《Sensors》：ARFU-IDS: Robust Federated Unlearning for Transformer-Based Intrusion Detection in IoT and Sensor Networks
编辑推荐：
帕金森病（Parkinson's disease, PD）患者在坐-走（sit-to-walk, STW）任务中的神经肌肉功能障碍目前仍不十分清楚。研究人员旨在利用可解释机器学习（machine learning, ML）和深度学习方法分析PD患者STW各阶段
帕金森病（Parkinson's disease, PD）患者在坐-走（sit-to-walk, STW）任务中的神经肌肉功能障碍目前仍不十分清楚。研究人员旨在利用可解释机器学习（machine learning, ML）和深度学习方法分析PD患者STW各阶段的表面肌电图（surface electromyography, sEMG）信号。PD患者（n = 101）和健康对照者（healthy controls, HCs）（n = 50）在执行标准化STW任务时，同步记录双侧八块下肢肌肉的sEMG信号。这些信号经过预处理后被分割为STW任务的三个时相。将基于特征的ML模型与基于小波变换sEMG频谱图训练的卷积神经网络（convolutional neural networks, CNN）进行比较。采用可解释人工智能（explainable artificial intelligence, XAI）方法识别具有生理学可解释性的神经肌肉模式。STW第1时相是检测PD相关神经肌肉异常的最敏感时段。在基于特征的分类器中，随机森林模型在五折交叉验证下表现最优，准确率为77.5%，受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.795。SHapley Additive exPlanations（SHAP）分析确定STW第1时相的平均频率和中位频率、左侧股二头肌短头（biceps femoris short head, BFs）积分肌电振幅以及左侧股直肌–股二头肌短头协同收缩指数为分类的主要贡献因子。基于CNN的分析揭示了PD患者更早且时间上更集中的激活模式，尤其在产生动量和维持姿势稳定至关重要的近端肌肉中表现明显。总体而言，PD患者在STW转换过程中表现出独特的下肢神经肌肉活动的时间、频谱和协调模式。这些发现支持基于sEMG的可解释AI在表征PD相关功能性转换中神经肌肉模式方面的潜力。
## 论文解读：基于可解释机器学习的帕金森病坐-走转换任务神经肌肉控制模式研究
### 一、研究背景与问题提出
帕金森病（Parkinson's disease, PD）是一种进行性神经退行性疾病，以运动迟缓、僵硬、震颤、姿势不稳和步态功能障碍为核心特征。除这些典型的运动症状外，PD越来越被视为一种神经肌肉控制障碍，尤其与运动启动和功能性转换所必需的预期性控制和前馈机制的缺陷密切相关。肌肉激活的时序和协调缺陷在其中扮演关键角色，导致异常的步态和平衡控制、跌倒风险增加，即便在药物治疗或手术治疗优化后症状仍可持续存在，最终导致进行性功能衰退。
目前，统一帕金森病评定量表（Unified Parkinson's Disease Rating Scale, UPDRS）和Hoehn & Yahr（H&Y）分期仍是评估PD患者运动症状的金标准。然而，这些工具主要依赖临床医师的观察，易受评估者间变异的影响，且在捕捉神经肌肉控制中细微的、时相特异性的异常时时间分辨率有限，尤其是在运动启动和转换任务期间。迄今为止，尚无明确的PD生物标志物得到确立，而传统临床量表往往无法反映导致功能性运动障碍的神经肌肉功能障碍的复杂性和异质性。
在此背景下，表面肌电图（surface electromyography, sEMG）作为一种能够高时间分辨率地捕获肌肉激活时序、肌间协调和协同收缩的非侵入性方法，被广泛应用于步态和姿势控制研究。坐-走（sit-to-walk, STW）任务不应简单视为一项具有挑战性的功能性活动，而应被视作一种病理生理应激测试，因为STW任务在狭窄的时间窗口内同时需要预期性姿势调整（anticipatory postural adjustments, APA）、近端关节稳定、动量产生和步态启动，因此对前馈控制和肌间协调的缺陷尤为敏感。然而，现有STW任务的sEMG研究主要关注远端踝关节肌肉，多数研究聚焦于稳态步态或单个运动时相，并主要依赖平均时域特征和传统线性分析。因此，PD患者在STW任务中与神经肌肉功能障碍相关的时相特异性时序和协调缺陷程度——特别是涉及对预期性姿势控制和步态启动至关重要的近端髋-膝关节肌肉协调——仍未被充分理解。
