神经肌肉电生理与肌氧信息同步分析：从理论到应用
2026-03-26 来源:本站 点击次数:111
一、肌电与肌氧：解码肌肉功能的双维度
在现代运动科学、康复医学及神经工程领域，对肌肉功能的评估正逐渐从单一指标向多维度综合观测转变。表面肌电图（sEMG）与近红外光谱技术（NIRS/肌氧）作为两个重要的生物标志物，分别从“神经驱动”和“代谢供能”两个角度，为我们提供了观察肌肉活动的不同视角。
1. 表面肌电（sEMG）：神经肌肉活动的电信号反映
表面肌电技术通过记录皮肤表面的生物电信号，反映中枢神经系统对肌肉的募集策略和激活状态。
2. 肌氧（Muscle Oxygen, SmO2）：肌肉组织氧合状态的监测
肌氧监测基于近红外光谱技术（NIRS），利用氧合血红蛋白和脱氧血红蛋白对特定波长光吸收率的差异，非侵入式地测量肌肉组织中的血氧饱和度变化。
同步分析的意义：肌肉疲劳是一个复杂的生理过程，涉及神经传导效率的变化以及局部血液循环和代谢产物的改变。单一模态观测可能存在局限性，而sEMG与NIRS的同步采集与联合分析，有助于从“神经 - 血管”耦合的角度更全面地解析肌肉功能，为评估提供更丰富的数据支持。
二、学术参考：多模态融合在下背部肌肉疲劳识别中的应用
学术界近期发表的研究论文《Lower Back Muscle Fatigue Recognition Based on the Fusion-Information of Multi-Channel sEMG and NIRS Simultaneous Recordings》，探讨了多模态同步分析在肌肉疲劳识别中的应用潜力。该研究针对下背部肌肉疲劳这一常见现象，提出了一种结合多通道肌电与肌氧信息的分析思路。
1. 研究背景
下背部肌肉疲劳与腰痛及职业损伤密切相关。传统的识别方法多依赖单一sEMG信号，可能受限于皮肤阻抗、信号串扰及深层肌肉信号捕捉难度等因素。此外，现有研究中对大肌群（如腰部）的高分辨率多模态同步观测相对较少。
2. 研究方法：多通道混合传感器阵列
研究团队设计了一套60通道混合sEMG-NIRS传感器阵列。
图1.该研究开发的60通道混合sEMG-NIRS阵列的整体结构图。该阵列能够同时采集60通道的sEMG和60通道的NIRS信号，且sEMG电极与相应的NIRS通道位置完全对齐。（图片来自原文）
3. 算法模型：深度学习网络的应用
为了处理多模态数据，研究提出了双流卷积混合注意力网络（DCHANet）。
图2. 基于sEMG-NIRS混合阵列识别腰背部肌肉疲劳的总体框架（图片来自原文）
图3. 该研究提出的疲劳识别模型DCHANet的具体架构（图片来自原文）
4. 研究结果
实验数据显示，融合模型在疲劳识别任务中表现出一定的优势：
三、我们的产品与服务：助力多模态科研与应用
基于相关理论与技术发展趋势，我们公司提供无线高密度表面肌电测试系统与近红外光肌氧监测系统，并致力于为用户提供多模态同步采集的解决方案，支持科研探索与临床应用。
1. 国产 Oct-HD 无线高密度表面肌电测试系统
作为国内自主研发的高密度肌电采集系统，Oct-HD突破了传统设备的通道限制，为大肌群及复杂动作分析提供了有效的技术支持。
2. Train.Red 近红外光肌氧监测系统
结语
肌肉活动蕴含着丰富的生理信息。我们的无线高密度表面肌电测试系统与近红外光肌氧监测系统，旨在为用户提供多样化的数据采集工具。通过多模态同步分析技术，我们希望能协助科研人员和应用工作者更深入地探索人体运动机制，推动相关领域的发展。
欢迎联系我们，了解更多产品详情与解决方案。
参考文献：Huang J, Tian L, Cui H, Sun P, Liang Y, Fang P, Li G, Jiang N. Lower Back Muscle Fatigue Recognition Based on the Fusion-Information of Multi-Channel sEMG and NIRS Simultaneous Recordings. IEEE Trans Neural Syst Rehabil Eng. 2026;34:1506-1517. doi: 10.1109/TNSRE.2026.3672775. PMID: 41811718.
