双源验证系统评估APFP方法可靠性为高密度表面肌电分解提供的解决方案
2025-08-08 来源:本站 点击次数:89
高密度表面肌电分解有多准？双源验证告诉你答案
背景介绍
随着人机交互、康复工程与神经科学的融合发展，如何精准解读肌肉发出的“电语言”已成为智能医疗的重要方向。尤其是在临床康复、假肢控制、运动功能评估等领域，运动单位（MU，Motor Unit）的放电模式正被视为洞察肌肉健康与功能状态的关键指标。然而，想要从复杂多变的表面肌电信号（sEMG）中，准确还原这些深层的生理活动，就像在交响乐中精准识别每一件乐器的旋律一样困难。传统的针电极肌电（iEMG）虽然信噪比更高，在分解精度上具有优势，但因其侵入性强、适用范围小，难以满足日常评估与大规模监测的需求。而高密度表面肌电（HD-sEMG）凭借无创、多通道采集的优势，逐渐成为探索肌肉电生理活动的新兴技术手段。然而，其庞大的数据量与高度重叠的信号结构，也对分解算法提出了更高的要求。在这种背景下，发展自动化、鲁棒性强的sEMG分解技术，不仅是肌电研究的技术难点，更是推动肌电技术走向临床、家庭与可穿戴设备的关键一步。
论文概要
来自康复大学的周平和陈茂启教授团队，针对表面肌电（sEMG）分解难题，提出并验证了一种自动化信号分解方法—-Progressive FastICA Peel-Off（APFP）。相关研究成果发表于《International Journal of Neural Systems》期刊，论文题为《Two-Source Validation of Progressive FastICA Peel-Off for Automatic Surface EMG Decomposition in Human First Dorsal Interosseous Muscle》。该研究通过HD-sEMG与iEMG同步采集技术，在实验中采集人手部第一背侧骨间肌（FDI）在低强度收缩状态下的双源肌电数据。然后分别使用APFP算法与人工辅助检查的PFP算法对两类信号进行肌电分解，并对共识运动单位的发放时间进行比对，量化APFP分解准确度。证实了所提APFP算法的虚假发现率和漏检率均控制在较低水平，进一步证明了APFP算法在分解HD-sEMG信号方面的高精度和稳定性。该研究首次以“双源验证”的方式，系统评估了APFP方法的可靠性，不仅为表面肌电分解提供了全自动、高鲁棒性的技术工具，也为今后在康复医学、人机交互、神经肌肉疾病监测等领域的应用推广奠定了重要基础。
研究方法
本研究共招募了5名神经系统健康的成年男性志愿者（平均年龄36±8岁），均无任何已知的神经或肌肉系统疾病。同时，研究还特别纳入了一位慢性脑卒中女性患者（65岁，卒中后恢复期已达5年），旨在评估APFP方法对HD-sEMG信号的自动分解性能。
在信号采集阶段，每位受试者均被安排以舒适坐姿，将实验侧手臂旋前并放置于可调高度的支撑台上，在指导下完成低强度的等长肌肉收缩任务。其中，4名健康受试者进行了双侧采集，另1名仅采集优势手；脑卒中患者则采集患侧肌肉信号，共计获得10块FDI肌肉的双通道记录数据。
实验共采集153组数据，经预处理与质量筛选，最终选取114组高质量信号用于后续分析。实验采用由TMSi公司（荷兰）研发的Refa 128通道放大器系统对HD-sEMG信号进行采集。所用电极阵列为柔性二维64通道（8×8）结构，单个电极直径为1.2 mm，中心间距为4 mm，具备良好的皮肤贴合性和空间分辨率。采样频率设定为2000 Hz，带通滤波范围设为10 Hz–500 Hz，确保信号完整性与抗干扰性能。同时，iEMG信号通过Natus UltraPro S100系统（美国 Natus Neurology Inc.）进行采集，使用传统同心针电极（直径0.58 mm，记录面积0.07 mm²），采样频率为44.1 kHz，带通滤波范围为10 Hz–10 kHz。iEMG信号通过柔性电极阵列预留小孔插入目标肌肉，实现同一肌肉区域内的同步采集（图2）。所有电极贴附区域均经过标准皮肤处理，并使用医用胶带加固，保证信号稳定传输。
对HD-sEMG数据应用APFP算法进行全自动分解，并对iEMG数据采用人工辅助方法进行半自动分解。随后，二者通过比对识别出的MUs的发放时间，计算两者之间的匹配率（Matching Rate, MR）及相关统计指标。
