摘要目的：基于表面肌电分解技术，分析伸膝动作中不同发力状态下大腿肌肉运动单元的解码准确性，并对比神经特征和肌电特征在肌肉激活程度估计中的效果。方法：12名大学生分别以两种发力速度和四种发力等级完成伸膝动作的等长收缩。实验同步采集受试者股内侧肌和股外侧肌处的高密度表面肌电信号和伸膝动作收缩力。基于卷积核补偿算法解码肌电信号得到运动单元动作电位，提取神经特征用于收缩力的互相关分析。结果：对于股内侧肌，2种任务及4种收缩力等级下平均解码得到7±4个运动单元，股外侧肌平均解码得到9±5个运动单元。他们的平均脉冲信噪比(pulse-to-noiseratio,PNR)为30.1dB，对应解码准确率大于90%。股内侧肌的两种神经特征与力之间的平均相关性分别为0.79±0.08和0.80±0.08，股外侧肌的两种神经特征与力之间的平均相关性分别为0.85±0.05和0.85±0.06。结论：基于肌电分解技术可以准确识别不同发力状态下大腿肌肉的运动单元放电活动，并且运动单元放电频率与伸膝动作力高度相关，研究结果可用于运动康复、运动训练及人机接口等领域。
关键词肌电分解，运动单元，卷积核补偿，伸膝
运动单元(motorunit,MU)是人体运动系统中的肌肉收缩最基本的结构和功能单位，包含运动神经元(motorneuron)以及该神经元所支配的所有肌纤维[1].运动神经元负责将脊髓和大脑发出的信息传到肌肉，其放电信息表征着中枢神经系统传输到肌肉的驱动信息.运动神经元的动作电位会传输到所支配的肌纤维，引起肌纤维收缩并产生力[2].运动单元动作电位(motorunitactionpotential，MUAP)是一个运动单元中所有肌纤维动作电位的叠加，经肌肉、脂肪、皮肤等组织传输至皮肤表面后，可以用电极采集得到表面肌电信号(surfaceelectromyography，sEMG)[3].因此，表面肌电蕴含着人体运动的神经驱动信息，从而被广泛应用于神经机理探究、临床医学、康复训练以及人机接口中[4-6].
但是，由于容积导体[7]和幅值抵消[8]现象的存在，表面肌电信号并不能完全地反应神经驱动信息.从表面肌电信号中提取出的时域和频域特征也只能一定程度上反应神经元放电活动.为了克服表面肌电的固有缺陷，肌电分解(electromyographydecomposition)技术逐渐发展起来.基于肌电分解技术可以识别出运动单元的动作电位脉冲串，提取运动单元动作电位波形，从而对神经电生理活动进行分析[9,10].肌电分解技术的发展促进了对运动过程中神经调节机制的理解，已经在神经机理探究和人机接口中得到初步应用[11-13].
20世纪20年代，肌内肌电(intramuscularelectromyography)开始用于解码运动单元放电活动[14].通过植入电极插到肌肉内，MUAP可以直接采集到，避免了容积导体和串扰影响[15].近年来，肌内肌电分解算法不断发展，已经可以实现MUAP自动解码[16,17].但是肌内肌电自身的侵入性和高度选择性，肌内肌电采集范围较小，且难以实现多通道的植入.随着传感器技术和数字信号处理技术的发展，表面肌电分解技术的提出为无创解码神经元放电信息提供了可能.基于盲源分离(blindsourceseparation)[9,18]或模板匹配(templatematching)[19,20]框架，各种解码算法被相继提出，并且在多肌肉不同收缩状态下得到了验证[21-24].相比于肌内肌电，表面肌电具有无创、操作简便、覆盖范围大等优点，有望解码出更多的运动单元.
近年来，表面肌电分解技术已被应用到神经调控机制研究中，如脑卒中、脑瘫、帕金森、震颤等疾病的诊断与康复[25-28]，也应用到运动训练、运动选材、运动监控、运动伤病预防与康复等体育科研领域[29-31].另外，人机接口研究证明了基于肌电分解技术提取出的神经特征相对于传统肌电特征的优越性[32].但是以往的研究多关注于单一发力状态，对同一动作不同发力状态(发力速度、发力大小)下运动单元的放电特性缺乏相关分析.能否在不同发力状态下解码出有效的运动单元，并且追踪运动单元的放电特性变化尚不明确.
