Dario Farina 綜述：過去20年間高密度表面肌電神經提取應用進展
圖1 Dario Farina最新綜述。sEMG建模是理解肌電信號生成和解釋的關鍵，特別是用于教學、信號分析和可解釋性研究、信號處理、算法驗證和估計不可測參數等應用。其中一個重要應用是，sEMG建模相關研究揭示了信號生成的復雜性，尤其是小運動單位對總信號幅度的貢獻會隨著信號強度增加而減少，這不僅由于其相對幅度降低，還因為小動作電位更容易發生幅度抵消。因此，從sEMG幅值難以用于獲取神經驅動信息。另一個重要應用是串擾，即通過容積傳導傳播到遠離肌肉激活位置處所采集的sEMG。對sEMG建模研究揭示了串擾的復雜性，例如其頻域特性并不符合低通濾波的假設，進一步說明容積傳導對信號傳播的影響。盡管早期的模型主要基于簡單的幾何形狀，如平面和圓柱體，這些模型雖做出了較大地簡化，但在教學和基礎研究中發揮了重要作用。
近年來，sEMG信號建模取得了顯著進展，特別是在有限元建模（FEM）和神經網絡的應用。FEM模型通過優化計算負載和簡化數值解算法，使得復雜模型的計算更加高效，并為神經網絡訓練提供了基礎。特別是基于MRI的有限元模型，能夠精確反映肌肉和周圍組織的真實形狀和電導特性（圖2）。例如，BioMime模型作為一種先進的神經網絡，能夠通過學習復雜的生物物理過程快速生成接近真實的sEMG信號，并在解剖學準確的容積傳導中模擬運動單位動作電位的傳播，包括串擾信號的影響。這些先進模型不僅能夠作為實際sEMG記錄的數字孿生，通過與實驗數據的匹配識別關鍵神經肌肉屬性，還能為個性化醫療和更精確的電極設計提供支持。盡管復雜模型的計算成本較高，但它們能夠提供更深入的生物學和生理學理解，并有望推動sEMG技術在臨床應用中的發展，例如提高運動單位數量估計（MUNE）的準確性和表面肌電技術的臨床轉化
圖2 sEMG的解析和數值模型示例，包括平面和圓柱體解析模型以及基于MRI的數值模型，涵蓋了從1947年到2023年的多個研究。
sEMG信號處理進展
信號處理領域在過去幾十年中取得了顯著進展，尤其是sEMG分解技術的發展。自2014年以來，sEMG分解算法在多種復雜條件下得到了廣泛驗證，包括快速收縮和高同步性運動單位的誘發收縮。這些驗證不僅證明了分解技術的有效性，還揭示了其在不同肌肉解剖結構中的適用性（圖3）。盡管仍存在一些局限性，如對深層和小肌肉運動單位的解碼困難，但sEMG分解已成為研究人類運動單位活動的有效工具。近年來，sEMG分解技術取得了顯著進展，包括跨會話追蹤運動單位、增加識別的運動單位數量、在動態收縮中的應用以及實時信號分解的實現。基于盲源分離算法的實時分解技術，能夠在幾十毫秒內完成信號分解，該方案成為神經接口（如假肢控制）的核心組成部分。隨著神經網絡等新技術的應用，sEMG分解的準確性和魯棒性有望進一步提高，推動其在臨床和研究中的更廣泛應用。
圖3 通過HD-sEMG記錄的脛骨前肌在不同目標力量下的運動單位放電率編碼，追蹤了187個運動單位在不同收縮力下的活動，并通過自然對數函數擬合了運動單位放電率與力量之間的關系，揭示了運動神經元的輸入-輸出特性。
人工智能（AI）技術在sEMG信號分解中的應用逐漸興起，展現出巨大的潛力（圖4）。一方面，AI增強的信號分解方法通過深度神經網絡從經典源分離技術中學習，并將其應用于新數據，顯著提高了對噪聲的魯棒性，這主要得益于數據增強技術，例如在訓練數據集中添加實驗數據的噪聲版本，使神經網絡對噪聲的敏感性降低。這種方法不僅可能解決手動檢查分解結果的繁瑣問題，還為未來的臨床應用提供了新的思路。另一方面，無監督神經網絡也被引入sEMG分解，通過將信號映射到低維流形并施加約束來解決分解問題，無需依賴經典算法的訓練，為sEMG分解帶來了新的可能性。盡管AI在信號分解中的應用仍處于早期階段，但其對sEMG信號分析的影響已經十分顯著。未來，隨著數據增強和個性化模型的發展，AI有望進一步提高sEMG分解的魯棒性和準確性，推動該技術在臨床和研究中的廣泛應用。
