發(fā)布時間：2021-04-26所屬分類：醫(yī)學(xué)論文瀏覽：1次
摘 要： 摘要目的：基于表面肌電分解技術(shù)，分析伸膝動作中不同發(fā)力狀態(tài)下大腿肌肉運動單元的解碼準確性，并對比神經(jīng)特征和肌電特征在肌肉激活程度估計中的效果。方法：12名大學(xué)生分別以兩種發(fā)力速度和四種發(fā)力等級完成伸膝動作的等長收縮。實驗同步采集受試者股內(nèi)側(cè)
摘要目的：基于表面肌電分解技術(shù)，分析伸膝動作中不同發(fā)力狀態(tài)下大腿肌肉運動單元的解碼準確性，并對比神經(jīng)特征和肌電特征在肌肉激活程度估計中的效果。方法：12名大學(xué)生分別以兩種發(fā)力速度和四種發(fā)力等級完成伸膝動作的等長收縮。實驗同步采集受試者股內(nèi)側(cè)肌和股外側(cè)肌處的高密度表面肌電信號和伸膝動作收縮力。基于卷積核補償算法解碼肌電信號得到運動單元動作電位，提取神經(jīng)特征用于收縮力的互相關(guān)分析。結(jié)果：對于股內(nèi)側(cè)肌，2種任務(wù)及4種收縮力等級下平均解碼得到7±4個運動單元，股外側(cè)肌平均解碼得到9±5個運動單元。他們的平均脈沖信噪比(pulse-to-noiseratio,PNR)為30.1dB，對應(yīng)解碼準確率大于90%。股內(nèi)側(cè)肌的兩種神經(jīng)特征與力之間的平均相關(guān)性分別為0.79±0.08和0.80±0.08，股外側(cè)肌的兩種神經(jīng)特征與力之間的平均相關(guān)性分別為0.85±0.05和0.85±0.06。結(jié)論：基于肌電分解技術(shù)可以準確識別不同發(fā)力狀態(tài)下大腿肌肉的運動單元放電活動，并且運動單元放電頻率與伸膝動作力高度相關(guān)，研究結(jié)果可用于運動康復(fù)、運動訓(xùn)練及人機接口等領(lǐng)域。
關(guān)鍵詞肌電分解，運動單元，卷積核補償，伸膝
運動單元(motorunit,MU)是人體運動系統(tǒng)中的肌肉收縮最基本的結(jié)構(gòu)和功能單位，包含運動神經(jīng)元(motorneuron)以及該神經(jīng)元所支配的所有肌纖維[1].運動神經(jīng)元負責(zé)將脊髓和大腦發(fā)出的信息傳到肌肉，其放電信息表征著中樞神經(jīng)系統(tǒng)傳輸?shù)郊∪獾尿?qū)動信息.運動神經(jīng)元的動作電位會傳輸?shù)剿涞募±w維，引起肌纖維收縮并產(chǎn)生力[2].運動單元動作電位(motorunitactionpotential，MUAP)是一個運動單元中所有肌纖維動作電位的疊加，經(jīng)肌肉、脂肪、皮膚等組織傳輸至皮膚表面后，可以用電極采集得到表面肌電信號(surfaceelectromyography，sEMG)[3].因此，表面肌電蘊含著人體運動的神經(jīng)驅(qū)動信息，從而被廣泛應(yīng)用于神經(jīng)機理探究、臨床醫(yī)學(xué)、康復(fù)訓(xùn)練以及人機接口中[4-6].
但是，由于容積導(dǎo)體[7]和幅值抵消[8]現(xiàn)象的存在，表面肌電信號并不能完全地反應(yīng)神經(jīng)驅(qū)動信息.從表面肌電信號中提取出的時域和頻域特征也只能一定程度上反應(yīng)神經(jīng)元放電活動.為了克服表面肌電的固有缺陷，肌電分解(electromyographydecomposition)技術(shù)逐漸發(fā)展起來.基于肌電分解技術(shù)可以識別出運動單元的動作電位脈沖串，提取運動單元動作電位波形，從而對神經(jīng)電生理活動進行分析[9,10].肌電分解技術(shù)的發(fā)展促進了對運動過程中神經(jīng)調(diào)節(jié)機制的理解，已經(jīng)在神經(jīng)機理探究和人機接口中得到初步應(yīng)用[11-13].
