拉伸与缩短收缩分别降低与增加人类胫骨前肌的神经驱动

《Experimental Physiology》：Stretch versus shortening contractions subsequently decrease versus increase neural drive to the human tibialis anterior

　　

基于肌电（EMG）的肌肉力预测在主动肌肉拉伸或缩短后常因残余力增强（rFE）或残余力抑制（rFD）而不准确，这两种现象可能改变肌肉的神经驱动。然而，由于肌内肌电的空间采样有限，rFE或rFD导致的神经驱动调节程度仍不清楚。因此，研究人员结合两种盲源分离方法与高密度表面肌电（high-density surface EMG）及混合效应模型，从更具代表性的运动单位样本中评估神经驱动的变化。17名受试者在三种条件下进行了20%和40%最大自主力矩（MVT）的踝背屈收缩：拉伸-保持（stretch-hold）、缩短-保持（shortening-hold）和固定端参考（REF）条件。在1秒25°拉伸或缩短后的稳态阶段，使用测力计将踝背屈力矩和角度与REF条件匹配，期间对胫骨前肌高密度表面肌电记录进行分解。与REF相比，拉伸后归一化肌电幅度在20%和40% MVT时分别降低约2%，而缩短后分别升高1%和3%（P ≤ 0.008）。通过DEMUSE和MUedit获得的每人平均19个匹配运动单位的放电率相似（P = 0.666）。与REF相比，拉伸和缩短后放电率分别降低约1 Hz（P ≤ 0.029）和升高0（P = 0.459）至1 Hz（P < 0.001）。缩短后还检测到更多独特的运动单位。这些发现表明，为补偿rFE或rFD，神经驱动分别通过减少或增加运动单位募集和放电率调节而降低或增加，且主动缩短后的放电率调节具有收缩强度特异性。

论文解读：拉伸与缩短收缩对人类胫骨前肌神经驱动的差异性调节

一、研究背景与目的

生物力学领域面临的一个核心挑战是肌肉力的准确估算，因为人体内直接测量肌肉力在技术上仍不可行。准确的肌肉力预测对于评估组织和关节负荷、指导损伤预防和康复策略至关重要。然而，即使在激活水平固定的相对简单场景中，稳态肌肉力预测也常常不准确：主动肌肉拉伸后力高于预测值，主动肌肉缩短后力低于预测值。这些预测误差源于两种现象——残余力增强（residual force enhancement, rFE）和残余力抑制（residual force depression, rFD），分别描述主动肌肉拉伸或缩短后相对于固定端参考收缩在匹配最终肌肉长度和激活水平下稳态力的增强或抑制。

rFE和rFD通常在激活匹配或肌电幅度匹配的实验中观察到，报告幅度分别约为7%–27%和6%–24%。如果匹配力或力矩而非激活水平，则rFE或rFD可能改变给定肌肉力下的潜在神经驱动，这对基于肌电测量的肌肉力预测具有重要影响。既往力矩匹配实验表明，主动肌肉-肌腱单元拉伸或缩短后的稳态肌电幅度分别降低5%–44%或升高9%–48%。然而，由于外周肌肉特性（如肌纤维长度和方向、运动单位大小和区域、代谢状态）会混淆肌电幅度估计，仅凭传统双极表面肌电幅度无法可靠推断神经驱动变化。准确评估神经驱动需要识别活跃脊髓运动单位的个体放电模式。

此前仅少数研究使用肌内肌电评估主动肌肉-肌腱单元拉伸或缩短后的神经驱动变化，且每名受试者研究的运动单位数量有限（最多7个），这是肌内肌电高空间选择性的固有限制。因此，需要基于更大数量活跃运动单位的研究来更好地理解运动神经元池在拉伸和缩短后的整体行为。本研究利用高密度表面肌电分解技术，旨在从比以往研究更大的活跃运动单位群体中确定肌肉-肌腱单元拉伸或缩短收缩后相对于力矩和关节角度匹配的固定端参考收缩的神经驱动调节程度。研究选择人类胫骨前肌（tibialis anterior, TA），因为该肌肉可在高达70%最大自主收缩（MVC）时准确分解单个运动单位放电，且其生理横截面积约占自主背屈力矩的一半。此外，TA在行走过程中经历主动拉伸和缩短收缩，理解主动长度变化如何影响TA的神经驱动可为日常 locomotion 中的潜在神经驱动调节提供参考。

二、主要技术方法

本研究为实验性研究，样本来自德国波鸿鲁尔大学体育科学学院伦理委员会批准的实验，共纳入17名健康且休闲活跃的受试者（6名女性，11名男性，年龄25±3岁）。主要技术方法包括：使用电动测力计（IsoMed2000）进行踝背屈力矩匹配实验，受试者在20%和40%最大自主力矩（MVT）下完成拉伸-保持（STR_hold）、缩短-保持（SHO_hold）和固定端参考（REF）三种条件；使用64通道高密度表面肌电（high-density surface EMG）网格（13行×5列，8mm电极间距）以2kHz采样率记录TA肌电信号；采用两种盲源分离算法——DEMUSE（基于梯度卷积核补偿算法）和MUedit（基于快速独立成分分析和梯度卷积核源细化）进行运动单位分解；使用线性混合效应模型（linear mixed-effects models）进行统计分析，以受试者为随机截距，采用聚类稳健标准误和Holm校正的成对比较。