因此，本研究内容包括：1)分析伸膝动作中不同发力状态下大腿肌肉运动单元的解码准确性;2)评估不同发力状态下运动单元的可追踪性;3)对比神经特征和肌电特征在肌[28]肉激活程度估计中的效果.
1对象与方法
1.1研究对象
选取12名大学生为研究对象.所有研究对象在实验前均无任何下肢手术史，无神经性或肌肉性疾病，在实验前三个月无任何影响完成伸膝动作的损伤.在实验正式开始前，所有研究对象已经充分熟悉实验流程、动作要求等，并且均已签署了实验同意书.本实验符合赫尔辛基宣言.研究对象基本情况见表1.
1.2实验方法
研究对象需要做出等长收缩的伸膝动作，动作过程中小腿和大腿之间的角度为120°.在实验之前，需要测量每个研究对象伸膝最大收缩力(maximumvoluntarycontraction，MVC).研究对象缓慢增加收缩力至最大值并保持5s，这一过程重复3次，最终计算保持阶段收缩力的平均值作为MVC.
在实验中，研究对象前方设置一块屏幕提供实时力反馈，研究对象需要控制收缩力沿梯形曲线变化.每个研究对象需要完成2组任务.在任务1(task1)中，梯形曲线长度为30s，包含10s的上升阶段，10s的平稳阶段和10s的下降阶段.梯形曲线的最大力(即平稳阶段的收缩力等级)分为10%、30%、50%和70%MVC共4种.在任务2(task2)中，梯形曲线长度为14s，包含2s的上升阶段，10s的平稳阶段和2s的下降阶段.梯形曲线的最大力和任务1相同.每个研究对象需要完成8次伸膝动作(2种曲线×4种等级)，动作顺序对于每个研究对象完全随机，每次动作之间休息1~2分钟以防止肌肉疲劳.
1.3数据采集
多通道肌电信号放大器(Quattrocento,OTBioelettronica,Italy)用于采集研究对象的高密度表面肌电信号.两片64通道电极阵列(5×13排布，电极直径3mm,间距8mm,OTBioelettronica,Italy)分别贴附在股内侧肌(medialvastusmuscle,Grid1)和股外侧肌(lateralisvastusmuscle,Grid2)上方，每一行电极沿肌肉纤维方向，如图1.实验所用的电极为湿电极，使用前需先涂抹导电膏.在电极贴放前先进行备皮工作，具体步骤如下：先将磨砂膏均匀涂抹在肌肉上方，轻轻打磨至皮肤呈微红色;然后用75%浓度的医用酒精棉擦拭皮肤干净，待酒精挥发后利用双面胶海绵垫将电极贴附在相应肌肉的肌腹位置.电极放置完成后用弹性绑带将其固定以避免脱落.肌电信号采样频率为2048Hz，放大器增益为500，硬件带通滤波范围3~900Hz.伸膝动作的收缩力采用力采集设备(Trigno,DELSYS,USA)进行采集，采样频率1000Hz
1.4数据处理
本项研究中所有数据均采用离线方式进行分析.肌电信号在解码之前，首先进行预处理，具体步骤如下：1)采用4阶巴特沃斯滤波器对肌电信号进行20Hz~500Hz的带通滤波;2)采用梳状滤波器进行50Hz阻断滤波以消除工频干扰;3)在前两个步骤之后，人工判断信号异常的通道并去除.对于力信号，首先升采样至2048Hz，然后采用4阶巴特沃斯滤波器进行10Hz的低通滤波.
1.4.1肌电分解
基于卷积核补偿(convolutionkernelcompensation,CKC)算法进行肌电分解得到运动单元放电脉冲串(motorunitspiketrain,MUST).分解算法详细介绍可以参照[9,10]，这里给出简要介绍
1.4.2特征提取
CST特征：对每次动作的肌电信号进行解码得到MUST，然后将这些MUST合并形成累积脉冲串(cumulativespiketrain,CST)，然后采用400ms的汉宁窗对CST进行平滑滤波，得到CST特征[37].