20世紀20年代，肌內(nèi)肌電(intramuscularelectromyography)開始用于解碼運動單元放電活動[14].通過植入電極插到肌肉內(nèi)，MUAP可以直接采集到，避免了容積導(dǎo)體和串擾影響[15].近年來，肌內(nèi)肌電分解算法不斷發(fā)展，已經(jīng)可以實現(xiàn)MUAP自動解碼[16,17].但是肌內(nèi)肌電自身的侵入性和高度選擇性，肌內(nèi)肌電采集范圍較小，且難以實現(xiàn)多通道的植入.隨著傳感器技術(shù)和數(shù)字信號處理技術(shù)的發(fā)展，表面肌電分解技術(shù)的提出為無創(chuàng)解碼神經(jīng)元放電信息提供了可能.基于盲源分離(blindsourceseparation)[9,18]或模板匹配(templatematching)[19,20]框架，各種解碼算法被相繼提出，并且在多肌肉不同收縮狀態(tài)下得到了驗證[21-24].相比于肌內(nèi)肌電，表面肌電具有無創(chuàng)、操作簡便、覆蓋范圍大等優(yōu)點，有望解碼出更多的運動單元.
近年來，表面肌電分解技術(shù)已被應(yīng)用到神經(jīng)調(diào)控機制研究中，如腦卒中、腦癱、帕金森、震顫等疾病的診斷與康復(fù)[25-28]，也應(yīng)用到運動訓(xùn)練、運動選材、運動監(jiān)控、運動傷病預(yù)防與康復(fù)等體育科研領(lǐng)域[29-31].另外，人機接口研究證明了基于肌電分解技術(shù)提取出的神經(jīng)特征相對于傳統(tǒng)肌電特征的優(yōu)越性[32].但是以往的研究多關(guān)注于單一發(fā)力狀態(tài)，對同一動作不同發(fā)力狀態(tài)(發(fā)力速度、發(fā)力大小)下運動單元的放電特性缺乏相關(guān)分析.能否在不同發(fā)力狀態(tài)下解碼出有效的運動單元，并且追蹤運動單元的放電特性變化尚不明確.
因此，本研究內(nèi)容包括：1)分析伸膝動作中不同發(fā)力狀態(tài)下大腿肌肉運動單元的解碼準確性;2)評估不同發(fā)力狀態(tài)下運動單元的可追蹤性;3)對比神經(jīng)特征和肌電特征在肌[28]肉激活程度估計中的效果.
1對象與方法
1.1研究對象
選取12名大學(xué)生為研究對象.所有研究對象在實驗前均無任何下肢手術(shù)史，無神經(jīng)性或肌肉性疾病，在實驗前三個月無任何影響完成伸膝動作的損傷.在實驗正式開始前，所有研究對象已經(jīng)充分熟悉實驗流程、動作要求等，并且均已簽署了實驗同意書.本實驗符合赫爾辛基宣言.研究對象基本情況見表1.
1.2實驗方法
研究對象需要做出等長收縮的伸膝動作，動作過程中小腿和大腿之間的角度為120°.在實驗之前，需要測量每個研究對象伸膝最大收縮力(maximumvoluntarycontraction，MVC).研究對象緩慢增加收縮力至最大值并保持5s，這一過程重復(fù)3次，最終計算保持階段收縮力的平均值作為MVC.
在實驗中，研究對象前方設(shè)置一塊屏幕提供實時力反饋，研究對象需要控制收縮力沿梯形曲線變化.每個研究對象需要完成2組任務(wù).在任務(wù)1(task1)中，梯形曲線長度為30s，包含10s的上升階段，10s的平穩(wěn)階段和10s的下降階段.梯形曲線的最大力(即平穩(wěn)階段的收縮力等級)分為10%、30%、50%和70%MVC共4種.在任務(wù)2(task2)中，梯形曲線長度為14s，包含2s的上升階段，10s的平穩(wěn)階段和2s的下降階段.梯形曲線的最大力和任務(wù)1相同.每個研究對象需要完成8次伸膝動作(2種曲線×4種等級)，動作順序?qū)τ诿總�研究對象完全隨機，每次動作之間休息1~2分鐘以防止肌肉疲勞.
