实时解码神经控制信息：迈向运动单位驱动的高密度肌电接口
2025-07-27 来源:本站 点击次数:24
背景介绍
随着可穿戴神经康复技术和智能假肢系统的发展，如何准确感知人体意图成为核心技术瓶颈。传统的肌电驱动方法由于受“幅度抵消”、电极位置变化等影响，在动态任务（如行走、高收缩强度）中识别稳定性较差。相比之下，深入解码肌肉最小神经控制单位——运动单位（Motor Unit, MU）的发放模式，能够揭示更底层的神经控制意图，是实现高精度、生理一致的神经-肌肉界面的关键。尽管已有方法在静态条件下可对MU发放进行离线解码，但尚未实现在动态或高收缩强度条件下的在线解码与肌肉激活建模，限制了其实时应用能力。
研究方法
本研究招募了两名健康成年志愿者，旨在分别评估肌肉在日常行走与高强度收缩条件下的运动单位发放与肌肉激活状态。整体研究框架如图2。
在步行实验中，受试者以自然速度行走于平地，并配合完成三种不同推蹬力水平的任务（分别为最大自主收缩MVC的30%、40%、50%），用于训练解码模型。研究者在其优势腿比目鱼肌上粘贴一块8×8电极阵列（共64通道，间距约10mm），借助荷兰TMSi公司的SAGA 64+系统采集HD-sEMG信号，采样频率2048Hz。步态事件由运动捕捉系统与测力平台同步记录，以便精确对齐肌肉发放与下肢动力学数据。
在高强度任务中，受试者完成不同角度下的踝关节背屈等长收缩，目标力水平分别为30%、50%、70%、90%MVC。HD-sEMG使用 256通道系统进行采集，信号带宽设置为20–500Hz，并对所有信号进行了50Hz陷波滤波去除工频干扰。每个任务重复4次，系统自动记录等长力矩变化曲线，并与肌电信号对齐处理。
在信号处理与分析方面，研究者构建了一种改进的Fast ICA算法，即两阶段BSS方法：首先在低强度任务（粉色）中训练MU滤波器（图3a），然后在高强度或步行数据（蓝色）中通过残差优化方式对滤波器进行自适应与细化。每一个被成功识别的运动单位发放序列都被进一步映射至一个二阶肌肉抽搐响应函数，其核心参数包括峰值幅度（Ac）与收缩时间（Tc），最终通过卷积获得该MU的个性化激活动力学曲线（图3b）。研究者进一步将数据分割为64个采样点（约32ms）为窗口的伪在线处理流，使用事先训练好的分解参数进行快速解码，以验证方法的实时性能（图3c）。
关键实验结果
在步行任务中，通过解码MU发放并结合个性化抽搐响应构建的激活动力学模型，预测出的踝关节力矩曲线与真实测量曲线拟合程度高达R²=0.89，显著优于传统EMG包络模型的R²=0.86（图4）。这一结果说明该方法能更准确地反映生理实际肌肉控制机制，并成功捕捉到个体在自然运动中的神经驱动模式。
在高强度收缩任务中，改进的两阶段BSS算法成功解码出更多的运动单位发放事件。与传统方法相比，新算法显著提升了解码出的运动单位多样性，其募集阈值覆盖范围从20%至70% MVC，涵盖了从慢肌型到快肌型多个MU类型（图4）。虽然慢肌MU的代表性仍有待进一步扩展，但整体激活估计表现出更高的响应速度与更强的生理一致性，为建模真实肌肉输出提供了良好基础。
在计算效率方面，伪在线处理结果显示，每窗口（32ms）MU解码耗时中位数仅2.17ms，激活估计耗时小于1ms，系统整体延迟远低于神经-肌肉反应时限（~100ms），具备实时运行潜力。
此外，从神经生理的角度也可以理解这些结果的合理性。比目鱼肌和胫骨前肌的运动单位数量众多且调控方式精细，能很好地体现神经系统对不同任务条件的快速适应能力。通过将MU视作“神经控制的最小单位”，该研究揭示了神经-肌肉界面在动态任务中的“发放逻辑”，为今后的个体化康复和智能控制打下了坚实基础。
总结与展望：打造MU驱动的智能神经康复系统
本研究首次实现了在步态与高强度动态收缩中，同时实时解码运动单位发放事件及其激活动力学，不仅提升了神经驱动建模的生理精度，也突破了传统肌电驱动方法的局限。该方法具备高精度、高响应性和高泛化性三大显著优势，具体体现在MU级别的神经解码显著提高了运动意图解析与力输出预测的准确性；系统整体延迟<9ms，满足实时控制需求；模型适用于多种运动状态，包括自然行走和极限收缩。
随着算法优化与计算平台的持续发展，该方法有望与可穿戴肌电采集系统、智能外骨骼与假肢等设备融合，构建出基于运动单位的智能控制闭环系统，在神经假肢、人机接口设备中具有广泛应用。我们有理由相信，在不远的将来，从HD-sEMG中实时解码MU发放模式，将成为连接生物信号与智能设备的核心技术，让神经工程技术真正贴合生理、贴近生活、服务大众。
原文链接
Gogeascoechea, Antonio, et al. "Towards real-time decoding of motor unit firing events and resulting muscle activation during human locomotion and high-force contractions." 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob). IEEE, 2024.