在现代运动科学、康复医学及神经工程领域，对肌肉功能的评估正逐渐从单一指标向多维度综合观测转变。表面肌电图（sEMG）与近红外光谱技术（NIRS/肌氧）作为两个重要的生物标志物，分别从“神经驱动”和“代谢供能”两个角度，为我们提供了观察肌肉活动的不同视角。
1. 表面肌电（sEMG）：神经肌肉活动的电信号反映
表面肌电技术通过记录皮肤表面的生物电信号，反映中枢神经系统对肌肉的募集策略和激活状态。
- 主要功能：监测肌肉激活时序、相对激活程度、疲劳趋势以及运动单元的放电特征。
- 技术发展：传统单通道或低密度肌电主要获取局部平均信号，而高密度表面肌电（HD-sEMG）利用二维矩阵电极阵列，能够呈现肌肉活动的空间分布特征。这有助于研究者更细致地观察激活区域、估算神经传导速度以及分析运动单元特性，提升了空间分辨率和信息丰富度。
2. 肌氧（Muscle Oxygen, SmO2）：肌肉组织氧合状态的监测
肌氧监测基于近红外光谱技术（NIRS），利用氧合血红蛋白和脱氧血红蛋白对特定波长光吸收率的差异，非侵入式地测量肌肉组织中的血氧饱和度变化。
- 主要功能：反映肌肉微循环中的氧供需平衡情况，辅助评估局部氧化代谢能力。关键指标包括肌氧饱和度（SmO2）、氧合血红蛋白（O2Hb）和脱氧血红蛋白（HHb）。
- 应用价值：肌氧数据有助于展示运动过程中的代谢变化趋势，辅助界定训练强度区间，监测疲劳恢复过程，并在康复中为血管功能和组织灌注情况的评估提供参考。
同步分析的意义：肌肉疲劳是一个复杂的生理过程，涉及神经传导效率的变化以及局部血液循环和代谢产物的改变。单一模态观测可能存在局限性，而sEMG与NIRS的同步采集与联合分析，有助于从“神经 - 血管”耦合的角度更全面地解析肌肉功能，为评估提供更丰富的数据支持。
二、学术参考：多模态融合在下背部肌肉疲劳识别中的应用
学术界近期发表的研究论文《Lower Back Muscle Fatigue Recognition Based on the Fusion-Information of Multi-Channel sEMG and NIRS Simultaneous Recordings》，探讨了多模态同步分析在肌肉疲劳识别中的应用潜力。该研究针对下背部肌肉疲劳这一常见现象，提出了一种结合多通道肌电与肌氧信息的分析思路。
1. 研究背景
下背部肌肉疲劳与腰痛及职业损伤密切相关。传统的识别方法多依赖单一sEMG信号，可能受限于皮肤阻抗、信号串扰及深层肌肉信号捕捉难度等因素。此外，现有研究中对大肌群（如腰部）的高分辨率多模态同步观测相对较少。
2. 研究方法：多通道混合传感器阵列
研究团队设计了一套60通道混合sEMG-NIRS传感器阵列。
- 布局设计：阵列采用交错布局，每个单元包含多个sEMG电极和NIRS探头，旨在实现同一区域神经电信号与血流动力学信号的同步采集。
- 数据采集：sEMG采样率设置为2050Hz，NIRS采样率为11Hz，检测范围覆盖皮下至深层肌群，尝试克服传统方法在深层肌肉信号获取上的局限。
图1.该研究开发的60通道混合sEMG-NIRS阵列的整体结构图。该阵列能够同时采集60通道的sEMG和60通道的NIRS信号，且sEMG电极与相应的NIRS通道位置完全对齐。（图片来自原文）
3. 算法模型：深度学习网络的应用
为了处理多模态数据，研究提出了双流卷积混合注意力网络（DCHANet）。
- 特征提取：分别针对sEMG和NIRS的信号特性，设计了独立的特征提取流，生成肌电特征图（如MDF/RMS）和肌氧特征图（如HbO/HbR）。
- 信息融合：引入注意力机制，尝试融合两种模态的特征，以捕捉神经与血管活动之间的关联信息。