1.3數(shù)據(jù)采集
多通道肌電信號放大器(Quattrocento,OTBioelettronica,Italy)用于采集研究對象的高密度表面肌電信號.兩片64通道電極陣列(5×13排布，電極直徑3mm,間距8mm,OTBioelettronica,Italy)分別貼附在股內(nèi)側(cè)肌(medialvastusmuscle,Grid1)和股外側(cè)肌(lateralisvastusmuscle,Grid2)上方，每一行電極沿肌肉纖維方向，如圖1.實驗所用的電極為濕電極，使用前需先涂抹導(dǎo)電膏.在電極貼放前先進行備皮工作，具體步驟如下：先將磨砂膏均勻涂抹在肌肉上方，輕輕打磨至皮膚呈微紅色;然后用75%濃度的醫(yī)用酒精棉擦拭皮膚干凈，待酒精揮發(fā)后利用雙面膠海綿墊將電極貼附在相應(yīng)肌肉的肌腹位置.電極放置完成后用彈性綁帶將其固定以避免脫落.肌電信號采樣頻率為2048Hz，放大器增益為500，硬件帶通濾波范圍3~900Hz.伸膝動作的收縮力采用力采集設(shè)備(Trigno,DELSYS,USA)進行采集，采樣頻率1000Hz
1.4數(shù)據(jù)處理
本項研究中所有數(shù)據(jù)均采用離線方式進行分析.肌電信號在解碼之前，首先進行預(yù)處理，具體步驟如下：1)采用4階巴特沃斯濾波器對肌電信號進行20Hz~500Hz的帶通濾波;2)采用梳狀濾波器進行50Hz阻斷濾波以消除工頻干擾;3)在前兩個步驟之后，人工判斷信號異常的通道并去除.對于力信號，首先升采樣至2048Hz，然后采用4階巴特沃斯濾波器進行10Hz的低通濾波.
1.4.1肌電分解
基于卷積核補償(convolutionkernelcompensation,CKC)算法進行肌電分解得到運動單元放電脈沖串(motorunitspiketrain,MUST).分解算法詳細介紹可以參照[9,10]，這里給出簡要介紹
1.4.2特征提取
CST特征：對每次動作的肌電信號進行解碼得到MUST，然后將這些MUST合并形成累積脈沖串(cumulativespiketrain,CST)，然后采用400ms的漢寧窗對CST進行平滑濾波，得到CST特征[37].
PCA特征：同樣基于400ms的漢寧窗，對每次動作解碼得到的所有MUST分別進行平滑濾波，然后進行主成分分析(principalcomponentanalysis,PCA)，提取第一主成分(firstprincipalcomponent)作為PCA特征[41].
1.4.3相關(guān)性分析
在進行特征與力相關(guān)性分析之前，首先進行肌電信號和力的對齊，具體步驟如下：1)對每一通道的肌電信號進行2Hz的低通濾波(4階巴特沃斯濾波器);2)對所有通道的低通濾波信號做平均;3)基于互相關(guān)分析(標準化法)計算肌電信號和力之間的時移，并將肌電信號或力信號平移到相關(guān)性最大的時刻.在對齊肌電信號的力信號之后，提取3種特征并與力信號進行互相關(guān)分析，計算其最大相關(guān)性，如圖2.
2結(jié)果
表2和表3展示了股內(nèi)側(cè)肌和股外側(cè)肌的解碼結(jié)果.對于股內(nèi)側(cè)肌，2種任務(wù)及4種收縮力等級下平均解碼得到7±4個運動單元，股外側(cè)肌平均解碼得到9±5個運動單元.他們的平均PNR為30.1dB，對應(yīng)解碼準確率大于90%.每個運動單元在初始募集和去募集時的放電頻率類似，并且都低于收縮力穩(wěn)定期的放電頻率.對于任務(wù)1，在10%收縮力等級下，運動單元在募集期(recruitment)、平穩(wěn)期和去募集期(de-recruitment)的平均放電頻率分別為13.1±11.0Hz、26.3±17.2Hz以及12.4±12.0Hz，顯著高于其它三個收縮等級時的放電頻率(9.8±7.5Hz、21.4±14.0Hz以及9.5±8.8Hz).在任務(wù)2種同樣有這一現(xiàn)象.在所有動作中，運動單元的平均募集閾值隨著動作收縮力等級的提高而上升.在大多數(shù)動作中，募集閾值和去募集閾值無顯著差異，少數(shù)情況下募集閾值會略低于去募集閾值(P<0.05).
