導語
康復大學（籌）神經(jīng)肌肉康復工程團隊包括高層次海外引進人才周平、路知遠、陳茂啟、黃成君、鮑天哲等人。團隊致力于表面肌電技術創(chuàng)新及其在神經(jīng)肌肉康復中的應用，在基于肌電的康復機器人控制、神經(jīng)肌肉功能評估、表面肌電分解、運動單位數(shù)目估計等領域取得重要進展，相關成果發(fā)表于IEEE Transactions on Biomedical Engineering、IEEE Transactions on Neural System and Rehabilitation Engineering、IEEE Journal of Biomedical and Health Informatics、International Journal of Neural Systems、Science China Life Sciences等國際高水平期刊。

01 研究背景
腦卒中是我國成年人致殘的首位原因。機器人輔助康復是當前恢復腦卒中患者運動功能的重要技術手段。表面肌電信號不僅可以反映患者的運動意圖、在機器人輔助的康復訓練中實現(xiàn)自然的人機交互，還可以評估患者的神經(jīng)肌肉功能、分析腦卒中后神經(jīng)肌肉系統(tǒng)的復雜病理變化。

02 研究概述
基于功能化導電聚合物的設計，研究團隊設計了功能化聚苯胺基時序黏附水凝膠貼片。它可以實現(xiàn)心臟的同步機械生理監(jiān)測和電耦合治療，并牢固附著在心臟表面監(jiān)測心臟的機械運動和電活動。
 

圖1: 全譜肌電技術及其應用
（圖片來自原文）
 

1.肌電模式識別驅動的多自由度機器人輔助康復
用患者的肌肉活動控制康復機器人以輔助患者完成訓練任務的主動康復模式具有比被動模式更好的康復效果。然而開關控制和比例控制等傳統(tǒng)方案只能控制一兩個自由度，難以滿足手功能康復對多自由度控制的需求。團隊人員為此提出了基于肌電模式識別的康復機器人控制方案。該方案采集患者前臂和手部7塊肌肉的肌電信號，使用模式識別算法實時識別患者五指抓握、五指張開、三指對捏等6種手指運動意圖，并實時驅動康復機器人協(xié)助患者完成運動，從而向患者提供多自由度的運動訓練，以及本體、視覺等多感官的反饋。在臨床試驗中，手功能基本穩(wěn)定的慢性期腦卒中患者經(jīng)20次、每次1小時的康復訓練，其手功能明顯改善。
 

圖2: 肌電模式識別驅動的多自由度康復機器人
（圖片來自原文）

在該方案中，運動意圖識別的正確率是決定患者使用體驗的重要因素。團隊人員發(fā)現(xiàn)正確率與患者臨床評估指標之間并沒有相關性�？紤]到腦卒中患者復雜的運動功能障礙可能會引起運動意圖與肌肉活動之間的差異，團隊人員設計了離線識別、在線識別和實時交互三種識別場景，并招募腦卒中與脊髓損傷患者開展對比實驗，發(fā)現(xiàn)肌電模式識別算法可以用于識別腦卒中患者的運動意圖，但是動作起始階段肌肉激活模式不穩(wěn)定、存在異常肌肉活動等因素會影響其正確率。
 

圖3: 腦卒中和脊髓損傷患者的肌電模式識別正確率
（圖片來自原文）

2.基于全譜肌電的腦卒中后運動功能評估
肌無力是腦卒中患者的最常見的癥狀之一，也是引起運動功能障礙的主要原因。運動單位是肌肉的最小功能單位，包括一個運動神經(jīng)元及其支配的肌纖維。團隊人員利用單纖維肌電圖，發(fā)現(xiàn)腦卒中患者患側的單纖維動作電位相對于健側降低，肌纖維密度升高，但是利用同心圓針肌電圖并沒有觀察到明顯的波幅變化，這在微觀層面上說明患者可能存在肌萎縮和神經(jīng)再支配，而后者提示存在運動神經(jīng)元丟失，這與團隊此前基于motor unit number index (MUNIX)的研究結果相一致。
 