机器学习（machine learning, ML）和深度学习（deep learning, DL）方法已被广泛应用于sEMG和步态数据，以区分PD患者和健康个体并识别PD的判别性运动特征。然而，这些研究虽然确认了PD中已知的现象（如肌肉协同收缩增加和时序异常），但对病理生理理解的贡献有限。基于小波变换时频表示的卷积神经网络（convolutional neural networks, CNN）通过保留神经肌肉信号的时间组织并捕捉难以用人工提取特征量化的复杂时相依赖模式，提供了克服这些局限性的途径。此外，可解释人工智能（explainable artificial intelligence, XAI）技术将DL模型转化为假设生成工具，其中梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）可可视化时间和空间上不同的激活模式，从而探索肌肉和时相特异性的时序与协调异常。
### 二、研究目的与意义
本研究旨在将可解释DL框架应用于近端和远端下肢肌肉的sEMG信号，分析PD患者STW任务中的神经肌肉控制。研究的主要目标不仅是提高分类性能或诊断敏感性，而是阐明PD患者在功能性要求高的转换任务中，时相特异性的神经肌肉时序、肌间协调和近端控制策略如何被重组。为此，研究人员将基于小波的时频表示与CNN建模和XAI技术整合，以实现对sEMG信号的机制性分析。通过将STW任务重新解读为探索神经肌肉控制的工具，本研究力求超越对激活幅度的简单观察，得出对PD相关运动功能障碍的可解释性洞见。
### 三、主要技术方法
本研究的样本队列包括101例PD患者（年龄44–83岁）和50例健康对照者（年龄53–77岁），均来自Dong-A University Medical Center，经伦理委员会批准（批准号：DAUHIRB-22-089）。所有PD患者由神经科医师根据运动障碍学会PD临床诊断标准确诊，并在“开”期药物状态下进行评估。参与者在执行标准化STW任务时，同步使用Vicon运动捕捉系统和Delsys无线sEMG传感器记录运动学和肌电数据。sEMG信号经四阶Butterworth带通滤波（40–400 Hz）和二阶陷波滤波（60 Hz）预处理后进行Z-score标准化，并按STW三个时相进行分割。在ML分析中，从各通道提取时域、频域和协调性特征共66个，包括均方根值（root mean square, RMS）、积分肌电值（integrated EMG, iEMG）、协同收缩指数（co-contraction index, CCI）、中位频率、平均频率等，采用随机森林、逻辑回归、支持向量机和极端梯度提升四种分类器，配合分层五折交叉验证和训练折内特征选择；通过SHAP分析对模型进行解释。在DL分析中，将预处理后的sEMG信号经连续小波变换转换为灰度频谱图（256×256像素），对每个肌肉通道和STW时相独立训练CNN（两层卷积层、最大池化、全连接层和sigmoid输出层），采用留一被试交叉验证（leave-one-subject-out cross-validation, LOSO CV）评估模型泛化能力，并通过Grad-CAM生成时间注意力热图，提取最大注意力指数、质心指数和半能量累积指数三个时间指标。此外，还对原始sEMG信号进行独立的时间验证分析。组间比较采用多变量线性回归模型校正年龄、性别和MoCA-K评分的影响，并使用Benjamini-Hochberg假发现率程序进行多重比较校正。
### 四、主要研究结果
**（1）协变量校正后的组间比较**
在校正年龄、性别和MoCA-K评分后，66个sEMG衍生变量中有3个在假发现率校正后仍保持显著差异。STW第1时相中，PD患者左侧股直肌–股二头肌短头（RF–BFs）协同收缩指数显著降低（校正β = ?0.0189, 95% CI ?0.0286至?0.0093, q = 0.010），而中位频率（校正β = 19.26, q = 0.013）和平均频率（校正β = 15.69, q = 0.015）显著升高。其他sEMG衍生变量在假发现率校正后均无显著差异。
**（2）基于sEMG特征的分类与SHAP分析结果**
在四个分类器中，随机森林模型表现最优，平均五折准确率为77.51 ± 9.75%，精确率为78.40 ± 7.50%，灵敏度为92.10 ± 5.66%，特异度为48.00 ± 19.24%，F1分数为84.66 ± 6.55%，AUC为0.795 ± 0.094。10个特征在所有五个训练折中被一致选中，其中包括第1时相左侧BFs的iEMG振幅、左侧RF–BFs协同收缩指数、平均频率和中位频率，以及第2时相右侧内侧腓肠肌（medial gastrocnemius, MG）的峰值振幅等。SHAP分析显示，STW第1时相的平均频率是最具影响力的预测因子（平均绝对SHAP值为0.0485），其次是中位频率（0.0424）、左侧BFs的iEMG振幅（0.0399）、左侧RF–BFs协同收缩指数（0.0398），以及第2时相右侧MG的峰值振幅（0.0341）。较高的平均频率和中位频率值以及较高的左侧BFs的iEMG振幅均与PD分类概率增加相关，而较低的左侧RF–BFs协同收缩指数值更有利于PD分类。
