基于高密度陣列表面肌電的肌肉肌腱單元解析及肌力估計(jì).pdf

1、在生物力學(xué)研究中，肌力估計(jì)對臨床醫(yī)學(xué)、康復(fù)訓(xùn)練、生物材料學(xué)以及體育訓(xùn)練等方面都有著十分重要的意義。表面肌電信號(surface Electromyography,sEMG)是肌肉在活動時(shí)所產(chǎn)生的電生理信號，可以間接反映出肌肉的激活狀況，因具有無創(chuàng)、安全、采集方便等特點(diǎn)被廣泛應(yīng)用于肌力估計(jì)的研究中。相比常規(guī)電極，高密度表面肌電電極陣列除了能獲取肌肉活動的時(shí)域信息外，還可獲取肌電信號的空間信息，從而可提高肌電信號定量分析的準(zhǔn)確度。此外，人體

2、骨骼肌由中間的肌肉部分和兩端的肌腱部分組成，部分骨骼肌擁有多個(gè)肌肉肌腱單元(Muscle-Tendon Units，MTUs)。相關(guān)研究表明，單塊骨骼肌在進(jìn)行運(yùn)動時(shí)，處于同一塊骨骼肌內(nèi)的不同肌肉肌腱單元可能會呈現(xiàn)不同的收縮狀態(tài)，以適應(yīng)不同的動作需求，會導(dǎo)致肌肉活動具有不均勻性。因此使用高密度陣列表面肌電技術(shù)解析運(yùn)動過程中骨骼肌內(nèi)各肌肉肌腱單元的激活特性，有利于提高肌力估計(jì)精度。
　　本文以具有多個(gè)肌肉肌腱單元的單塊骨骼肌為研究對象

3、，探索基于高密度陣列表面肌電信號的骨骼肌肌肉肌腱單元定位、激活水平分析以及肌力估計(jì)問題，主要研究內(nèi)容和創(chuàng)新點(diǎn)可歸納如下:
　　(1)基于非負(fù)矩陣分解算法的(Non-negative Matrix Factorization，NMF)的肌肉激活區(qū)域解析研究。不同于常規(guī)的利用信號均方根值(Root Mean Square，RMS)或絕對均值(Mean Absolute Value，MAV)進(jìn)行肌肉活動區(qū)域分割的方法，本文采用NMF算法

4、分離出骨骼肌收縮過程中的激活模式，通過激活模式的權(quán)重系數(shù)分布進(jìn)行肌肉肌腱單元定位，并利用時(shí)變參數(shù)曲線進(jìn)行肌肉肌腱單元激活水平分析。為了驗(yàn)證方案的有效性，以肱二頭肌和腓腸肌為研究對象，設(shè)計(jì)了兩個(gè)腓腸肌相關(guān)任務(wù)和一個(gè)肱二頭肌相關(guān)任務(wù)，并對8名受試者開展了數(shù)據(jù)采集實(shí)驗(yàn)。其中，腓腸肌相關(guān)任務(wù)1要求受試者在保持提踵運(yùn)動時(shí)轉(zhuǎn)動腳踝，使腳尖朝向由旋外轉(zhuǎn)向旋內(nèi)，在此過程中由腓腸肌內(nèi)側(cè)頭處于主要激活狀態(tài)逐漸變?yōu)橥鈧?cè)頭處于主要激活狀態(tài);腓腸肌相關(guān)任務(wù)2要求

5、受試者執(zhí)行與任務(wù)1相反的動作，因此內(nèi)外側(cè)頭的激活狀態(tài)變化情況與任務(wù)1也是相反的;肱二頭肌相關(guān)任務(wù)3要求受試者在保持屈肘運(yùn)動時(shí)轉(zhuǎn)動手腕，使手掌朝向由旋外轉(zhuǎn)為旋內(nèi)再變回旋外，在此過程中肱二頭肌由內(nèi)側(cè)頭處于主要激活狀態(tài)逐漸變?yōu)橥鈧?cè)頭處于主要激活狀態(tài)后又變回內(nèi)側(cè)頭處于主要激活狀態(tài)。這三個(gè)任務(wù)均可以看成是兩種激活模式的組合，第一種為外側(cè)頭的激活強(qiáng)度強(qiáng)于內(nèi)側(cè)頭，第二種為內(nèi)側(cè)頭的激活強(qiáng)度強(qiáng)于外側(cè)頭。研究結(jié)果顯示，NMF算法可以將這兩種激活模式以及激活