关键实验结果
实验结果显示，APFP算法在自动分解HD-sEMG信号并识别MUs方面表现出色，其提取的发放时间与iEMG高度一致，体现出良好的时序精度与波形还原能力。首先，实验选取一秒钟的单通道肌电信号作为示例数据（图3），在每一轮“剥皮”（peel-off）中，从原始信号中识别新的MUs，并据此估算MUAP波形，重建信号后得到更为稀疏的残差成分。三轮迭代后，识别出的MU总数达到11个，重建信号已接近原始信号，残差信号中仅剩下工频噪声成分，说明APFP算法能够充分还原原始肌电信号的神经源结构。更重要的是，在连续三轮估计中，MUAP波形的稳定性极高，体现出算法的高度一致性和可靠性。
与此同时，研究还将HD-sEMG的自动分解结果与iEMG的人工辅助半自动分解结果进行了对比，图4呈现了一个典型iEMG分解案例。在该示例中，通过阈值设定和残差信号提取，逐步分离出两组MUs。在进一步对残差信号中的波形进行聚类分析后，成功识别出两组具有明确中心的神经放电成分，而较为分散的一类被判断为噪声。通过这种方式，iEMG信号中的神经元放电模式得以较为完整地呈现，成为验证HD-sEMG分解有效性的“金标准”基础。
数据层面，本研究共采集了153组HD-sEMG与iEMG同步记录，其中114组数据中成功识别出了共同MUs，占比达74.5%。在这114组数据中，HD-sEMG每段平均识别出7.6±2.7个运动单位，而IEMG则平均识别出1.9±1.0个运动单位，共计获得168对被共同识别的MUs。进一步分析显示，HD-sEMG所提取MUs的平均匹配率高达96.81% ± 3.65%，虚警率为3.80%±5.02%，漏检率仅为2.42% ± 3.83%。这意味着，在绝大多数情况下，HD-sEMG所识别的放电时序与iEMG几乎完全一致，识别结果具备高度时域准确性。值得注意的是，超过一半的MUs匹配率达到98%以上，极少数匹配率低于80%的对数均来自放电稀疏、信息不足的情况。
进一步结果可视化显示，图5呈现了114组实验中所有随机匹配对的匹配率分布频谱图。匹配率呈明显双峰分布，其中一组集中在0–20%之间（属于随机对，无共同发放节律），而另一组集中在80–100%之间，代表具有高度重合性的神经源对。这一结果不仅证明了APFP算法的可靠性，也验证了以80%作为匹配率阈值来筛选共识MUs的合理性和科学性。
图6通过一个清晰的对照示例进一步证实这一结论。在该试验中，HD-sEMG与iEMG分别识别出3个运动单位，其放电脉冲序列之间的时序对齐几乎无误。通过蓝色和红色脉冲列的比对可以看出，两个系统的发放信息在时间维度上高度一致，唯有极少数点存在微小错配，进一步巩固了该算法在实际信号处理中可替代针电极技术的潜力。
总结与展望：解锁神经控制的新“语言”，让肌电自动化分解更精准
本研究通过双源验证系统，首次系统评估了APFP算法在自动化表面肌电分解中的性能，验证了其在识别运动单位放电模式方面的高精度与鲁棒性。与传统针电极相比，HD-sEMG+APFP不仅实现了无创条件下的高质量信号分解，还显著提高了MU提取的效率与覆盖范围。其核心优势在于：无需人工干预、可处理复杂重叠信号、兼容大范围肌群,极大拓展了肌电技术的应用边界。随着可穿戴设备、云计算和神经建模技术的快速发展，这一类基于算法驱动的肌电分解工具，未来不仅将广泛应用于神经康复评估、远程医疗监控等场景，更有望在人机接口、虚拟现实控制、智能假肢等领域发挥关键作用。可以预见，自动化肌电解码将逐步成为解读人体神经控制语言的“翻译器”，助力我们在医学、工程与交互技术之间，建立起更加自然、高效、智能的桥梁。肌电信号将不再只是科研的“数据”，而将转化为人类行动意图的实时反馈，成为数字神经系统中的关键输入通道。
原文链接
Chen, M., Zhang, X., Lu, Z., Li, X., & Zhou, P. (2018). Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International journal of neural systems, 28(09), 1850019.