圖4 基于人工智能增強的肌電分解方法，通過訓練深度神經網絡預測運動單位活動、識別分解中的誤判，并補償信號非平穩性，提升了肌電分解的準確性和魯棒性。
sEMG的應用
sEMG作為研究運動單位的工具，在過去20年中取得了重要進展，實現了從全局和基礎方法向非侵入性識別單個運動單位的動作電位放電時間的轉變。這一進展不僅推動了基礎生理學研究，還擴展了sEMG信號與其他設備的接口應用。肌電控制是其中一個重要領域，利用sEMG信號作為人機接口控制外部設備，如主動假肢。通過記錄截肢者殘余肌肉的sEMG信號，可以推斷用戶的運動意圖，并將其轉化為控制假肢的命令。盡管肌電控制已應用數十年，并在商業假肢中實現，但其臨床轉化仍面臨挑戰，如計算資源需求和信號魯棒性問題。
通過分解殘余的sEMG信號，研究人員能夠解碼脊髓損傷患者的運動神經元活動，這些活動在患者執行手部任務時是受意志控制的。因此，解碼后的運動神經元活動原則上可以作為神經接口，用于提取用戶的意圖并控制虛擬手或輔助設備，如外骨骼手套或功能性電刺激。如圖5所示，這種接口的準確性足以將運動神經元活動與預期的手部動作精確關聯。盡管目前這一應用僅處于概念驗證階段，但初步結果顯示出巨大的潛力。
圖5 通過袖套電極陣列記錄脊髓損傷患者前臂肌肉的sEMG信號，盡管患者無可見運動，但仍能檢測到肌電信號并分解出單個運動單位活動，揭示了運動神經元放電與手部任務意圖的關聯。
通過在線估計單個運動單位的放電時間，研究人員開發了基于肌肉神經驅動的高級生物反饋系統。由于接收共同輸入的運動神經元群體具有線性輸出特性，可以從sEMG解碼運動神經元的輸出（即對肌肉神經驅動的估計），進一步估計相應的共同輸入信號。這些生物反饋系統已用于證明中樞神經系統無法獨立控制單個運動神經元，而是將共同突觸輸入分配給一組運動神經元。此外，皮質振蕩活動（如β波和γ波）也通過共同投射傳遞到運動神經元群體，影響肌肉力的產生。下圖展示了一個模擬示例（圖6），表明可以從運動神經元群體的輸出中提取不同頻率的輸入信號。盡管與振蕩活動的接口在治療性生物反饋和人類增強方面具有潛在應用，但目前的結果仍處于初步階段，存在諸多挑戰。令人欣喜的是，sEMG在神經接口中的應用在過去十年中引起了廣泛關注，其中不乏知名科技公司也積極參與其中。
圖6 通過模擬177個運動神經元接收共同輸入和獨立輸入的解碼過程，揭示了運動神經元群體對振蕩性輸入的線性響應，并通過濾波重建了輸入信號的頻率成分。
總結與展望
在過去20年中，sEMG在神經控制策略的研究中取得了顯著進展，但仍存在一些挑戰。如sEMG在臨床神經生理學中的應用尚未標準化，傳統的侵入性EMG（如，同心針電極）仍然是診斷神經肌肉疾病的主要方法。sEMG信號的濾波效應使得一些臨床相關特征難以檢測，因此將其轉化為常規臨床評估和監測工具仍是一個關鍵挑戰。此外，盡管sEMG在運動醫學、神經康復和職業醫學等領域有廣泛應用，但其臨床轉化和采用仍然有限，部分原因是技術復雜性和缺乏廣泛的教育與推廣。未來，隨著技術的進一步發展和標準化，sEMG將成為研究神經肌肉控制不可或缺的工具，并在臨床醫學中實現更廣泛的應用，這一技術的潛力無疑將在未來的科研和臨床實踐中得到進一步挖掘。
參考文獻
D. Farina, R. Merletti, and R. M. Enoka, “The extraction of neural strategies from the surface EMG: 2004–2024,” J. Appl. Physiol., vol. 138, no. 1, pp. 121–135, Jan. 2025, doi: 10.1152/japplphysiol.00453.2024.
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