**（3）基于CNN的分类与时序注意力模式**
小波变换频谱图训练的CNN在不同STW时相和sEMG通道中表现出中等的分类性能。在整个STW时相中，右侧股直肌（rectus femoris, RF）的准确率最高（72.56%），左侧BFs的F1分数最高（82.16%）和AUC最高（68.79）。在第1时相，右侧RF的准确率（69.92%）和F1分数（80.52%）最高，左侧BFs的AUC最高（65.35）。在第2时相，右侧RF的准确率（71.59%）和F1分数（80.38%）最高，右侧胫骨前肌（tibialis anterior, TA）的AUC最高（67.42）。Grad-CAM分析揭示了PD患者和HCs之间明显不同的时空注意力模式：HCs通常表现出更高的注意力幅度和更广泛的时间分布，而PD患者则表现出衰减且更早集中的激活。在校正协变量后的Grad-CAM时间指标分析中，观察到多个名义上的组间差异（如第2时相左侧RF最大注意力指数在PD中较低，校正β = ?44.23, p < 0.001），但在假发现率校正后均未保持显著（最小q = 0.070），因此这些时间注意力模式被解释为探索性发现。
**（4）Grad-CAM归因的独立时间验证**
对原始sEMG信号的直接分析显示，PD患者在多个肌肉中表现出更短的激活起始潜伏期，假发现率校正后左侧RF（q = 0.030）、右侧RF（q = 0.030）、左侧TA（q = 0.042）和右侧BFs（q = 0.032）的组间差异显著。Grad-CAM归因与独立sEMG测量值之间的时间对应关系因阶段和时间指标而异。在第2时相，Grad-CAM质心指数与原始sEMG时间质心在左侧RF（ρ = 0.315, q = 0.0026）、左侧TA（ρ = 0.298, q = 0.0036）、左侧BFs（ρ = 0.252, q = 0.0206）和左侧MG（ρ = 0.262, q = 0.0189）中显著正相关。然而Grad-CAM最大注意力指数与原始sEMG峰值激活时间的对应关系有限。
**（5）关键特征与临床指标的相关性**
第1时相左侧BFs的iEMG振幅与H&Y分期呈弱的正相关（Spearman ρ = 0.231, p = 0.020）；左侧RF与左侧BFs在第1时相的协同收缩指数与H&Y分期呈负相关（ρ = ?0.216, p = 0.030）；第2时相左侧RF的Grad-CAM最大注意力指数与UPDRS第三部分评分（ρ = ?0.242, p = 0.015）和UPDRS总分（ρ = ?0.200, p = 0.045）呈弱的负相关。
### 五、讨论与结论
本研究的核心发现是PD患者在STW任务中的运动功能障碍主要由神经肌肉时序失真和肌间协调异常引起，而非简单的肌肉激活减弱。综合分析揭示，PD患者的肌肉并非激活不足，而是在不适当的时机以低效组合被激活，尤其在STW第1时相——即姿势控制和前馈控制主要发生的时相——最为显著。该时相表现为频域特征偏移、近端主动肌-拮抗肌协同收缩异常和时序激活提前。这一整合模式将本研究结果与以往主要关注激活幅度降低、远端踝关节肌肉或稳态步态的步态和肌电图研究区分开来，凸显了在功能性要求高的转换任务中近端髋-膝关节肌肉对在时序和肌间协调水平上的神经肌肉控制重组。
STW第1时相成为检测PD相关神经肌肉功能障碍的特别敏感时段，基于特征的分析和基于CNN的分析一致识别出该早期阶段是区分PD患者与HCs最有用的区间。频率特征和RF–BFs协同收缩指数在分类中的重要性提示，PD与早期STW转换期间神经肌肉活动的组织方式改变相关，而非反映单一的潜在神经生理机制。
SHAP分析不仅用于排序重要性，还用于生成关于PD相关神经肌肉控制的机制性假设。RF–BFs协同收缩指数的显著贡献提示近端主动肌-拮抗肌之间的协调包含了区分PD与HCs的相关信息。这些探索性发现为未来研究提供了可检验的假设。CNN的Grad-CAM分析揭示PD患者在STW任务多个肌肉中一致表现出更早且时间集中的注意力模式，提示运动启动和转换期间的时序策略异常。独立sEMG分析进一步为PD患者激活时序改变提供了补充证据，并与CNN衍生时间归因存在部分对应关系。
本研究也存在局限性，包括样本量相对有限、分析均在受控实验室条件下进行、研究为回顾性注册、PD患者仅在“开”期药物状态下评估、仅聚焦STW任务，以及PD组和HC组在年龄和MoCA-K评分上存在差异等。
### 研究结论（原文翻译）
本研究通过整合基于特征的ML和小波频谱图CNN建模的双重框架，揭示了PD患者在STW转换过程中与HCs相比在下肢sEMG方面表现出独特的时间、频谱和协调特征。基于特征的分析识别出有助于区分的时相特异性神经肌肉特征，而基于小波的CNN和可解释性分析描述了STW转换过程中的类别判别性时频模式。独立原始sEMG分析为激活时序改变和与CNN衍生时间归因的部分对应提供了补充证据。这些发现与PD患者在运动准备和步态启动期间的神经肌肉组织改变相一致。此外，可解释ML和DL不仅可被视为PD分类工具，还可作为病理生理假设生成工具，以阐明在功能性要求高的运动转换过程中神经肌肉控制在何时何地发生损坏。然而，由于本研究为横断面观察性研究，所识别的sEMG模式应被解读为PD相关的特征而非运动功能障碍的因果机制。需要进一步的纵向、干预性和神经生理学研究来确定这些模式是PD相关运动障碍的促成因素、后果还是代偿反应。