PCA特征：同样基于400ms的汉宁窗，对每次动作解码得到的所有MUST分别进行平滑滤波，然后进行主成分分析(principalcomponentanalysis,PCA)，提取第一主成分(firstprincipalcomponent)作为PCA特征[41].
1.4.3相关性分析
在进行特征与力相关性分析之前，首先进行肌电信号和力的对齐，具体步骤如下：1)对每一通道的肌电信号进行2Hz的低通滤波(4阶巴特沃斯滤波器);2)对所有通道的低通滤波信号做平均;3)基于互相关分析(标准化法)计算肌电信号和力之间的时移，并将肌电信号或力信号平移到相关性最大的时刻.在对齐肌电信号的力信号之后，提取3种特征并与力信号进行互相关分析，计算其最大相关性，如图2.
2结果
表2和表3展示了股内侧肌和股外侧肌的解码结果.对于股内侧肌，2种任务及4种收缩力等级下平均解码得到7±4个运动单元，股外侧肌平均解码得到9±5个运动单元.他们的平均PNR为30.1dB，对应解码准确率大于90%.每个运动单元在初始募集和去募集时的放电频率类似，并且都低于收缩力稳定期的放电频率.对于任务1，在10%收缩力等级下，运动单元在募集期(recruitment)、平稳期和去募集期(de-recruitment)的平均放电频率分别为13.1±11.0Hz、26.3±17.2Hz以及12.4±12.0Hz，显著高于其它三个收缩等级时的放电频率(9.8±7.5Hz、21.4±14.0Hz以及9.5±8.8Hz).在任务2种同样有这一现象.在所有动作中，运动单元的平均募集阈值随着动作收缩力等级的提高而上升.在大多数动作中，募集阈值和去募集阈值无显著差异，少数情况下募集阈值会略低于去募集阈值(P<0.05).
相关期刊推荐：《生物化学与生物物理进展》杂志是国内外公开发行的全国性学术期刊，由中国科学院生物物理研究所和中国生物物理学会共同主办。主要报道生物化学、分子生物学、生物物理学及神经科学等领域的国内外最新进展。设有微型述评、综述与专论、研究报告、技术与方法、研究快报等十几个栏目。
在MUAP匹配结果中，相邻收缩等级(差异20%MVC)的任务匹配得到的运动单元较多，收缩等级差异在40%MVC及以上时匹配数量较少.在高收缩等级下(50%和70%MVC)，两种任务之间匹配数量较多，在低等级时(10%和30%MVC)则匹配数量较少.MUAP匹配结果如图3所示.
图4展示了三种特征和伸膝力的代表性变化曲线，图5展示了互相分析结果.股内侧肌的CST、PCA和RMS共三种特征与力之间的平均相关性分别为0.79±0.08、0.80±0.08和0.88±0.10，股外侧肌的CST、PCA和RMS共三种特征与力之间的平均相关性分别为0.85±0.05、0.85±0.06和0.90±0.08.无论是在股内侧肌或股外侧肌，RMS与力之间的相关性均显著高于其它两种特征(P<0.05).
图6展示了运动单元解码个数、PNR对PCA特征与伸膝力相关性的影响.相关性与运动单元的数量呈单调递增趋势，PNR则对相关性无明显影响.根据拟合曲线，当运动单元数量大于5时，相关系数即大于0.8.根据实验数据，当运动单元数量大于10时，所有相关系数均大于0.8.
3讨论
3.1不同发力状态下的运动单元解码
以往的研究证明了PNR指标与解码准确性之间的高度相关性.在本项研究中，同样应用了PNR来间接估计解码得到的MUST准确性.在两种发力速度和四种发力等级下，MUST的平均PNR均为30dB左右，对应MUST的准确率大于90%[34].这一结果证明了在多种发力状态下解码运动单元电生理活动的可行性.对于研究中所采用的CKC解码算法，可解码出的运动单元数量不仅与实际激活数量有关，还与预输入的一些解码参数有关，例如循环次数、迭代次数等.在解码过程中由于对每次解码的输入参数均相同，不同动作所解码出来的有效MUST数量并无明显差异.在一些情况下，股外侧肌所解码得到的运动单元数量要多于股内侧肌解码的数量.这有可能是由于股外侧肌是伸膝动作的主要发力肌肉从而需要更多运动单元参与引起的.
