智能可穿戴EMG传感框架用于运动员神经肌肉监测与表现进展评估

《Biosensors》：An Intelligent Wearable EMG Sensing Framework for Athlete Neuromuscular Monitoring and Performance Progression Assessment

　　

基于肌电图（EMG）的传感是评估神经肌肉活动和监测运动员发展的重要工具；其可靠性取决于电极放置、信号质量以及肌肉激活期的准确识别。本研究提出了一种智能EMG传感框架，整合了初步电极放置评估、肌肉活动检测、特征提取和基于回归的进展预测。一项放置评估表明，在测试条件下，将电极置于神经支配区（innervation zone）附近可获得最高的均方根（RMS）值。一种基于聚类和概率建模的两阶段活动检测方法实现了1.5%的平均误差和19毫秒的时间偏差。从检测到的活动段中提取的九个时域EMG特征被用于表征运动员进展，并估算达到参考神经肌肉轮廓所需的时间。在这些方法中，线性回归（Linear Regression）对数据拟合最佳，获得R² = 0.987和RMSE = 4.21，表明在数据集中EMG衍生特征与训练时长之间主要呈线性关系。然而，这些结果仅来自单个代表性运动员的六个纵向观察期，每个观察期由从十个运动类别中导出的90维EMG特征向量表示。因此，这些结果应被解释为初步的、运动员特异性的拟合优度发现，而非可推广预测性能的证据。需要使用更大的纵向队列和独立数据集进行验证。所提出的框架与未来物联网（IoT）可穿戴和边缘计算架构兼容；然而，硬件级实现超出了本研究的范围。

**论文解读文章**

**研究背景与问题**
人类运动由中枢神经系统与肌肉骨骼系统协调驱动。表面肌电图（sEMG，通过表面电极记录肌肉电活动）作为非侵入性传感手段，广泛应用于运动生物力学、康复及运动员监测。然而，其可靠性高度依赖电极放置位置、信号质量及肌肉激活期的准确识别。现有研究存在以下问题：电极相对于神经支配区（IZ，运动终极集中区域）和肌腱区（TZ）的位置显著影响EMG幅度，但尚无统一放置标准；单阈值或双阈值活动检测方法对噪声敏感，统计方法（如累积和CUSUM）则需复杂参数设定；多数研究仅关注分析流程的单一阶段（如分类或运动估计），缺乏整合电极评估、活动检测、特征提取、参考轮廓构建及回归预测的统一框架。此外，复杂非线性模型在小样本纵向数据中是否优于简单可解释模型尚不明确。因此，该研究旨在开发一种智能EMG传感框架，用于监测运动员神经肌肉发展并估算达到参考轮廓所需时间。论文发表在《Biosensors》。

**关键技术与方法**
研究人员采用以下关键技术方法：
1. **初步电极放置评估**：基于单受试者单通道实验，比较电极置于IZ上方、IZ侧方、IZ邻近及TZ邻近四种位置的RMS值，以指导后续放置。
2. **两阶段肌肉活动检测算法**：第一阶段通过期望最大化（EM）聚类将局部极大值分为活动与噪声，利用核密度估计（KDE）确定活动区域；第二阶段在局部窗口内应用Teager-Kaiser能量算子精确定位活动起始与终止点。
3. **特征提取与选择**：从30名国家级摔跤运动员（8个重量级别，10个动作类别，共4500次观测）的EMG数据中提取9个时域特征（MAV、WL、RMS、VAR、DASDV、SSI、4POW、AAC、IEMG），经互信息、L1正则化及SHAP分析验证其重要性。
4. **参考轮廓构建**：按重量级别和动作类别，以该类别内最高特征值构建参考EMG轮廓。
5. **回归模型**：采用线性回归、XGBoost、支持向量回归（SVR）、CatBoost和高斯过程回归（GPR），基于90维特征向量（9特征×10动作）预测训练时长，使用嵌套留一交叉验证（LOOCV）评估。

**研究结果**
- **模型性能比较**：通过LOOCV评估五个回归模型。线性回归获得最低误差（RMSE=4.21，MSE=17.72，MAPE=0.03）和最高决定系数（R²=0.987），表明EMG特征与训练时长间呈线性关系。CatBoost（R²=0.978，RMSE=5.89）和XGBoost（R²=0.975，RMSE=6.12）次之，SVR（R²=0.962，RMSE=7.21）和GPR（R²=0.932，RMSE=6.74）表现较弱。
- **可视化定性分析**：基于线性回归系数构建的通用指数（GI）作为横轴，显示线性回归预测曲线最接近观测值，而其他模型在部分观测点出现较大偏差。该可视化仅用于辅助说明，模型排名以数值指标为准。
- **结果局限性**：上述结果仅基于一名-73kg重量级别代表性运动员的六个纵向观察期（一个月内），每个观察期由10个动作类别的90维特征向量表示，因此为受试者特异性拟合优度，而非群体泛化证据。

**讨论与结论**
讨论部分指出，线性回归的优越性能表明在可用数据条件下，EMG特征与训练时长呈简单线性关系，复杂模型（如树集成、核方法）未提供额外预测优势。这可能因纵向数据呈现平滑一致的时间动态，而非强非线性关系。SVR受限于核函数与超参数选择对少量数据的敏感性，GPR则因核平滑性导致局部变异拟合不足。研究强调，该框架的实用性依赖于大规模纵向队列和独立数据集的外部验证，且当前参考轮廓基于数据内部最大值，未反映精英运动员的生理上限。此外，电极放置评估仅针对单肌肉、单任务，IoT和边缘计算架构仍为概念性映射。

**研究结论翻译**：
本研究提出了一种集成的EMG框架，用于监测运动员发展并估算达到参考神经肌肉轮廓所需的时间。该框架结合了初步电极放置评估、肌肉活动检测、信息性EMG特征提取、重量和动作特异性参考轮廓构建、纵向进展评估及基于回归的时间预测。所提出的两阶段活动检测方法，融合了基于聚类的活动区域识别与概率起始精化，在评估条件下实现了1.5%的平均误差和19毫秒的平均时间偏差。此外，初步电极放置评估显示，在四种测试位置中，将电极置于神经支配区附近可获得最高的RMS值。在五个评估回归模型中，线性回归对观测纵向数据拟合最佳，获得R²=0.987和RMSE=4.21。更复杂的树集成、核方法和概率模型捕捉了总体进展趋势，但未在可用数据集中提供额外预测优势。这些发现表明，所选EMG特征可作为个性化运动员进展评估的有用传感指标，且当观测时间模式主要为线性时，简单可解释的回归模型可能足够。然而，应谨慎解释这些发现。电极放置比较仅限于一个受试者、一块肌肉和一项收缩任务，而回归分析仅基于一名代表性运动员的六个纵向观察期，每个观察期由所有十个动作类别合并的90维EMG特征向量表示。因此，所报告的回归性能是初步的、运动员特异性的拟合优度，而非群体级预测泛化的证据。未来研究应使用更大的纵向队列、独立运动员数据集、更广泛的肌肉群和更具代表性的参考轮廓来验证该框架。在建立实时可穿戴或边缘计算部署的声明之前，还应评估嵌入式实现。