DOI: 10.1109/BioRob60516.2024.10719929
研究团队介绍
本文作者为Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai、Utku S. Yavuz和Massimo Sartori。其中，Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai与Massimo Sartori隶属于荷兰特文特大学（University of Twente）生物力学工程系；Utku S. Yavuz则隶属于荷兰特文特大学生物医学信号与系统小组。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
随着可穿戴神经康复技术和智能假肢系统的发展，如何准确感知人体意图成为核心技术瓶颈。传统的肌电驱动方法由于受“幅度抵消”、电极位置变化等影响，在动态任务（如行走、高收缩强度）中识别稳定性较差。相比之下，深入解码肌肉最小神经控制单位——运动单位（Motor Unit, MU）的发放模式，能够揭示更底层的神经控制意图，是实现高精度、生理一致的神经-肌肉界面的关键。尽管已有方法在静态条件下可对MU发放进行离线解码，但尚未实现在动态或高收缩强度条件下的在线解码与肌肉激活建模，限制了其实时应用能力。
图1. 文章信息
荷兰特文特大学 Massimo Sartori 教授团队于2024年在IEEE BioRob会议上发布了一项开创性研究，首次提出一种可在线运行的神经肌肉控制框架，可同时解码行走与高强度收缩过程中的MU发放事件与相应的肌肉激活状态。研究采用两阶段盲源分离（BSS）策略，从低强度任务中训练MU滤波器，并迁移适配于高强度动态任务，同时结合每个MU的“抽搐响应函数”（twitch response）构建个性化激活动力学模型。实验显示，该方法在行走任务中预测踝关节力矩的相关系数达0.89，明显优于传统肌电（EMG）方法（0.86）；同时，在90%最大自主收缩条件下，成功分解出多类型MU，具备亚10ms的低延迟运行效率。该研究为MU级别的人体运动意图识别与智能控制提供了强有力支撑，或将推动未来高性能康复设备与神经假体的发展。研究方法
本研究招募了两名健康成年志愿者，旨在分别评估肌肉在日常行走与高强度收缩条件下的运动单位发放与肌肉激活状态。整体研究框架如图2。
图2. 研究整体框架
在步行实验中，受试者以自然速度行走于平地，并配合完成三种不同推蹬力水平的任务（分别为最大自主收缩MVC的30%、40%、50%），用于训练解码模型。研究者在其优势腿比目鱼肌上粘贴一块8×8电极阵列（共64通道，间距约10mm），借助荷兰TMSi公司的SAGA 64+系统采集HD-sEMG信号，采样频率2048Hz。步态事件由运动捕捉系统与测力平台同步记录，以便精确对齐肌肉发放与下肢动力学数据。
在高强度任务中，受试者完成不同角度下的踝关节背屈等长收缩，目标力水平分别为30%、50%、70%、90%MVC。HD-sEMG使用 256通道系统进行采集，信号带宽设置为20–500Hz，并对所有信号进行了50Hz陷波滤波去除工频干扰。每个任务重复4次，系统自动记录等长力矩变化曲线，并与肌电信号对齐处理。
在信号处理与分析方面，研究者构建了一种改进的Fast ICA算法，即两阶段BSS方法：首先在低强度任务（粉色）中训练MU滤波器（图3a），然后在高强度或步行数据（蓝色）中通过残差优化方式对滤波器进行自适应与细化。每一个被成功识别的运动单位发放序列都被进一步映射至一个二阶肌肉抽搐响应函数，其核心参数包括峰值幅度（Ac）与收缩时间（Tc），最终通过卷积获得该MU的个性化激活动力学曲线（图3b）。研究者进一步将数据分割为64个采样点（约32ms）为窗口的伪在线处理流，使用事先训练好的分解参数进行快速解码，以验证方法的实时性能（图3c）。
图 3. 肌电分解整体流程图
关键实验结果
