《Sensors》：Altered Neuromuscular Time–Frequency Organization During Sit-to-Walk in Parkinson’s Disease: An Explainable Artificial Intelligence Approach Using Surface Electromyography
编辑推荐：
帕金森病(PD)患者在坐-走转移(STW)过程中的神经肌肉功能障碍仍未被充分理解。研究人员旨在采用可解释机器学习(ML)和深度学习方法分析PD患者STW各阶段的表面肌电(sEMG)信号。101例PD患者和50名健康对照执行了标准化STW任务，同时从八块下肢肌肉
帕金森病(PD)患者在坐-走转移(STW)过程中的神经肌肉功能障碍仍未被充分理解。研究人员旨在采用可解释机器学习(ML)和深度学习方法分析PD患者STW各阶段的表面肌电(sEMG)信号。101例PD患者和50名健康对照执行了标准化STW任务，同时从八块下肢肌肉双侧记录sEMG信号。这些信号经预处理并按STW任务分割为三个阶段。将基于特征的ML模型与在小波变换sEMG频谱图上训练的卷积神经网络(CNN)进行了比较。可解释人工智能方法识别出具有生理学可解释性的神经肌肉模式。STW阶段1是检测PD相关神经肌肉异常最敏感的区间。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出最高性能，准确率为77.5%，受试者工作特征曲线下面积(AUC)为0.795。SHapley Additive exPlanations(SHAP)分析确定STW阶段1的平均频率和中位频率、左侧股二头肌短头积分sEMG幅度以及左侧股直肌-股二头肌短头共收缩是分类的主要贡献因素。基于CNN的分析显示PD患者表现为更早且时间上更集中的激活模式，尤其是在产生动量和姿势稳定至关重要的近端肌肉中。总体而言，PD患者在STW转换期间的下肢神经肌肉活动表现出明显的时间、频谱和协调模式。这些发现支持基于sEMG的可解释AI在功能转换过程中表征PD相关神经肌肉模式的潜力。
帕金森病(PD)是一种进行性神经退行性疾病，典型表现为运动迟缓、僵硬、震颤、姿势不稳和步态功能障碍。近年来，PD已被视为一种神经肌肉控制障碍，尤其在运动启动和功能性转换中，预期性和前馈机制缺陷被认为是核心问题。临床常用的统一帕金森病评定量表(UPDRS)和Hoehn-Yahr(H&Y)量表依赖临床观察，存在观察者间变异和时间分辨率不足等局限，难以捕捉阶段特异性的细微神经肌肉异常。表面肌电(sEMG)能以高时间分辨率记录肌肉激活时序和协调性。坐-走转移(STW)任务要求在狭窄时间窗内同时完成预期性姿势调整(APA)、近端关节稳定、动量产生和步态启动，因此可作为病理生理学压力测试。然而，既往STW研究多关注远端踝部肌肉或稳态步态，依赖平均时域特征和线性分析，对近端髋-膝肌群协调和阶段特异性时频组织了解不足。因此，研究人员旨在利用可解释机器学习(ML)和深度学习方法，探究PD患者在STW过程中肌肉激活的“何时”与“如何”改变。
研究人员招募了101例PD患者和50名健康对照(HC)，所有PD患者在服药状态下执行标准化STW任务，同时以2000Hz采样率从双侧八块下肢肌肉记录sEMG。信号经预处理后分割为三个STW阶段。研究同时采用特征型ML分类器和基于小波变换频谱图的卷积神经网络(CNN)，并结合SHapley Additive exPlanations(SHAP)和梯度加权类激活映射(Grad-CAM)进行可解释性分析。主要结论是：PD相关的运动功能障碍主要源于扭曲的肌肉激活时序和肌间协调，而非简单的激活幅度下降；STW阶段1是检测这种异常的最敏感窗口。该研究为理解PD神经肌肉控制障碍提供了新的生理学视角，并支持基于sEMG的可解释AI作为功能性转换过程中的数字生物标志物工具。
技术方法方面，样本来源于韩国东国大学医学中心，经伦理批准。核心流程包括：①基于运动捕捉系统(Vicon)和无线sEMG系统同步采集STW任务中的运动学和肌电数据；②sEMG预处理（40–400Hz带通滤波、60Hz陷波、Z-score标准化）和基于C7标记与足跟触地事件的阶段分割；③提取66个时域、频域、复杂度、共收缩及变异性特征；④泄漏控制的分层五折交叉验证，训练折内特征选择，评估逻辑回归、支持向量机、随机森林和XGBoost；⑤对每通道、每阶段的小波变换灰度频谱图分别训练CNN，采用留一受试者交叉验证(LOSO)；⑥SHAP和Grad-CAM用于特征和时间-频率归因，并用原始sEMG激活起始时间进行独立验证；⑦协变量校正回归和错误发现率(FDR)多重比较校正。
研究结果如下。
**3.1 协变量校正的组间比较**：在调整年龄、性别和MoCA-K后，STW阶段1中PD患者左侧股直肌–股二头肌短头共收缩指数显著降低，中位频率和平均频率显著升高，提示阶段1的频域和协调特征存在疾病相关改变。
**3.2 sEMG特征分类与SHAP结果**：随机森林模型表现最佳，平均准确率77.5%，AUC 0.795，敏感性92.1%，特异性48.0%。SHAP分析表明，STW阶段1的平均/中位频率、左侧股二头肌短头iEMG、左侧股直肌–股二头肌短头共收缩是主要分类贡献特征，频率升高和iEMG增大倾向于判定为PD，而共收缩指数降低与PD分类相关。
**3.3 基于CNN的分类与时间注意模式**：在整体、阶段1和阶段2中，右股直肌均获得较高准确率；Grad-CAM时间注意曲线显示PD患者多个肌肉（尤其是近端肌）出现更早、更集中且幅度较低的类判别注意模式，但经FDR校正后未达显著，故作为探索性证据。
**3.4 Grad-CAM归因的独立时间验证**：独立sEMG分析显示PD患者左、右股直肌、左胫骨前肌和右股二头肌短头的激活起始潜伏期显著缩短；阶段2中Grad-CAM的时间质心和半能量指数与原始sEMG对应时间指标呈显著正相关，而最大激活指数对应关系较弱。
**3.5 关键特征与临床指标的相关性**：左侧股二头肌短头阶段1的iEMG与H&Y分期正相关，左侧股直肌–股二头肌短头共收缩指数与H&Y分期负相关；左股直肌阶段2MaxIdx与UPDRS运动评分及总分负相关，提示这些指标与疾病严重程度存在弱但显著的关联。
讨论部分总结：本研究的核心贡献在于将PD的运动功能障碍重新表述为肌肉“何时被募集”和“如何协调”的问题。STW阶段1的频域偏移、近端共收缩异常和早期激活整合形成了独特的病理生理模式。与既往关注稳态步态或远端肌肉的研究相比，本研究聚焦于运动启动中的近端髋-膝肌群，揭示出预测性姿势控制和步态启动阶段存在的适应不良性协调策略。SHAP和Grad-CAM共同说明，可解释AI不仅能分类，还能产生关于神经肌肉控制机制的假设。局限性包括横断面设计、样本量较小、评估ON药物状态、仅
