基于共享肌肉协同的表面肌电信号下肢运动学重建研究

《Bioengineering》：Lower-Limb Kinematic Reconstruction from Surface Electromyography Across Locomotor Tasks Using Shared Muscle Synergies

　　

摘要 表面肌电信号（surface electromyography, sEMG）反映神经肌肉控制，但多通道记录具有高维度和难以解释的特点。本研究评估了肌肉协同激活（muscle-synergy activations）是否为下肢运动学重建提供了一种紧凑的输入表征。研究人员从Gait120数据集中获取了120名健康男性参与者在执行七项任务时的十二通道sEMG以及髋、膝、踝关节角度。通过非负矩阵分解（nonnegative matrix factorization, NMF）推导出一个四协同表征（four-synergy representation），并评估了参与者内跨任务的相似性。在参与者五折交叉验证下，仅从训练参与者估计出折特定的共享字典（shared dictionaries），并通过独立的特定任务模型重建了五种步态任务下的关节轨迹。极端随机树（ExtraTrees）在大多数任务-关节组合中取得了最低均方根误差（root mean squared error, RMSE），并被用于探索性的详细比较。共享协同激活将回归器输入表征从每时间点12个变量减少到四个激活系数。任务水平平均RMSE对于协同激活为5.60–6.29°，对于原始sEMG为5.52–6.28°。经Holm校正后，在15个任务-关节比较中，有14个未检测到统计学显著差异，而一个比较有利于协同激活。这些发现支持共享协同激活作为一种紧凑且具有生理可解释性的输入表征，并为跨步态条件下下肢运动的神经肌肉信息建模提供了基础。

论文解读文章

1. 研究背景与现存问题

下肢关节运动学估计在人体运动分析领域具有重要意义，广泛应用于康复训练、智能假肢以及可穿戴辅助设备控制等方面。准确估计髋、膝、踝关节的运动轨迹能够提供关于人体步态功能的量化信息，并实现对实验室环境外运动表现的连续监测。当前获取下肢运动学的主要方法包括惯性测量单元（inertial measurement units, IMUs）、生物力学建模方法以及表面肌电信号（surface electromyography, sEMG）。其中，sEMG作为一种非侵入性的神经肌肉激活测量手段，因其能在可观测的关节运动之前提供预测信息而受到关注。然而，多通道sEMG信号具有高维度、冗余且易受记录变异性影响的特点，同时肌肉激活与关节运动之间的关系高度非线性且复杂，这使得开发准确、鲁棒且具有生理可解释性的预测模型面临挑战。

以往研究虽已证明基于sEMG的下肢运动学估计可行性，但多数模型依赖原始sEMG包络、手工特征或黑箱潜在表征，这些表征虽能捕捉局部肌肉激活特征，却未能显式编码多块肌肉的协调募集模式，导致对神经肌肉控制底层组织的洞察有限，且在跨关节、跨受试者和跨运动任务时的鲁棒性可能降低。肌肉协同理论（muscle synergy theory）认为中枢神经系统可能通过灵活招募有限数量的肌肉激活模块来简化对多块肌肉的控制，这为研究神经肌肉控制的模块化组织提供了一个具有生理可解释性的框架。然而，目前鲜有研究探讨协同激活系数能否作为预测性的低维输入用于重建下肢关节运动学。因此，本研究旨在探究肌肉协同激活是否能作为一种紧凑且稳健的低维神经肌肉表征，用于跨多种运动任务的下肢运动学重建。

2. 研究方法概述

本研究使用了公开的Gait120数据集，该数据集包含120名年龄在20至59岁之间的健康成年男性参与者的同步全身运动学和sEMG记录，涵盖七种常见下肢步态和过渡运动任务：平地行走、上楼梯、下楼梯、上坡、下坡、坐-站转换和站-坐转换。研究人员采用非负矩阵分解（nonnegative matrix factorization, NMF）算法从处理后的sEMG中提取肌肉协同。通过方差解释率（variance accounted for, VAF）分析确定协同数量为4。为了获得统一的肌肉协同表征并进行参与者间泛化评估，研究人员在每次交叉验证折中，仅使用训练参与者的所有完整sEMG周期构建一个折特定的共享协同字典（shared synergy dictionary）。随后，将该固定字典应用于训练和测试参与者，投影得到各自的激活系数。六种预测模型被用于重建关节角度，包括岭回归（ridge regression）、偏最小二乘回归（partial least-squares regression）、k近邻回归（k-nearest-neighbor regression）、极端随机树（extremely randomized trees, ExtraTrees）、时序卷积网络（temporal convolutional network, TCN）和卷积长短期记忆网络（convolutional long short-term memory network, CNN-LSTM）。模型性能通过均方根误差（root mean squared error, RMSE）、决定系数（R2）和皮尔逊相关系数（Pearson correlation coefficient, r）进行量化。此外，还进行了多项对照分析，包括相位-仅均值轨迹基线、时间循环移位控制、四成分主成分分析（principal component analysis, PCA-4）控制、严格肌肉标签置换分析以及对协同数量K的敏感性分析。

