肌肉协同分析中NMF方法的应用与影响因素
2026-08-27 来源:本站 点击次数:112关键词：肌肉协同；非负矩阵分解；肌电信号
摘要：两个人完成相同动作，即使关节轨迹和外部成绩接近，多块肌肉的激活组合也可能不同。非负矩阵分解（NMF）可把多肌肉表面肌电数据压缩为若干“肌肉权重”和对应的“时间激活系数”，为比较动作策略提供低维描述。但协同数量和模块形态会受记录肌肉、预处理、归一化及模型设置影响，不能直接等同于中枢神经系统中固定存在的控制单元。本文从肌电矩阵出发，说明NMF结果怎样获得、怎样比较，以及哪些结论需要保持克制。
一、同一个动作，为什么肌电图谱仍会不同？
深蹲、步行、划船或投掷看似都有明确的动作目标，但人体并不存在唯一的肌肉激活答案。个体的肢段比例、力量水平、关节活动度、技术习惯和疲劳状态不同，都可能改变肌肉之间的分工。即使同为高水平运动者，在完成相同复杂技能时也可能形成部分个体化的协同模式[1]。
单独查看每块肌肉的峰值或起点，容易得到一组彼此分散的指标。肌肉协同分析则把问题改写为：多块肌肉是否以某些相对稳定的组合共同变化？这些组合在动作周期的什么阶段被招募？
常见做法是将整流、包络化后的肌电按“肌肉×时间”排列为矩阵X，再用NMF近似分解为X≈W×H：W的每一列表示一个协同中各肌肉的相对权重，H的每一行表示该协同随时间的激活系数，剩余部分为重构误差[2]。
例如，一次步态周期可能由“承重稳定”“推进”和“摆动控制”等低维模式共同重构。这里的名称是研究者结合任务阶段、关节运动和外力作出的功能解释，并不是算法自动识别出的解剖标签。
NMF要求结果非负，较符合肌电包络不存在正负抵消的形式。步行与跑步数据的算法比较显示，在该研究条件下，NMF比PCA、ICA和因子分析更好地匹配肌肉激活分布[3]；但这不意味着NMF在所有信号、噪声和任务条件下都必然最优。
研究者通常逐步增加协同数量，观察重构的方差解释率（VAF）或残差。当VAF超过预设阈值、局部肌肉重构达到要求，或继续增加模块带来的改善很小时，确定最终数量。
难点在于，阈值和判据并不统一。相同VAF可能来自不同模块组合，高VAF也只说明模型较好地重构了记录到的肌电，不能证明这些模块就是神经系统真实采用的控制单元。已有研究提出用赤池信息准则等信息量方法辅助选择模型阶数，正是为了减少仅凭主观阈值带来的差异[4]。
因此，“需要更少协同”不能直接翻译为控制更高效，“协同增多”也不必然代表功能改善。它还可能源于记录肌肉增加、噪声变化或预处理差异。
首先是肌肉集合。未记录到承担关键功能的肌肉，算法只能在现有通道中寻找组合；不同研究若肌肉数量和顺序不同，协同权重无法直接逐项比较。
其次是信号处理。滤波截止频率会改变包络平滑程度，归一化方式会改变各肌肉在矩阵中的相对尺度。步态研究已发现，低通滤波与方差缩放会影响协同复杂度及组间差异[5]。电极位置、串扰、动作伪迹和失效通道也会进入分解结果，而不会被NMF自动识别为“坏数据”。
再次是矩阵组织与求解设置。逐周期分解、拼接多个周期或先平均再分解，回答的并非完全相同的问题。NMF还可能收敛到局部解，因此应采用多次随机初始化，保留误差较小且稳定的解，并报告软件、参数、停止条件和重复次数。
五、跨人、跨任务比较，不能只看一张热图
比较前应统一肌肉集合、通道顺序、预处理、归一化和协同数量判据。由于NMF输出的模块顺序可以互换，还需用余弦相似度、相关系数或最小距离完成模块匹配，避免把“第一个模块”机械地与另一受试者的第一个模块相比。
完整比较至少包含三个层面：W是否相似，H的起点、峰值和持续时间是否改变，以及这些变化是否对应关节角度、外力、速度或任务成绩。对多次测量，还应检查模块在重复初始化、不同周期和不同测试日中的稳定性。模拟与实验研究表明，不同分解算法和噪声特性都会影响模块恢复效果[2,6]。
六、NMF模块能否代表神经控制单元？
肌肉协同为复杂肌电提供了有用的低维描述，但“可由少量模块重构”不等于已经证明中枢神经系统通过同样的固定模块发出指令。共同的生物力学约束、任务结构、肌电容积传导及算法假设，都可能产生相似模式。方法学研究也提醒，分析选择会改变对生理特征的区分结果[6]。
更稳妥的表述是：在给定任务、肌肉集合和分析流程下，NMF提取了可重复比较的统计协同。其神经生理意义需要结合实验操控、动力学、运动学及纵向证据进一步验证。
七、从肌电矩阵走向可解释的动作策略
可靠的协同分析始于可靠的多通道采集，而不是从算法开始。实验设计应先根据动作功能选择肌肉，完成通道质控和事件分期，再把协同结果与测力、IMU或动作分析数据置于同一时间轴。
左体右智NeuMus-sEMG无线表面肌电和NeuMus-HD-sEMG无线高密度表面肌电测试系统，可结合测力与动作分析工具构建多通道神经肌肉研究方案。具体通道配置、归一化任务和NMF流程仍应由研究问题决定，避免用单一“协同数量”替代对动作策略的完整解释。
参考文献
[1] Frère J, Hug F. Between-subject variability of muscle synergies during a complex motor skill. Frontiers in Computational Neuroscience. 2012;6:99.
[2] Tresch MC, Cheung VCK, d’Avella A. Matrix factorization algorithms for the identification of muscle synergies: evaluation on simulated and experimental data sets. Journal of Neurophysiology. 2006;95(4):2199–2212.
[3] Rabbi MF, Pizzolato C, Lloyd DG, et al. Non-negative matrix factorisation is the most appropriate method for extraction of muscle synergies in walking and running. Scientific Reports. 2020;10:8266.
[4] Ranaldi S, De Marchis C, Conforto S. An objective, information-based approach for selecting the number of muscle synergies to be extracted via non-negative matrix factorization. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2021;29:2676–2683.
[5] Shuman BR, Schwartz MH, Steele KM. Electromyography data processing impacts muscle synergies during gait for unimpaired children and children with cerebral palsy. Frontiers in Computational Neuroscience. 2017;11:50.
[6] Steele KM, Tresch MC, Perreault EJ. The number and choice of muscles impact the results of muscle synergy analyses. Frontiers in Computational Neuroscience. 2013;7:105.
相关文章
更多 >