https://www.worldscientific.com/doi/epdf/10.1142/S0129065718500193
研究团队介绍
本文研究团队由来自中国科学技术大学、广东省工伤康复中心、美国得克萨斯大学健康科学中心及TIRR纪念赫尔曼医院的研究人员组成，成员包括Maoqi Chen、Xu Zhang、Zhiyuan Lu、Xiaoyan Li、Ping Zhou等，主要从事高密度表面肌电图分解方法及验证相关研究。
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
背景介绍
随着人机交互、康复工程与神经科学的融合发展，如何精准解读肌肉发出的“电语言”已成为智能医疗的重要方向。尤其是在临床康复、假肢控制、运动功能评估等领域，运动单位（MU，Motor Unit）的放电模式正被视为洞察肌肉健康与功能状态的关键指标。然而，想要从复杂多变的表面肌电信号（sEMG）中，准确还原这些深层的生理活动，就像在交响乐中精准识别每一件乐器的旋律一样困难。传统的针电极肌电（iEMG）虽然信噪比更高，在分解精度上具有优势，但因其侵入性强、适用范围小，难以满足日常评估与大规模监测的需求。而高密度表面肌电（HD-sEMG）凭借无创、多通道采集的优势，逐渐成为探索肌肉电生理活动的新兴技术手段。然而，其庞大的数据量与高度重叠的信号结构，也对分解算法提出了更高的要求。在这种背景下，发展自动化、鲁棒性强的sEMG分解技术，不仅是肌电研究的技术难点，更是推动肌电技术走向临床、家庭与可穿戴设备的关键一步。
图 1. 论文信息
论文概要
来自康复大学的周平和陈茂启教授团队，针对表面肌电（sEMG）分解难题，提出并验证了一种自动化信号分解方法—-Progressive FastICA Peel-Off（APFP）。相关研究成果发表于《International Journal of Neural Systems》期刊，论文题为《Two-Source Validation of Progressive FastICA Peel-Off for Automatic Surface EMG Decomposition in Human First Dorsal Interosseous Muscle》。该研究通过HD-sEMG与iEMG同步采集技术，在实验中采集人手部第一背侧骨间肌（FDI）在低强度收缩状态下的双源肌电数据。然后分别使用APFP算法与人工辅助检查的PFP算法对两类信号进行肌电分解，并对共识运动单位的发放时间进行比对，量化APFP分解准确度。证实了所提APFP算法的虚假发现率和漏检率均控制在较低水平，进一步证明了APFP算法在分解HD-sEMG信号方面的高精度和稳定性。该研究首次以“双源验证”的方式，系统评估了APFP方法的可靠性，不仅为表面肌电分解提供了全自动、高鲁棒性的技术工具，也为今后在康复医学、人机交互、神经肌肉疾病监测等领域的应用推广奠定了重要基础。
研究方法
本研究共招募了5名神经系统健康的成年男性志愿者（平均年龄36±8岁），均无任何已知的神经或肌肉系统疾病。同时，研究还特别纳入了一位慢性脑卒中女性患者（65岁，卒中后恢复期已达5年），旨在评估APFP方法对HD-sEMG信号的自动分解性能。
在信号采集阶段，每位受试者均被安排以舒适坐姿，将实验侧手臂旋前并放置于可调高度的支撑台上，在指导下完成低强度的等长肌肉收缩任务。其中，4名健康受试者进行了双侧采集，另1名仅采集优势手；脑卒中患者则采集患侧肌肉信号，共计获得10块FDI肌肉的双通道记录数据。