3. 研究结果

3.1 肌肉协同数量的选择

通过分析参与者-任务特定的NMF分解结果发现，随着协同数量K从1增至8，总VAF单调增加，最大改善发生在1至4个协同之间，之后曲线逐渐趋于平台。在K=4时，所有参与者在所有任务中的总VAF均满足≥0.90的阈值，但并非所有参与者的所有肌肉都满足肌肉特异性VAF≥0.75的标准。综合考虑VAF平台期、中位数参与者需求以及跨参与者与任务保持统一维度的必要性，研究人员选择K=4作为主要表征。

3.2 任务特定肌肉协同结构与跨任务相似性

在K=4时，五种步态任务展现出大致相似的协同结构：匹配的S1以跖屈肌为主，S2以股四头肌为主，S3主要关联小腿远端肌肉，S4则始终以胫骨前肌为主导。相比之下，坐-站和站-坐转换任务表现出更特异性的权重模式。参与者内跨任务比较显示，步态任务间的相似性较高，均值范围为0.775至0.907，而步态与转换任务间的相似性较低，最低均值出现在下楼梯与坐-站转换之间（0.621）。

3.3 使用共享步态协同激活的运动学重建

在六种预测模型中，ExtraTrees在15个任务-关节组合中的13个取得了最低RMSE，因此被保留用于后续探索性分析。在探索性ExtraTrees比较中，原始sEMG与H?之间的RMSE差异普遍较小：经Holm校正后，15个比较中有14个未检测到统计学显著差异，仅在下坡时的踝关节处H?表现更优。H?将提供给回归器的输入维度从1212个特征降至404个特征，降幅达66.7%，但所有12个sEMG通道对于计算这四个激活系数仍然是必需的。

3.4 对肌肉协同数量的敏感性

对K=3至6的敏感性分析表明，跨任务相似性模式和运动学重建性能在所选协同数量范围内总体稳定。尽管K=5和K=6的平均RMSE略低，但变化幅度很小，表明主要结果并非特指K=4。

3.5 输入表征和时间信息的对照分析

四维PCA控制显示，PCA-4与H?的重建误差相似，无统计学显著差异，但H?保留了非负肌肉权重结构，更具生理可解释性。严格肌肉标签置换分析表明，原始肌肉标签组织仅在上楼梯和上坡任务中对三关节平均RMSE有贡献，在其他任务中不显著。相位-仅均值轨迹控制和时间循环移位控制均证实，在楼梯和斜坡任务中，原始sEMG和H?提供了超越相位相关规律性和时间对齐的有用信息，而在平地行走中其额外贡献较小。

4. 讨论与结论

本研究表明，共享肌肉协同激活可作为跨五种预定义步态任务的下肢运动学重建的一种紧凑且具有可解释性的输入表征。步态任务间较高的协同相似性与肌肉协同框架一致，即相关运动共享部分肌肉权重模块。ExtraTrees的优异表现可能归因于当前预测问题的固定长度、相位对齐结构，使得非线性肌肉-时间点交互得以直接建模。尽管H?在预测精度上与原始sEMG相当，但其主要优势在于紧凑性和可解释性。

研究结论：本研究评估了源自共享步态协同字典的激活系数作为四维输入表征，用于跨五种预定义步态任务的整周期下肢运动学重建。参与者水平分析揭示了步态肌肉权重结构间较高的跨任务相似性。在探索性ExtraTrees比较中，H?与原始sEMG的配对RMSE差异普遍较小：15个任务-关节比较中有14个未检测到统计学显著差异，而一个比较有利于H?。该激活表征将预测模型的输入维度降低了66.7%，并提供了关于协调肌肉募集的直接解释，尽管所有12个sEMG通道对于计算这些激活仍是必需的。这些发现支持共享协同激活作为所考察步态条件下参与者独立运动学重建的一种紧凑且可解释的表征。