相關(guān)期刊推薦：《生物化學(xué)與生物物理進展》雜志是國內(nèi)外公開發(fā)行的全國性學(xué)術(shù)期刊，由中國科學(xué)院生物物理研究所和中國生物物理學(xué)會共同主辦。主要報道生物化學(xué)、分子生物學(xué)、生物物理學(xué)及神經(jīng)科學(xué)等領(lǐng)域的國內(nèi)外最新進展。設(shè)有微型述評、綜述與專論、研究報告、技術(shù)與方法、研究快報等十幾個欄目。
在MUAP匹配結(jié)果中，相鄰收縮等級(差異20%MVC)的任務(wù)匹配得到的運動單元較多，收縮等級差異在40%MVC及以上時匹配數(shù)量較少.在高收縮等級下(50%和70%MVC)，兩種任務(wù)之間匹配數(shù)量較多，在低等級時(10%和30%MVC)則匹配數(shù)量較少.MUAP匹配結(jié)果如圖3所示.
圖4展示了三種特征和伸膝力的代表性變化曲線，圖5展示了互相分析結(jié)果.股內(nèi)側(cè)肌的CST、PCA和RMS共三種特征與力之間的平均相關(guān)性分別為0.79±0.08、0.80±0.08和0.88±0.10，股外側(cè)肌的CST、PCA和RMS共三種特征與力之間的平均相關(guān)性分別為0.85±0.05、0.85±0.06和0.90±0.08.無論是在股內(nèi)側(cè)肌或股外側(cè)肌，RMS與力之間的相關(guān)性均顯著高于其它兩種特征(P<0.05).
圖6展示了運動單元解碼個數(shù)、PNR對PCA特征與伸膝力相關(guān)性的影響.相關(guān)性與運動單元的數(shù)量呈單調(diào)遞增趨勢，PNR則對相關(guān)性無明顯影響.根據(jù)擬合曲線，當運動單元數(shù)量大于5時，相關(guān)系數(shù)即大于0.8.根據(jù)實驗數(shù)據(jù)，當運動單元數(shù)量大于10時，所有相關(guān)系數(shù)均大于0.8.
3討論
3.1不同發(fā)力狀態(tài)下的運動單元解碼
以往的研究證明了PNR指標與解碼準確性之間的高度相關(guān)性.在本項研究中，同樣應(yīng)用了PNR來間接估計解碼得到的MUST準確性.在兩種發(fā)力速度和四種發(fā)力等級下，MUST的平均PNR均為30dB左右，對應(yīng)MUST的準確率大于90%[34].這一結(jié)果證明了在多種發(fā)力狀態(tài)下解碼運動單元電生理活動的可行性.對于研究中所采用的CKC解碼算法，可解碼出的運動單元數(shù)量不僅與實際激活數(shù)量有關(guān)，還與預(yù)輸入的一些解碼參數(shù)有關(guān)，例如循環(huán)次數(shù)、迭代次數(shù)等.在解碼過程中由于對每次解碼的輸入?yún)?shù)均相同，不同動作所解碼出來的有效MUST數(shù)量并無明顯差異.在一些情況下，股外側(cè)肌所解碼得到的運動單元數(shù)量要多于股內(nèi)側(cè)肌解碼的數(shù)量.這有可能是由于股外側(cè)肌是伸膝動作的主要發(fā)力肌肉從而需要更多運動單元參與引起的.
