一种基于神经生理学原理的关节网络，用于从表面肌电图数据中估计多指力量

《Engineering Applications of Artificial Intelligence》：A neurophysiology-constrained joint network for multi-finger force estimation from surface electromyogram

　　**摘要**
从表面肌电图（sEMG）中解码多指力量对于灵巧的假肢手控制至关重要。尽管基于深度学习的端到端解码器最近表现出了有希望的性能，但它们通常缺乏生理学的可解释性。相反，运动单位（MU）的放电信息提供了更准确的力量表征，但难以有效整合。因此，本研究提出了一种受神经生理学约束的联合网络（NCJ-Net），该网络通过将基于门控循环单元（GRU）的分解网络（该网络估计MU放电率表示）与时间力量回归网络耦合起来，从而明确整合了MU放电信息。采用了一种分阶段训练策略，包括初始预训练，随后进行联合微调，并在中间分解表示上进行基于MU质量的监督，以将这两个子网络紧密耦合，而不仅仅是结构上的级联。从十个健康参与者执行多指、多级等长力量任务时记录了高密度sEMG和多指力量数据。所提出的NCJ-Net取得了最佳性能（均方根误差=3.59±0.82％ MVC（最大自主收缩）；决定系数=0.947±0.031），并且显著优于所有其他基线方法。一个额外的初步测试涉及一位双侧上肢截肢者，使用视觉呈现的目标轨迹作为替代参考输出，结果显示NCJ-Net取得了最佳的整体性能。这些结果表明，将神经生理学层次结构嵌入到联合优化的架构中可以在保持网络与下行运动控制途径的神经生理学一致性的同时，提高多指力量估计。总体而言，所提出的框架为智能且基于生理学的解码系统提供了一种原则性的途径，适用于人机界面应用，如灵巧的假肢手控制。

**引言**
对于高性能的人机界面（HMI）应用（如假肢手控制）而言，准确且同时估计多指力量是一个关键要求。基于非侵入式表面肌电图（sEMG）的运动意图解码已在假肢控制（C. Chen等人，2020年；Farina等人，2017年）、外骨骼辅助（Islam和Bai，2020年）、康复机器人学（Wang等人，2024年）和虚拟现实交互（Lin等人，2023年）中得到广泛应用。尽管当前的sEMG驱动方法能够准确识别许多预定义的手势（Sahu等人，2024年；Vásconez等人，2023年；Zheng和Zheng，2025年），但它们仍然无法连续且直观地控制假肢手。相比之下，连续估计手指动力学（Mao等人，2021年）或运动学（Enoka和Duchateau，2017年）提供了连续操作假肢手的特定自由度的可能性，从而实现更直观和自然的控制。传统方法通常提取时域或频域的EMG特征，并使用线性回归（Pradhan等人，2020年）、机器学习（Hahne等人，2014年）或基于深度学习的方法（Lu等人，2022年；Wang等人，2020年；Wu等人，2024年）来估计手指力量或关节角度。

运动单位（MU）活动提供了神经驱动产生力量的生理学上有意义的表示。与全局EMG特征相比，MU放电信息已被证明可以提高手指力量、关节动力学或运动学的估计精度（Dai等人，2019年；Kapelner等人，2019年；Liu等人，2024年；Rubin等人，2023年；Xu等人，2023年）。这一优势源于运动控制系统的层次组织：上行脊髓中枢通过下行通路调节脊髓α-运动神经元的群体放电模式，而MU放电率构成了这一层面精细运动控制的核心变量。同时，直接的深度EMG到力量回归模型显示出强大的非线性建模能力（Ameri等人，2019年；Y. Chen等人，2020年），但它们学习到的内部表示往往难以从生理学角度解释。这两个研究方向提出了一个重要问题：是否可以在端到端的力量估计模型中嵌入MU级别的生理结构，同时避免从sEMG到力量的纯黑盒映射。

现有的基于MU的力量估计方法通常遵循一个级联流程。首先使用EMG分解算法从高密度sEMG中提取MU活动，包括模板匹配方法或盲源分离方法，如快速独立成分分析（FastICA）（Negro等人，2016年）和卷积核补偿（CKC）（Holobar和Zazula，2007年）。还有一些其他算法也被提出来改进由各种因素引起的非平稳sEMG信号的EMG分解性能（Li等人，2025年；Zhao等人，2024年；Zheng等人，2022年，2024年）。最近，基于学习的分解模型被开发出来，可以从高密度sEMG中预测MU脉冲列或放电率，提高了推理效率（Clarke等人，2021年；Wen等人，2021年）。基于深度学习的方法在推理速度和潜在的可转移性方面具有优势，但通常依赖于传统算法的高质量分解结果作为训练标签。因此，它们的性能最终受到用作伪标签的传统分解结果的质量限制。在提取MU活动后，放电率通常使用线性或非线性回归模型映射到力量输出。例如，多元线性回归已被用来从MU放电率估计多指力量（Zheng和Hu，2021a，2021b），而时间MU到力量模型（如时间放电率（TFR）网络进一步利用了MU放电对力量产生的滞后效应（Zheng等人，2026年）。然而，这些方法通常还是作为独立阶段进行优化的。分解模块执行或训练以获得MU活动，而力量回归模块仅在中间MU表示确定后进行训练。这种静态的交接可能导致误差累积，并阻止MU表示根据下游力量估计目标进行细化。基于学习的分解模型可能会减少在线MU估计的计算负担，但它们仍然通常依赖于离线分解结果作为伪标签，使其性能依赖于传统分解结果的质量。因此，现有级联基于MU的流程的关键限制不仅仅是分解或回归模型的选择，而是一种缺乏统一的框架，在该框架中，生理学上有意义的MU级别表示可以由分解可靠性共同约束，并针对力量解码进行优化。