图2. 基于sEMG-NIRS混合阵列识别腰背部肌肉疲劳的总体框架（图片来自原文）
图3. 该研究提出的疲劳识别模型DCHANet的具体架构（图片来自原文）
4. 研究结果
实验数据显示，融合模型在疲劳识别任务中表现出一定的优势：
- 识别表现：在多级疲劳分类任务中，融合模型的准确率数值较高（如在该研究的特定实验条件下，跨受试者三级分类准确率约为96.80%）。
- 模态互补性：结果显示，融合模型的识别效果优于部分单一模态测试。研究指出，NIRS在反映深层肌群代谢变化方面具有特点，而sEMG在捕捉快速神经驱动变化上表现敏感，两者结合有助于提升信息的完整性。
- 参考价值：该研究框架为腰痛的早期观察、康复效果评估及人机工效分析提供了新的技术思路和数据支持。
图4. 在单独受试者实验中不同模态的疲劳识别性能（图片来自原文）
三、我们的产品与服务：助力多模态科研与应用
基于相关理论与技术发展趋势，我们公司提供无线高密度表面肌电测试系统与近红外光肌氧监测系统，并致力于为用户提供多模态同步采集的解决方案，支持科研探索与临床应用。
1. 国产 Oct-HD 无线高密度表面肌电测试系统
作为国内自主研发的高密度肌电采集系统，Oct-HD突破了传统设备的通道限制，为大肌群及复杂动作分析提供了有效的技术支持。
- 超大规模同步采集：单模块支持64通道高清采集，基于专利同步技术，系统最高可扩展至512通道同步工作。这一规模使得全肢体甚至躯干肌群的精细化同步监测成为可能，满足了对大面积肌肉群（如背部、腿部）进行高分辨率空间分析的需求。
- 多维数据融合：内置九轴运动姿态传感器（加速度/陀螺仪/磁力计），实现“肌电 + 运动学”同步分析，有助于更细致地解析动作模式。。
- 智能分析生态：配套软件提供神经元分解、肌电地形图、肌纤维传导速率等高级分析功能。支持一键生成论文级图表，无需编程即可输出实验报告，助力多学科研究。
- 无线自由体验：采用蓝牙5.0传输，摆脱线缆束缚，支持动态运动场景下的真实数据采集。内置全通道阻抗检测，可实时评估电极接触质量。
- 开放兼容：提供API接口，支持与脑电（EEG）、近红外脑成像（fNIRS）、动作捕捉系统等设备联用，构建多维数据模型。
2. Train.Red 近红外光肌氧监测系统
- 组织氧合监测：基于近红外技术，旨在监测肌肉组织的血氧饱和度变化，检测深度可覆盖部分深层肌群。
- 代谢参数分析：系统提供多项代谢参数算法，辅助计算肌氧变化速率、恢复水平等指标，为训练分区和疲劳监测提供参考数据。
- 多场景适用：配备滤波算法，尝试适应从静态康复到动态运动等多种场景，减少运动伪迹对信号的影响。
- 合规认证：产品符合相关质量管理体系要求，数据可用于科研及康复辅助参考。
结语
肌肉活动蕴含着丰富的生理信息。我们的无线高密度表面肌电测试系统与近红外光肌氧监测系统，旨在为用户提供多样化的数据采集工具。通过多模态同步分析技术，我们希望能协助科研人员和应用工作者更深入地探索人体运动机制，推动相关领域的发展。
欢迎联系我们，了解更多产品详情与解决方案。
参考文献：Huang J, Tian L, Cui H, Sun P, Liang Y, Fang P, Li G, Jiang N. Lower Back Muscle Fatigue Recognition Based on the Fusion-Information of Multi-Channel sEMG and NIRS Simultaneous Recordings. IEEE Trans Neural Syst Rehabil Eng. 2026;34:1506-1517. doi: 10.1109/TNSRE.2026.3672775. PMID: 41811718.
相关文章
更多 >