导语
康复大学（筹）神经肌肉康复工程团队包括高层次海外引进人才周平、路知远、陈茂启、黄成君、鲍天哲等人。团队致力于表面肌电技术创新及其在神经肌肉康复中的应用，在基于肌电的康复机器人控制、神经肌肉功能评估、表面肌电分解、运动单位数目估计等领域取得重要进展，相关成果发表于IEEE Transactions on Biomedical Engineering、IEEE Transactions on Neural System and Rehabilitation Engineering、IEEE Journal of Biomedical and Health Informatics、International Journal of Neural Systems、Science China Life Sciences等国际高水平期刊。

01 研究背景
脑卒中是我国成年人致残的首位原因。机器人辅助康复是当前恢复脑卒中患者运动功能的重要技术手段。表面肌电信号不仅可以反映患者的运动意图、在机器人辅助的康复训练中实现自然的人机交互，还可以评估患者的神经肌肉功能、分析脑卒中后神经肌肉系统的复杂病理变化。

02 研究概述
基于功能化导电聚合物的设计，研究团队设计了功能化聚苯胺基时序黏附水凝胶贴片。它可以实现心脏的同步机械生理监测和电耦合治疗，并牢固附着在心脏表面监测心脏的机械运动和电活动。
 

图1: 全谱肌电技术及其应用
（图片来自原文）
 

1.肌电模式识别驱动的多自由度机器人辅助康复
用患者的肌肉活动控制康复机器人以辅助患者完成训练任务的主动康复模式具有比被动模式更好的康复效果。然而开关控制和比例控制等传统方案只能控制一两个自由度，难以满足手功能康复对多自由度控制的需求。团队人员为此提出了基于肌电模式识别的康复机器人控制方案。该方案采集患者前臂和手部7块肌肉的肌电信号，使用模式识别算法实时识别患者五指抓握、五指张开、三指对捏等6种手指运动意图，并实时驱动康复机器人协助患者完成运动，从而向患者提供多自由度的运动训练，以及本体、视觉等多感官的反馈。在临床试验中，手功能基本稳定的慢性期脑卒中患者经20次、每次1小时的康复训练，其手功能明显改善。
 

图2: 肌电模式识别驱动的多自由度康复机器人
（图片来自原文）

在该方案中，运动意图识别的正确率是决定患者使用体验的重要因素。团队人员发现正确率与患者临床评估指标之间并没有相关性。考虑到脑卒中患者复杂的运动功能障碍可能会引起运动意图与肌肉活动之间的差异，团队人员设计了离线识别、在线识别和实时交互三种识别场景，并招募脑卒中与脊髓损伤患者开展对比实验，发现肌电模式识别算法可以用于识别脑卒中患者的运动意图，但是动作起始阶段肌肉激活模式不稳定、存在异常肌肉活动等因素会影响其正确率。
 

图3: 脑卒中和脊髓损伤患者的肌电模式识别正确率
（图片来自原文）

2.基于全谱肌电的脑卒中后运动功能评估
肌无力是脑卒中患者的最常见的症状之一，也是引起运动功能障碍的主要原因。运动单位是肌肉的最小功能单位，包括一个运动神经元及其支配的肌纤维。团队人员利用单纤维肌电图，发现脑卒中患者患侧的单纤维动作电位相对于健侧降低，肌纤维密度升高，但是利用同心圆针肌电图并没有观察到明显的波幅变化，这在微观层面上说明患者可能存在肌萎缩和神经再支配，而后者提示存在运动神经元丢失，这与团队此前基于motor unit number index (MUNIX)的研究结果相一致。
 

图4: 脑卒中患侧STEPIX低于健侧
（图片来自原文）

上述肌电技术以受主观控制的运动单位为研究对象，而脑卒中患者可能无法自主激活全部的运动单位。团队人员因此采用基于电刺激的compound muscle action potential (CMAP) scan技术研究单块肌肉的全部运动单位，发现患侧step index （STEPIX，反映运动单位数量的指标）降低而amplitude index （AMPIX，反映运动单位平均大小的指标）无显著变化，提示患侧全部的运动单位都可能出现丢失、再支配以及肌萎缩。

3.基于肌电分解的运动单位发放特性研究
 

图5: （上）用高密度表面肌电和同心圆针电极测量运动单位发放序列，
（下）两种来源的肌电信号分解结果对比
（图片来自原文）
 

表面肌电分解旨在从混叠的表面肌电中获取单个运动单位动作电位的波形信息和募集、发放信息，进而实现运动单位发放特性的解析。团队提出了串行结构的高密度表面肌电分解框架—渐进式独立分量剥离法（Progressive FastICA Peel-off, PFP），并开展了基于高密度表面肌电和同心圆针电极的“双源法”验证，发现两种算法所得到的发放序列达到了96.8%的匹配率，说明PFP算法可以基于高密度肌电实现无创的神经信号解码。进一步研究发现，PFP算法在脑卒中患者和健康对照之间的性能相近，可以为揭示脑卒中患者运动单位发放特性提供便捷的工具。

03 研究意义
脑卒中患者可能出现复杂的神经肌肉病理变化。全谱肌电技术的创新及应用可以精准评估患者个体的运动单位数量、大小、发放特性、控制特性，以及肌纤维密度、大小等特性的变化，有助于制定个性化的康复方案。基于肌电模式识别的交互控制方案可以提高康复机器人的交互自由度，使机器人辅助的复杂手功能康复成为可能。

主要参考文献：
[1] Z Lu, KY Tong, X Zhang, S Li, P Zhou. Myoelectric pattern recognition for controlling a robotic hand: a feasibility study in stroke. IEEE Transactions on Biomedical Engineering. 2019;66:365–372.

[2]  M Chen, Z Lu, X Li, Y Zong, Q Xie, S Li, P Zhou. Compound muscle action potential (CMAP) scan examination of paretic and contralateral muscles reveals motor unit alterations after stroke. Science China Life Sciences. 2023;66:2604–2613.

[3] Z Lu, M Chen, Y Zong, X Li, P Zhou. A novel analysis of CMAP scans from perspective of information theory: CMAP distribution index (CDIX). IEEE Transactions on Biomedical Engineering. 2023;70:1182–1188.

[4] M Chen, Z Lu, Y Zong, X Li, P Zhou. A novel analysis of compound muscle action potential scan: staircase function fitting and StairFit motor unit number estimation. IEEE Journal of Biomedical and Health Informatics. 2023;27:1579–1587.

[5] M Chen, X Zhang, Z Lu, X Li, P Zhou. Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International Journal of Neural Systems. 2018;28:1850019.

[6]Huang C, Chen M, Zhang Y, Li S, Klein CS, Zhou P. A novel muscle innervation zone estimation method using monopolar high density surface electromyography.  IEEE Trans Neural Syst Rehabil Eng. 31: 22-30, 2023.

[7]Bao T, Xie SQ, Yang P, Zhou P, Zhang Z. Towards Robust, Adaptive and Reliable Upper-limb Motion Estimation Using Machine Learning and Deep Learning--A Survey in Myoelectric Control. IEEE J Biomed Health Inform. 26(8):3822-3835, 2022.

[8]Bao T, Wang C, Yang P, Xie SQ, Zhang Z, Zhou P. LSTM-AE for domain shift quantification in cross-day upper-limb motion estimation using surface electromyography. IEEE Trans Neural Syst Rehabil Eng. 31: 2570-2580, 2023.