图 2. HD-sEMG和iEMG对FDI肌肉的同步采集实验设置
实验共采集153组数据，经预处理与质量筛选，最终选取114组高质量信号用于后续分析。实验采用由TMSi公司（荷兰）研发的Refa 128通道放大器系统对HD-sEMG信号进行采集。所用电极阵列为柔性二维64通道（8×8）结构，单个电极直径为1.2 mm，中心间距为4 mm，具备良好的皮肤贴合性和空间分辨率。采样频率设定为2000 Hz，带通滤波范围设为10 Hz–500 Hz，确保信号完整性与抗干扰性能。同时，iEMG信号通过Natus UltraPro S100系统（美国 Natus Neurology Inc.）进行采集，使用传统同心针电极（直径0.58 mm，记录面积0.07 mm²），采样频率为44.1 kHz，带通滤波范围为10 Hz–10 kHz。iEMG信号通过柔性电极阵列预留小孔插入目标肌肉，实现同一肌肉区域内的同步采集（图2）。所有电极贴附区域均经过标准皮肤处理，并使用医用胶带加固，保证信号稳定传输。
对HD-sEMG数据应用APFP算法进行全自动分解，并对iEMG数据采用人工辅助方法进行半自动分解。随后，二者通过比对识别出的MUs的发放时间，计算两者之间的匹配率（Matching Rate, MR）及相关统计指标。
关键实验结果
实验结果显示，APFP算法在自动分解HD-sEMG信号并识别MUs方面表现出色，其提取的发放时间与iEMG高度一致，体现出良好的时序精度与波形还原能力。首先，实验选取一秒钟的单通道肌电信号作为示例数据（图3），在每一轮“剥皮”（peel-off）中，从原始信号中识别新的MUs，并据此估算MUAP波形，重建信号后得到更为稀疏的残差成分。三轮迭代后，识别出的MU总数达到11个，重建信号已接近原始信号，残差信号中仅剩下工频噪声成分，说明APFP算法能够充分还原原始肌电信号的神经源结构。更重要的是，在连续三轮估计中，MUAP波形的稳定性极高，体现出算法的高度一致性和可靠性。
图 3. 利用APFP对高密度表面肌电信号进行三步剥离分解的过程，逐步提取运动单元并更新其动作电位模板，最终实现信号重构和残差稀疏化，验证了分解结果的准确性和稳定性
与此同时，研究还将HD-sEMG的自动分解结果与iEMG的人工辅助半自动分解结果进行了对比，图4呈现了一个典型iEMG分解案例。在该示例中，通过阈值设定和残差信号提取，逐步分离出两组MUs。在进一步对残差信号中的波形进行聚类分析后，成功识别出两组具有明确中心的神经放电成分，而较为分散的一类被判断为噪声。通过这种方式，iEMG信号中的神经元放电模式得以较为完整地呈现，成为验证HD-sEMG分解有效性的“金标准”基础。
图4. 肌内肌电图（IEMG）分解过程示例。上图：完整的分解流程。左下：从第二次残差中提取的尖峰在特征空间上的谷值寻优聚类；均方根（RMS）和绝对标准差差值（DASDV）被用作聚类特征。右下：第二次残差中选定片段（1.2秒至1.6秒）的放大视图
数据层面，本研究共采集了153组HD-sEMG与iEMG同步记录，其中114组数据中成功识别出了共同MUs，占比达74.5%。在这114组数据中，HD-sEMG每段平均识别出7.6±2.7个运动单位，而IEMG则平均识别出1.9±1.0个运动单位，共计获得168对被共同识别的MUs。进一步分析显示，HD-sEMG所提取MUs的平均匹配率高达96.81% ± 3.65%，虚警率为3.80%±5.02%，漏检率仅为2.42% ± 3.83%。这意味着，在绝大多数情况下，HD-sEMG所识别的放电时序与iEMG几乎完全一致，识别结果具备高度时域准确性。值得注意的是，超过一半的MUs匹配率达到98%以上，极少数匹配率低于80%的对数均来自放电稀疏、信息不足的情况。