带有中间监督的联合优化为这一限制提供了一种可能的解决方案。在深度学习中，中间监督已被用来引导隐藏表示朝向任务相关概念，并规范解决方案空间（Lee等人，2015年）。这种监督特别适合于EMG到力量的解码，因为MU活动不是任意的潜在特征，而是从sEMG到力量的路径中的一箠除生理学上有意义的中间变量。在级联系统中，联合优化还可以减少由独立训练的子任务引起的误差累积（Lian等人，2025年）。然而，在EMG到力量的解码中，MU活动携带的生理语义很少被用作明确监督和联合优化的中间表示。一个既受生理学约束又沿整个路径“sEMG → MU活动 → 力量”驱动的统一模型仍然缺失。

受这些考虑的启发，本研究提出了一个受神经生理学约束的联合网络（NCJ-Net）作为沿路径“sEMG → MU活动 → 力量”的分层解码的统一框架。EMG分解和力量估计——通常被视为两个独立阶段——被整合到一个具有生理学结构先验的单一架构中。具体来说，使用基于GRU（门控循环单元）的分解子网络和基于FastICA的MU放电作为训练标签来估计MU放电率表示，然后通过改进的TFR（ITFR）基于的回归子网络将其映射到手指力量输出。为了避免在简单的端到端优化中常见的不稳定性和梯度冲突，采用了分阶段预训练，随后进行联合微调。重要的是，NCJ-Net不是简单地将FastICA衍生的监督、基于GRU的估计和时间放电率回归作为独立模块组合起来，而是通过质量感知的中间监督和分阶段联合优化将它们耦合起来，允许MU放电率表示通过分解质量和下游力量估计目标进行精细化。

NCJ-Net的主要贡献总结如下：（1）一个与生理学对齐的联合架构，它在单一可学习模型中明确实现了层次路径“sEMG → MU活动 → 手指力量”。（2）一种具有质量感知的中间监督的分阶段联合训练策略，其中MU分解质量直接影响学习过程。这种策略使得EMG分解和力量回归之间的任务驱动耦合成为可能，显著优于中间MU表示保持静态的固定级联流程。（3）一个基于ITFR的时间回归器，它利用滞后的MU放电序列来建模力量累积，支持在统一的时间建模方案下的多指解码。

为了全面评估所提出的框架，在一致的实验设置下实现了几种代表性的基线方法并进行比较。来自身体健康受试者的结果表明，所提出的方法比比较方法具有更高的决定系数（R2）和更小的均方根误差（RMSE）。进一步通过使用视觉呈现的目标轨迹作为替代参考轨迹，对截肢者的实验进行了初步评估，以测试所提出模型的可行性。这项研究突显了受神经生理学约束的深度模型在细粒度力量解码方面的潜力，为这一领域的未来研究提供了新的视角。

**受试者**
这项实验共招募了10名受试者（9名男性和1名女性，平均年龄24.2±2.0岁）和1名双侧上肢截肢者（男性，43岁）。所有身体健康的受试者都在西安交通大学医学院伦理委员会的知情同意和批准下参与了实验（批准编号：2021–1550）。截肢者受试者也在进行实验前获得了伦理委员会的知情同意和批准。

**离线分解的MU信息**
表1显示了通过离线基于FastICA的EMG分解获得的两次试验中MU的平均数量。在身体健康的受试者中，保留的MU的SIL为0.8339±0.0524，在截肢者受试者中为0.8296±0.1162，相应的中位数分别为0.8184和0.8136，范围分别为0.752–0.992和0.657–0.984。

**计算效率**
所有基准测试都在Linux（内核5.4.0-150-generic，glibc 2.27）上使用Python 3.9.20运行。这些模型是在PyTorch中实现的，并在单机上执行。

**讨论**
在这项研究中，提出了一个受神经生理学约束的联合网络NCJ-Net，以在统一的深度学习框架内明确实现层次路径“sEMG → MU活动 → 力量”。通过将MU放电率作为中间物理意义上的表示，并以分阶段的联合方式优化分解和回归阶段，NCJ-Net旨在弥合高精度“黑盒”回归之间的长期差距。

**结论**
在本文中，提出了一个受神经生理学约束的联合框架NCJ-Net，用于多指力量估计，该框架明确地将从高密度sEMG到MU放电率表示，然后到手指力量输出的层次路径嵌入其中。该框架将基于GRU的分解子网络（估计MU放电率表示）与基于ITFR的时间回归子网络（使用滞后的放电历史来建模神经驱动的累积效应）相结合。