在步行任务中，通过解码MU发放并结合个性化抽搐响应构建的激活动力学模型，预测出的踝关节力矩曲线与真实测量曲线拟合程度高达R²=0.89，显著优于传统EMG包络模型的R²=0.86（图4）。这一结果说明该方法能更准确地反映生理实际肌肉控制机制，并成功捕捉到个体在自然运动中的神经驱动模式。
图4. MU激活估计与踝关节力矩对比。左图为5个步态周期中MU激活（初始与优化）、EMG包络及实际力矩；右图为全周期拟合结果的决定系数（R²）
在高强度收缩任务中，改进的两阶段BSS算法成功解码出更多的运动单位发放事件。与传统方法相比，新算法显著提升了解码出的运动单位多样性，其募集阈值覆盖范围从20%至70% MVC，涵盖了从慢肌型到快肌型多个MU类型（图4）。虽然慢肌MU的代表性仍有待进一步扩展，但整体激活估计表现出更高的响应速度与更强的生理一致性，为建模真实肌肉输出提供了良好基础。
图5. 所提出的改进算法与传统方法的MU激活对比。蓝色为改进分解，粉色为传统方法，灰色曲线表示归一化等长力矩。左图为高强度收缩任务示例，右图显示两种方法的MU募集阈值分布
在计算效率方面，伪在线处理结果显示，每窗口（32ms）MU解码耗时中位数仅2.17ms，激活估计耗时小于1ms，系统整体延迟远低于神经-肌肉反应时限（~100ms），具备实时运行潜力。
此外，从神经生理的角度也可以理解这些结果的合理性。比目鱼肌和胫骨前肌的运动单位数量众多且调控方式精细，能很好地体现神经系统对不同任务条件的快速适应能力。通过将MU视作“神经控制的最小单位”，该研究揭示了神经-肌肉界面在动态任务中的“发放逻辑”，为今后的个体化康复和智能控制打下了坚实基础。
总结与展望：打造MU驱动的智能神经康复系统
本研究首次实现了在步态与高强度动态收缩中，同时实时解码运动单位发放事件及其激活动力学，不仅提升了神经驱动建模的生理精度，也突破了传统肌电驱动方法的局限。该方法具备高精度、高响应性和高泛化性三大显著优势，具体体现在MU级别的神经解码显著提高了运动意图解析与力输出预测的准确性；系统整体延迟<9ms，满足实时控制需求；模型适用于多种运动状态，包括自然行走和极限收缩。
随着算法优化与计算平台的持续发展，该方法有望与可穿戴肌电采集系统、智能外骨骼与假肢等设备融合，构建出基于运动单位的智能控制闭环系统，在神经假肢、人机接口设备中具有广泛应用。我们有理由相信，在不远的将来，从HD-sEMG中实时解码MU发放模式，将成为连接生物信号与智能设备的核心技术，让神经工程技术真正贴合生理、贴近生活、服务大众。
原文链接
Gogeascoechea, Antonio, et al. "Towards real-time decoding of motor unit firing events and resulting muscle activation during human locomotion and high-force contractions." 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob). IEEE, 2024.
DOI: 10.1109/BioRob60516.2024.10719929
研究团队介绍
本文作者为Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai、Utku S. Yavuz和Massimo Sartori。其中，Antonio Gogeascoechea、Mohamed Irfan Mohamed Refai与Massimo Sartori隶属于荷兰特文特大学（University of Twente）生物力学工程系；Utku S. Yavuz则隶属于荷兰特文特大学生物医学信号与系统小组。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
相关文章
更多 >