图 5. 随机匹配的sEMG和iEMG运动单位动作电位序列的匹配率分布，其中匹配成功的配对以红色柱状表示
进一步结果可视化显示，图5呈现了114组实验中所有随机匹配对的匹配率分布频谱图。匹配率呈明显双峰分布，其中一组集中在0–20%之间（属于随机对，无共同发放节律），而另一组集中在80–100%之间，代表具有高度重合性的神经源对。这一结果不仅证明了APFP算法的可靠性，也验证了以80%作为匹配率阈值来筛选共识MUs的合理性和科学性。
图6通过一个清晰的对照示例进一步证实这一结论。在该试验中，HD-sEMG与iEMG分别识别出3个运动单位，其放电脉冲序列之间的时序对齐几乎无误。通过蓝色和红色脉冲列的比对可以看出，两个系统的发放信息在时间维度上高度一致，唯有极少数点存在微小错配，进一步巩固了该算法在实际信号处理中可替代针电极技术的潜力。
图 6. sEMG和iEMG中识别出的运动单元发放时间对比。蓝色脉冲序列为APFP方法提取结果，红色为iEMG结果，黑点表示未匹配的发放时间。底部显示了对应运动单元的MUAP波形、重构的iEMG信号及残差信号
总结与展望：解锁神经控制的新“语言”，让肌电自动化分解更精准
本研究通过双源验证系统，首次系统评估了APFP算法在自动化表面肌电分解中的性能，验证了其在识别运动单位放电模式方面的高精度与鲁棒性。与传统针电极相比，HD-sEMG+APFP不仅实现了无创条件下的高质量信号分解，还显著提高了MU提取的效率与覆盖范围。其核心优势在于：无需人工干预、可处理复杂重叠信号、兼容大范围肌群,极大拓展了肌电技术的应用边界。随着可穿戴设备、云计算和神经建模技术的快速发展，这一类基于算法驱动的肌电分解工具，未来不仅将广泛应用于神经康复评估、远程医疗监控等场景，更有望在人机接口、虚拟现实控制、智能假肢等领域发挥关键作用。可以预见，自动化肌电解码将逐步成为解读人体神经控制语言的“翻译器”，助力我们在医学、工程与交互技术之间，建立起更加自然、高效、智能的桥梁。肌电信号将不再只是科研的“数据”，而将转化为人类行动意图的实时反馈，成为数字神经系统中的关键输入通道。
原文链接
Chen, M., Zhang, X., Lu, Z., Li, X., & Zhou, P. (2018). Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International journal of neural systems, 28(09), 1850019.
https://www.worldscientific.com/doi/epdf/10.1142/S0129065718500193
研究团队介绍
本文研究团队由来自中国科学技术大学、广东省工伤康复中心、美国得克萨斯大学健康科学中心及TIRR纪念赫尔曼医院的研究人员组成，成员包括Maoqi Chen、Xu Zhang、Zhiyuan Lu、Xiaoyan Li、Ping Zhou等，主要从事高密度表面肌电图分解方法及验证相关研究。
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 >