一般情況下肌肉中運動單元的募集遵循“大小原則”，即肌纖維數(shù)量少、收縮力較小的運動單元先被募集，纖維數(shù)量多、收縮力較大的運動單元后被募集[1].運動單元在被募集的初始階段，其放電頻率較低，后來會隨著激活程度的增加(肌肉收縮力的增加)而提高，直至達到最大值，此時放電頻率保持穩(wěn)定，不會再隨著激活程度的增加而提高.一般來說，高閾值的運動單元其穩(wěn)定放電頻率要低于低閾值的運動單元.在10%MVC的伸膝動作中，所募集到的運動單元其放電頻率顯著高于其它三個等級.這一現(xiàn)象有可能是由于在低等級情況下，所募集的運動單元其激活閾值就比較小，穩(wěn)定放電頻率較高.隨著收縮力等級的增加，高閾值、低穩(wěn)定頻率的運動單元逐漸被募集，從而降低了平均頻率.任務(wù)1與任務(wù)2相比，任務(wù)2種放電頻率顯著高于任務(wù)1.這是由于，在等長收縮(isometriccontraction)中，快速發(fā)力會降低運動單元的募集閾值[2]，并且伴隨放電頻率的增加，因此在快速收縮過程中，更多高閾值運動單元被募集.
這同樣也解釋了為什么任務(wù)1中高收縮等級動作與任務(wù)2種的MUAP匹配數(shù)量較多，而任務(wù)1中低收縮等級動作和高收縮等級動作之間匹配數(shù)量較少.本項研究采用了MUAP波形匹配來追蹤不同動作之間的運動單元.這種方式已經(jīng)被證明可以用于追蹤運動單元[29,39]，并且在長期訓(xùn)練過程中可以用于評估運動單元的變化，從而指導(dǎo)訓(xùn)練過程，給出訓(xùn)練結(jié)果評價.
3.2基于運動單元特征的肌肉激活狀態(tài)估計
運動單元的電生理活動直接反映了脊髓中運動神經(jīng)元的放電信息，其蘊含著中樞神經(jīng)系統(tǒng)傳輸?shù)郊∪獾纳窠?jīng)驅(qū)動信號[35].因此，運動單元的電生理活動應(yīng)該與肌肉收縮力呈高度相關(guān)性.以往的研究表明，CST特征可以有效地反應(yīng)神經(jīng)傳導(dǎo)過程中的共同驅(qū)動，并用于肌肉激活程度估計[37].另外，基于PCA同樣可以提取出多個運動單元電生理活動的主要成分，從而實現(xiàn)一維的肌肉力估計[38].在本項研究中，共提取了三種特征，其中兩種是基于肌電分解結(jié)果，一種是時域特征RMS.從股外側(cè)肌采集到的肌電信號提取出三種特征，與收縮力之間的相關(guān)性均顯著高于從股內(nèi)側(cè)肌提取的特征.這是由于，在伸膝(膝關(guān)節(jié)≥120°)動作中，股外側(cè)肌起主要作用，而股內(nèi)側(cè)肌更多的是保持動作.
從理論上講，相對于RMS特征，從運動單元放電活動中提取的CST和PCA特征與收縮力之間的相關(guān)性應(yīng)該更高，以往的研究也證明了這一點.但值得注意的是，CST和PCA特征對收縮力的估計效果與運動單元的解碼數(shù)量非常敏感.由于現(xiàn)有算法的局限性，無法解碼出足夠多運動單元.如圖4(a)所示，在收縮力較低時無運動單元放電脈沖被解碼到，所以此時CST特征和PCA特征均為零.在運動單元數(shù)量足夠高的情況下，CST和PCA特征與收縮力之間的相關(guān)性更高.根據(jù)研究結(jié)果，建議運動單元的解碼數(shù)量應(yīng)該在5以上.本項研究中雖然CST和PCA特征與力之間的相關(guān)性略低于RMS特征，但平均相關(guān)系數(shù)仍然在0.8以上.同時，基于肌電分解所提取的特征還具有一些時域特征所不具備的優(yōu)勢，例如對神經(jīng)傳導(dǎo)速度、運動單元收縮力等參數(shù)的估計[40,41].
4結(jié)論
基于肌電分解技術(shù)可以準確識別不同發(fā)力狀態(tài)下大腿肌肉的運動單元放電活動.運動單元放電頻率與伸膝動作力高度相關(guān)，另外通過MUAP匹配可以追蹤不同發(fā)力狀態(tài)下的運動單元.該研究結(jié)果可用于康復(fù)訓(xùn)練及人機接口等領(lǐng)域.——論文作者：邱方1)，陳晨2)，張方同1)，馬瑞雅1)，石麗君1，4)，盛鑫軍2)，劉曉東3)**
