表面肌电信号分解是一种通过分析肌肉收缩产生的电信号来无创识别运动神经元活动的重要技术，在神经康复、假肢控制及神经肌肉疾病诊断等领域具有广泛应用前景。

传统方法多基于盲源分离，如快速独立成分分析（fastICA）和卷积核补偿（CKC），虽在一定程度上能有效分离运动单元发放序列及其动作电位，但其计算复杂、对噪声和信号串扰敏感，且在多次分解中难以稳定跟踪同一运动单元，限制了其在实际临床与实时系统中的应用。

此外，BSS方法在信号复杂度高或多自由度运动时性能下降明显。

因此，本研究提出一种基于运动单元动作电位的新型分解方法，旨在提升分解准确性、鲁棒性和计算效率，为实现可靠的运动单元跟踪与实时处理提供新途径。

01论文摘要

本研究提出了一种基于运动单元动作电位（MUAP）的表面肌电信号分解方法，在卷积核补偿算法框架下，通过从MUAP重建MU滤波器，实现对EMG信号的高效分解。

该方法在模拟和实验数据集中均表现出优越性能：在噪声环境下（如SNR=20 dB）可识别更多运动单元（如模拟数据中达16.17±1.68个），且准确率（RoA）显著高于传统CKC方法；在计算效率方面，直接使用MU滤波器（MUAP-direct）处理12秒信号仅需约1秒，远低于迭代方法的耗时。

实验部分涵盖多自由度手腕运动与不同收缩水平的抓握任务，结果显示该方法在复杂运动条件下仍能稳定跟踪运动单元，显著提升了分解的可靠性与实用性。该方法为神经解码、康复评估及实时肌电解码系统提供了新的技术支撑。
 

02研究方法

本研究在CKC算法基础上构建MUAP-based分解流程。首先对EMG信号进行预处理（带通滤波20–500 Hz、扩展延迟），随后通过CKC初步分解获取运动单元发放序列（MUST），再采用峰值触发平均法（STA）提取多通道MUAP。从MUAP中提取K个样本（本研究测试K=10–60），通过四种方法重建MU滤波器：Centered Spike、Maximum PPV、Maximum Product和Centered Peak（图3）。
 
结果显示Centered Peak方法在识别数量与RoA上最优。

在协方差矩阵选择中，Current Cxx和Global Cxx性能显著优于Raw Cxx（图4B）。MUAP提取方法中STA略优于最小二乘法。

 
实验数据采集采用OT Bioelettronica（Italy）的高密度电极阵列：第一实验使用3个8×8网格（ELSCH064NM3，电极间距10 mm），第二实验使用4个5×13网格（ELSCH064NM4，间距4 mm），信号经EMG-USB2+放大器采样（2048 Hz），并经过带通滤波与工频滤波处理。受试者执行等长收缩运动，包括手腕四方向运动及其组合，以及不同力量水平（10%–90% MVC）的抓握任务。所有实验均符合伦理审查（上海交通大学，批号B2020026）。

03实验结果
 
在模拟数据中，MUAP-refine方法在无噪声及SNR=20 dB条件下识别MU数量最多、RoA最高。
 

 
随着参与运动的MU组数增加，所有方法性能均下降，但MUAP-direct方法在六组MU激活时仍能识别半数以上单元（SNR=20 dB）。在噪声达到0 dB时，MUAP提取与滤波器重建失败率升高。
 

 
扩展因子K=40时分解性能最佳。
 

 
时间成本方面，MUAP-direct仅需约1秒，而gCKC在K=60时需484.77±41.67秒。

在实验数据中，MUAP-based方法在手腕多自由度运动中识别MU数量（96±49）显著高于传统方法（15±7）。
 

 
在不同收缩水平实验中，该方法识别MU数达145±93，也远高于gCKC的51±26。运动单元发放率与扭矩信号的相关性分析进一步验证了解码的生理合理性。

总结与展望
 
本研究提出的基于MUAP的EMG分解方法在准确性、鲁棒性和计算效率方面均优于传统BSS方法，尤其在复杂运动与噪声环境下表现突出。该方法通过MUAP直接重建滤波器，避免迭代计算，显著提升实时处理能力，适用于临床诊断、神经康复和实时假肢控制。然而，该方法仍依赖于MUAP的独特性，若MUAP形态相似（如再神经支配肌肉），则可能影响识别精度。

未来工作需进一步优化MUAP提取与滤波器重建方法，结合更多样化的数据集与侵入式验证（如同步记录肌内EMG），以提升方法的普适性与可靠性。此外，将该思路扩展至其他分解算法（如fastICA）中，也是值得探索的方向。

原文链接：

https://doi.org/10.1186/s12984-025-01595-y

研究团队介绍：

本研究由上海交通大学机械工程学院振动、冲击与噪声研究所的科研团队完成。团队负责人Chen Chen博士与Dongxuan Li博士共同主导了研究设计、数据采集与算法开发；Miaojuan Xia博士参与了抓握实验的数据采集与分析工作。该团队长期致力于神经工程与康复工程领域，在高密度表面肌电信号处理、运动单元解码及人机交互方面具有扎实的研究基础。本研究依托国家自然科学基金支持，体现了团队在算法创新与实验验证方面的协同攻关能力，相关成果已发表于神经工程与康复领域权威期刊。

 
联系我们

电话: 15920901903
官网：https//www.ruihongan.cn