄在20至60岁的健康成年人的股直肌。其主要目标不是诊断临床肌少症，而是使用基于MCP + CWT + CNN/MLP的回归模型，通过可穿戴系统估计肌肉力量与肌肉质量的比率。相比之下，Kumar等人（2024）和Li等人（2024）明确解决了肌少症风险或诊断的分类任务。Kumar等人分析了93名年龄在20至59岁的成年人，在步行和深蹲任务期间，记录了下肢肌肉（RF、BF、TA、GA），并结合了EMD + mRMR + 机器学习分类器。同时，Li等人研究了社区居住的老年人，在握力任务期间记录了六块前臂肌肉，采用了更基于临床和人群的方法，以AWGS 2019标准为基础，并使用由SVM + RF + GBM组成的集成分类器。它们在信号类型和达到的性能上也不同。Song等人（2024）使用刺激肌肉收缩信号（SMCS），即通过电刺激诱发的信号以减少自愿控制的影响，与参考生物标志物达到了最高的相关性（r = 0.89）。Kumar等人（2024）在功能活动期间使用自愿sEMG，并表明纳入EMD将性能提高了约4–5%，在正常步行、快速步行、标准深蹲和宽距深蹲中，使用MLP分别达到了0.88、0.89、0.81和0.80的准确度。相反，Li等人（2024）在现实世界的社区诊断中报告了更适度的性能，使用其投票分类器，准确度为0.73，敏感性为0.79。然而，他们通过SHAP分析贡献了更大的可解释性，识别出波形长度（WL）和CWT峰度是最具影响力的特征。总体而言，Song等人更侧重于量化肌肉功能，Kumar等人侧重于年轻和中年成人的肌少症风险，Li等人则侧重于老年人群中的实用筛查。因此，这三项研究应被视为互补而非可比。它们都发现自动识别是评估肌肉运动性能的可行策略。所综述的研究展示了将机器学习应用于sEMG分析的两种互补范式。Kumar等人（2024）和Li等人（2024）将肌少症评估视为一个分类问题，区分有和无肌少症的个体，而Song等人（2024）则提出了一个基于回归的框架，用于估计肌肉功能的连续数字生物标志物。这些研究共同说明了人工智能从分类诊断向定量功能评估的演变，突显了机器学习在支持临床决策和纵向监测肌肉健康中日益重要的作用。在综述文献中，最一致的发现之一是特征工程仍然是模型性能的关键决定因素。传统的基于幅度的描述符，包括均方根（RMS）、平均绝对值（MAV）和积分肌电（iEMG），继续提供有关运动单位募集和肌肉激活的有价值信息。然而，近年来的研究越来越多地通过结合时域、频谱、非线性和时频特性来纳入多域特征提取。诸如波形长度（WL）、中位和平均频率（MDF和MNF）、峰值频率（PKF）、样本熵和连续小波变换（CWT）衍生描述符等特征被一致地识别为肌肉功能和肌少症的高度信息性预测因子（表15和表16）。这些变量捕捉了互补的生理机制，包括运动单位募集、肌纤维传导速度、神经肌肉同步化和信号复杂性，所有这些在衰老和肌少症过程中都逐渐改变。特征选择策略也对提高模型性能做出了实质性贡献。Kumar等人证明，将经验模态分解（EMD）与最小冗余最大相关性（mRMR）特征选择相结合，通过减少数百个提取的EMG变量中的冗余同时保留生理相关信息，提高了分类准确性。Song等人（2024）引入的一个重要方法论进步是从传统的手工特征机器学习向混合深度学习架构的转变。他们的框架并非仅依赖手动设计的描述符，而是在卷积神经网络（CNN）后接多层感知器（MLP）回归模型内，结合了肌肉收缩模式（MCP）特征、连续小波变换（CWT）图像和人口统计学信息。与特征提取先于分类的传统流程不同，CNN直接从时频图像中自动学习层次化表示，同时保留了生理上有意义的手工特征（表17）。另一个重要进展是纳入了特征选择和可解释性技术，如最小冗余最大相关性（mRMR）和SHapley Additive exPlanations（SHAP），它们提高了预测性能和临床可解释性（表18）。这些方法通过识别单个EMG特征的生理相关性，增强了对机器学习预测的信任，从而促进了它们向临床实践的转化。用于评估所综述论文中ML模型的指标如表19所示。从生理学角度看，所综述的机器学习模型一致地依赖反映肌少症基础机制的EMG衍生特征。与年龄相关的运动神经元丢失、快速收缩（II型）肌纤维的选择性萎缩、肌纤维传导速度降低、运动单位募集受损以及神经肌肉同步化降低共同改变了EMG信号的幅度和频谱特性。因此，提取的EMG特征代表了神经肌肉恶化的功能性表现，而非孤立的数学描述符。将这些生理上有意义的生物标志物纳入机器学习模型，不仅提高了预测性能，也增强了所得算法的生物学合理性。文献中一个一致的发现是多域EMG特征提取日益重要，整合了幅度、频率、非线性和时频描述符，以全面表征神经肌肉功能。诸如波形长度、中位和平均频率、峰值频率、样本熵和连续小波变换衍生参数等特征反复出现，成为反映运动单位募集、肌纤维传导速度、信号复杂性和神经肌肉协调性的稳健生物标志物。这些生理变化与肌少症的基础机制（包括运动神经元丢失、II型纤维选择性萎缩、募集受损和神经肌肉同步化降低）密切相关。重要的是，Song等人的工作通过引入一个基于回归的框架用于估计肌肉功能的连续数字生物标志物，而非仅进行二元分类，扩展了这一范式。这种从诊断分类到定量功能评估的转变，代表了向个性化及纵向监测肌肉健康迈出的重要一步。表20和表21总结了组C中分析的每篇论文所使用的ML方法的特征。可以看出，这三项研究在数据库规模、平衡性、预处理技术、分割策略和评估指标方面均有所不同。

3.1.4. 组D
组D汇集了关注运动单位神经控制和肌间协调性的研究，即旨在理解衰老和肌少症如何改变神经肌肉系统功能组织（超越单纯的肌肉质量损失）的研究。在该组内，Hu等人和Dias等人分析了诸如放电频率、运动单位动作电位（MUAP）幅度、募集阈值以及神经放电与力量产生之间的关系等变量。相反，He等人检查了跨多个肌肉的sEMG活动的空间分布，并提出了一个量化激活模式对称性的指数作为生物标志物。该组的相关性在于提供了一个生理学框架来解释为什么肌肉表现会随衰老或肌少症而改变。总的来说，这些研究表明，损伤不仅取决于可用的肌肉量，还取决于运动单位如何被募集、调制和协调。然而，观察到的变化并非遵循单一方向，也不应以过于简化的方式解释。表22展示了组D研究报告的数据的主要特征，包括研究的肌肉、人群和数据集可用性。表23