基于表面机械肌图的自动算法评估骨骼肌疲劳：一项可行性研究

《Journal of NeuroEngineering and Rehabilitation》：Counting twitches: automated mechanomyography of muscle fatigue in healthy adults

　　

摘要

背景

评估骨骼肌疲劳对于诊断神经肌肉功能障碍至关重要，但传统方法依赖于最大收缩或强直收缩，这在临床人群中可能不切实际或令人不适。表面机械肌图（MMG）提供了一种无创替代方案；然而，目前的基于MMG的疲劳方案需要耗时的手动峰峰值分析。本研究评估了一种自动算法，用于从电刺激诱发的肌肉收缩中提取基于MMG的疲劳指标。

方法

十八名健康成人对手腕伸肌和踝背屈肌完成了标准化疲劳方案，在9分钟内使用2 Hz、4 Hz和6 Hz的电刺激。三轴加速度计捕获了每块肌肉超过2,100次收缩的MMG信号（每位受试者跨越两块肌肉约4,320次）。自定义算法自动提取峰峰值并计算耐力指数；平均收缩幅度由研究团队手动识别的波峰和波谷点推导得出。重复测量方差分析评估了不同刺激频率和肌群之间的差异。

结果

耐力指数在固定的递增2 Hz、4 Hz和6 Hz刺激序列中显著下降（p < 0.001），且踝背屈肌的耐力指数低于手腕伸肌（p = 0.010），各频率下平均低约6个百分点。平均收缩幅度在背屈肌中显著较低（p < 0.001），且在6 Hz时高于2–4 Hz（p < 0.001）。

结论

本研究证明了一种自动峰峰值提取算法的可行性，用于推导基于MMG的耐力指数，能够快速处理每块肌肉超过2,100次收缩的数据。此处报告的平均收缩幅度是手动测量的，将该指标扩展至自动提取仍有待实施。耐力指数与平均收缩幅度的结合提供了一种双指标方法来表征肌肉功能。作为在健康成人中进行的一项可行性研究，它并不能确立临床有效性。未来的工作应将该算法与手动方法进行比较验证，并在临床人群中进行测试，包括重症监护获得性无力的患者。

背景

评估骨骼肌疲劳对于诊断神经肌肉功能障碍至关重要，但传统方法依赖于最大收缩或强直收缩，这在临床人群中可能不切实际或令人不适。表面机械肌图（MMG）提供了一种无创替代方案；然而，目前的基于MMG的疲劳方案需要耗时的手动峰峰值分析。本研究评估了一种自动算法，用于从电刺激诱发的肌肉收缩中提取基于MMG的疲劳指标。

方法

十八名健康成人对手腕伸肌和踝背屈肌完成了标准化疲劳方案，在9分钟内使用2 Hz、4 Hz和6 Hz的电刺激。三轴加速度计捕获了每块肌肉超过2,100次收缩的MMG信号（每位受式者跨越两块肌肉约4,320次）。自定义算法自动提取峰峰值并计算耐力指数；平均收缩幅度由研究团队手动识别的波峰和波谷点推导得出。重复测量方差分析评估了不同刺激频率和肌群之间的差异。

结果

耐力指数在固定的递增2 Hz、4 Hz和6 Hz刺激序列中显著下降（p < 0.001），且踝背屈肌的耐力指数低于手腕伸肌（p = 0.010），各频率下平均低约6个百分点。平均收缩幅度在背屈肌中显著较低（p < 0.001），且在6 Hz时高于2–4 Hz（p < 0.001）。

结论

本研究证明了一种自动峰峰值提取算法的可行性，用于推导基于MMG的耐力指数，能够快速处理每块肌肉超过2,100次收缩的数据。此处报告的平均收缩幅度是手动测量的，将该指标扩展至自动提取仍有待实施。耐力指数与平均收缩幅度的结合提供了一种双指标方法来表征肌肉功能。作为在健康成人中进行的一项可行性研究，它并不能确立临床有效性。未来的工作应将该算法与手动方法进行比较验证，并在临床人群中进行测试，包括重症监护获得性无力的患者。