一般情况下肌肉中运动单元的募集遵循“大小原则”，即肌纤维数量少、收缩力较小的运动单元先被募集，纤维数量多、收缩力较大的运动单元后被募集[1].运动单元在被募集的初始阶段，其放电频率较低，后来会随着激活程度的增加(肌肉收缩力的增加)而提高，直至达到最大值，此时放电频率保持稳定，不会再随着激活程度的增加而提高.一般来说，高阈值的运动单元其稳定放电频率要低于低阈值的运动单元.在10%MVC的伸膝动作中，所募集到的运动单元其放电频率显著高于其它三个等级.这一现象有可能是由于在低等级情况下，所募集的运动单元其激活阈值就比较小，稳定放电频率较高.随着收缩力等级的增加，高阈值、低稳定频率的运动单元逐渐被募集，从而降低了平均频率.任务1与任务2相比，任务2种放电频率显著高于任务1.这是由于，在等长收缩(isometriccontraction)中，快速发力会降低运动单元的募集阈值[2]，并且伴随放电频率的增加，因此在快速收缩过程中，更多高阈值运动单元被募集.
这同样也解释了为什么任务1中高收缩等级动作与任务2种的MUAP匹配数量较多，而任务1中低收缩等级动作和高收缩等级动作之间匹配数量较少.本项研究采用了MUAP波形匹配来追踪不同动作之间的运动单元.这种方式已经被证明可以用于追踪运动单元[29,39]，并且在长期训练过程中可以用于评估运动单元的变化，从而指导训练过程，给出训练结果评价.
3.2基于运动单元特征的肌肉激活状态估计
运动单元的电生理活动直接反映了脊髓中运动神经元的放电信息，其蕴含着中枢神经系统传输到肌肉的神经驱动信号[35].因此，运动单元的电生理活动应该与肌肉收缩力呈高度相关性.以往的研究表明，CST特征可以有效地反应神经传导过程中的共同驱动，并用于肌肉激活程度估计[37].另外，基于PCA同样可以提取出多个运动单元电生理活动的主要成分，从而实现一维的肌肉力估计[38].在本项研究中，共提取了三种特征，其中两种是基于肌电分解结果，一种是时域特征RMS.从股外侧肌采集到的肌电信号提取出三种特征，与收缩力之间的相关性均显著高于从股内侧肌提取的特征.这是由于，在伸膝(膝关节≥120°)动作中，股外侧肌起主要作用，而股内侧肌更多的是保持动作.
从理论上讲，相对于RMS特征，从运动单元放电活动中提取的CST和PCA特征与收缩力之间的相关性应该更高，以往的研究也证明了这一点.但值得注意的是，CST和PCA特征对收缩力的估计效果与运动单元的解码数量非常敏感.由于现有算法的局限性，无法解码出足够多运动单元.如图4(a)所示，在收缩力较低时无运动单元放电脉冲被解码到，所以此时CST特征和PCA特征均为零.在运动单元数量足够高的情况下，CST和PCA特征与收缩力之间的相关性更高.根据研究结果，建议运动单元的解码数量应该在5以上.本项研究中虽然CST和PCA特征与力之间的相关性略低于RMS特征，但平均相关系数仍然在0.8以上.同时，基于肌电分解所提取的特征还具有一些时域特征所不具备的优势，例如对神经传导速度、运动单元收缩力等参数的估计[40,41].
4结论
基于肌电分解技术可以准确识别不同发力状态下大腿肌肉的运动单元放电活动.运动单元放电频率与伸膝动作力高度相关，另外通过MUAP匹配可以追踪不同发力状态下的运动单元.该研究结果可用于康复训练及人机接口等领域.——论文作者：邱方1)，陈晨2)，张方同1)，马瑞雅1)，石丽君1，4)，盛鑫军2)，刘晓东3)**