三、研究结果

3.1 主动力矩与力矩稳定性

统计确认收缩强度显著影响稳态主动力矩（P < 0.001），而条件无显著影响（P ≥ 0.228），各条件间平均稳态主动力矩差异约0.1 Nm，处于力矩传感器测量误差范围内。条件显著影响STR_hold中的力矩稳定性（P = 0.029），但事后成对比较显示STR_hold与REF在20%和40% MVT下的力矩变异系数（CV）差异均未达显著水平，与预期不符。

3.2 肌电幅度

收缩强度（P < 0.001）和条件（P ≤ 0.018）均显著影响归一化TA肌电幅度，且SHO_hold中条件效应显著依赖于收缩强度（P = 0.014）。事后比较显示：STR_hold的肌电幅度在20%和40% MVT下分别比REF低1.6%和1.7% MVC；SHO_hold的肌电幅度在20%和40% MVT下分别比REF高1.2%和3.2% MVC。

3.3 力矩预测误差

归一化肌电幅度是REF条件下归一化主动力矩的显著正向预测因子（r_rm(16) = 0.97）。基于该全局预测模型，STR_hold在20%和40% MVT下的平均力矩误差分别为?2.2%和?2.5% MVT，SHO_hold分别为1.8%和4.7% MVT。SHO_hold在40% MVT下的力矩误差幅度几乎是STR_hold和SHO_hold在20% MVT下的两倍。

3.4 分解输出

MUedit识别出的运动单位数量和放电次数均高于DEMUSE，两种算法在20% MVT下识别出的运动单位均多于40% MVT。两种算法在同一收缩强度下共享大量运动单位（67%–100%），而同一算法在两种收缩强度间共享的运动单位比例较低（约18%），验证了分别分解各收缩强度的方法学决策。

3.5 匹配运动单位放电率

分解算法的选择对匹配运动单位的TA放电率无显著影响（P = 0.666）。收缩强度（P < 0.001）和条件（STR_hold: P < 0.001, SHO_hold: P = 0.970）均显著影响放电率，且SHO_hold中条件效应显著依赖于收缩强度（P = 0.001）。事后比较显示：STR_hold的放电率在20%和40% MVT下分别比REF低1.3 Hz和0.8 Hz；SHO_hold的放电率仅在40% MVT下比REF高1.0 Hz，在20% MVT下无显著差异。归一化TA肌电幅度与匹配运动单位放电率之间在两种收缩强度和两种分解算法下均呈强正相关（r_rm = 0.84–0.93）。

3.6 匹配与独特运动单位的累积尖峰序列放电率

分解算法显著影响累积尖峰序列（CST）衍生的TA放电率（P < 0.001），MUedit在所有条件下均显示较低放电率。事后比较结果与匹配运动单位分析一致：STR_hold的放电率在20%和40% MVT下分别比REF低1.2 Hz和0.7 Hz；SHO_hold的放电率仅在40% MVT下比REF高1.1 Hz，在20% MVT下无显著差异。

3.7 放电率变异性

分解算法（P < 0.001）和收缩强度（P < 0.001）均显著影响匹配运动单位的放电率变异性，MUedit的放电率CV高于DEMUSE，40% MVT下的变异性高于20% MVT。但条件对放电率变异性无显著影响（P ≥ 0.248），与预期不符。

3.8 独特运动单位

SHO_hold中识别出的独特运动单位数量在两种收缩强度下均高于REF和STR_hold，REF中高于STR_hold。独特运动单位在STR_hold、REF和SHO_hold中的分布分别为20% MVT下的11%、31%和58%，以及40% MVT下的2%、30%和68%，表明缩短后存在额外运动单位募集，拉伸后募集减少。

四、讨论与结论

本研究发现，主动拉伸后神经驱动在两种收缩强度下均相似程度降低（肌电幅度降低6%–9%，CST衍生放电率降低5%–10%），而主动缩短后神经驱动在40% MVT下增加更多（肌电幅度升高11%，CST衍生放电率升高9%），这归因于20% MVT下未出现的放电率增加。结果表明，主动缩短后的神经驱动调节具有收缩强度特异性，可能用于补偿不同收缩强度间rFD的差异，而主动拉伸后的调节则无此特异性。研究人员推测，20% MVT下缩短后主要依靠额外运动单位募集来克服rFD，因为新募集的肌纤维不具有因主动缩短而受抑制的力能力；而在40% MVT下，由于非活跃、非受抑制纤维池的减少限制了额外募集能力，转而采用募集与放电率调节相结合的策略。研究还发现，基于肌电幅度的肌肉力预测在主动长度变化后平均误差为2%–5%，个体案例中最高达14%。与预期相反，主动拉伸后未观察到力矩稳定性降低，可能因为力矩稳定性不仅受神经驱动净下降的影响。此外，自动编辑的MUedit分解方法相对于人工编辑的DEMUSE方法系统性地低估了匹配与独特运动单位的CST衍生放电率，这对运动单位尖峰序列的深入分析具有方法学意义。该论文发表在《Experimental Physiology》。