圖4: 腦卒中患側STEPIX低于健側
（圖片來自原文）

上述肌電技術以受主觀控制的運動單位為研究對象，而腦卒中患者可能無法自主激活全部的運動單位。團隊人員因此采用基于電刺激的compound muscle action potential (CMAP) scan技術研究單塊肌肉的全部運動單位，發(fā)現(xiàn)患側step index （STEPIX，反映運動單位數(shù)量的指標）降低而amplitude index （AMPIX，反映運動單位平均大小的指標）無顯著變化，提示患側全部的運動單位都可能出現(xiàn)丟失、再支配以及肌萎縮。

3.基于肌電分解的運動單位發(fā)放特性研究
 

圖5: （上）用高密度表面肌電和同心圓針電極測量運動單位發(fā)放序列，
（下）兩種來源的肌電信號分解結果對比
（圖片來自原文）
 

表面肌電分解旨在從混疊的表面肌電中獲取單個運動單位動作電位的波形信息和募集、發(fā)放信息，進而實現(xiàn)運動單位發(fā)放特性的解析。團隊提出了串行結構的高密度表面肌電分解框架—漸進式獨立分量剝離法（Progressive FastICA Peel-off, PFP），并開展了基于高密度表面肌電和同心圓針電極的“雙源法”驗證，發(fā)現(xiàn)兩種算法所得到的發(fā)放序列達到了96.8%的匹配率，說明PFP算法可以基于高密度肌電實現(xiàn)無創(chuàng)的神經(jīng)信號解碼。進一步研究發(fā)現(xiàn)，PFP算法在腦卒中患者和健康對照之間的性能相近，可以為揭示腦卒中患者運動單位發(fā)放特性提供便捷的工具。

03 研究意義
腦卒中患者可能出現(xiàn)復雜的神經(jīng)肌肉病理變化。全譜肌電技術的創(chuàng)新及應用可以精準評估患者個體的運動單位數(shù)量、大小、發(fā)放特性、控制特性，以及肌纖維密度、大小等特性的變化，有助于制定個性化的康復方案。基于肌電模式識別的交互控制方案可以提高康復機器人的交互自由度，使機器人輔助的復雜手功能康復成為可能。

主要參考文獻：
[1] Z Lu, KY Tong, X Zhang, S Li, P Zhou. Myoelectric pattern recognition for controlling a robotic hand: a feasibility study in stroke. IEEE Transactions on Biomedical Engineering. 2019;66:365–372.

[2]  M Chen, Z Lu, X Li, Y Zong, Q Xie, S Li, P Zhou. Compound muscle action potential (CMAP) scan examination of paretic and contralateral muscles reveals motor unit alterations after stroke. Science China Life Sciences. 2023;66:2604–2613.

[3] Z Lu, M Chen, Y Zong, X Li, P Zhou. A novel analysis of CMAP scans from perspective of information theory: CMAP distribution index (CDIX). IEEE Transactions on Biomedical Engineering. 2023;70:1182–1188.

[4] M Chen, Z Lu, Y Zong, X Li, P Zhou. A novel analysis of compound muscle action potential scan: staircase function fitting and StairFit motor unit number estimation. IEEE Journal of Biomedical and Health Informatics. 2023;27:1579–1587.

[5] M Chen, X Zhang, Z Lu, X Li, P Zhou. Two-source validation of progressive FastICA peel-off for automatic surface EMG decomposition in human first dorsal interosseous muscle. International Journal of Neural Systems. 2018;28:1850019.

[6]Huang C, Chen M, Zhang Y, Li S, Klein CS, Zhou P. A novel muscle innervation zone estimation method using monopolar high density surface electromyography.  IEEE Trans Neural Syst Rehabil Eng. 31: 22-30, 2023.

[7]Bao T, Xie SQ, Yang P, Zhou P, Zhang Z. Towards Robust, Adaptive and Reliable Upper-limb Motion Estimation Using Machine Learning and Deep Learning--A Survey in Myoelectric Control. IEEE J Biomed Health Inform. 26(8):3822-3835, 2022.

[8]Bao T, Wang C, Yang P, Xie SQ, Zhang Z, Zhou P. LSTM-AE for domain shift quantification in cross-day upper-limb motion estimation using surface electromyography. IEEE Trans Neural Syst Rehabil Eng. 31: 2570-2580, 2023.