6、模式隨時(shí)間變化的調(diào)制系數(shù)從高密度陣列式信號中分離出來，從而有效地實(shí)現(xiàn)了肌肉肌腱單元定位和激活水平分析。本方案的優(yōu)點(diǎn)在于:第一，與傳統(tǒng)的基于RMS或MAV進(jìn)行肌肉活動區(qū)域劃分的方法相比，本方案對于肌肉肌腱分離程度低的肱二頭肌同樣可以進(jìn)行有效的分割和定位;第二，NMF算法分解結(jié)果較為穩(wěn)定，受噪聲影響較小，而RMS方法依賴于窗長的選擇和信號的質(zhì)量。
　　(2)基于肌肉激活區(qū)域的肌電-肌力估計(jì)研究。在激活模式分解的工作基礎(chǔ)上，提出了激活強(qiáng)

7、度的概念，定義激活強(qiáng)度最大的激活模式為主模式，并根據(jù)主模式權(quán)重系數(shù)排在前32位的通道作為肌力估計(jì)的通道，改善肌力估計(jì)精度。為了驗(yàn)證方案的有效性，以肱二頭肌為研究目標(biāo)，設(shè)計(jì)了兩類等長收縮方案，第一種是力線性上升至目標(biāo)水平(20％、40％以及60％最大收縮力(maximum voluntarycontractions, MVC));第二種是手腕姿勢在旋內(nèi)和旋外間轉(zhuǎn)變以及目標(biāo)力水平在0至60％MVC間隨意變化。肌力估計(jì)模型選用的是二次項(xiàng)擬合以

8、及希爾(Hill)模型，肌力估計(jì)精度評價(jià)準(zhǔn)則選取的是均方根誤差(Root Mean Square Difference,RMSD)，相關(guān)系數(shù)以及Bland-Altman圖。研究結(jié)果顯示，在線性上升力收縮任務(wù)中，12名被募集的受試者根據(jù)NMF分解結(jié)果可被分為兩組，其中組1的8名受試者分解得到的主模式激活強(qiáng)度顯著高于次模式。肌力估計(jì)結(jié)果顯示，使用主模式優(yōu)選出的32通道用于肌力估計(jì)效果顯著好于使用所有通道的信號進(jìn)行肌力估計(jì)。雖然與組1相比，組

9、2受試者的主次模式間激活強(qiáng)度差異不顯著，通道優(yōu)選方案下的肌力估計(jì)效果與使用所有通道進(jìn)行肌力估計(jì)效果相似，但是用于肌力估計(jì)的通道數(shù)顯著減少了。針對隨意力收縮任務(wù)，一共募集了8名受試者，并對算法框架進(jìn)行了改進(jìn)，將整段信號均分為8段，對每段信號進(jìn)行NMF分解，獲取每一段信號的主激活模式，結(jié)果顯示各段信號提取出的優(yōu)選通道的區(qū)域并不是固定不變的，而是在肱二頭肌內(nèi)外側(cè)頭區(qū)域之間變化。肌力估計(jì)結(jié)果表明，對于隨意力收縮任務(wù)，相對于使用整段信號進(jìn)行NMF

10、后獲得固定的通道進(jìn)行肌力估計(jì)，分段提取出來的優(yōu)選通道使得肌力估計(jì)的精度得到進(jìn)一步的提高。
　　本文提出的基于NMF算法的解析方案可用于分析骨骼肌在運(yùn)動收縮時(shí)不同肌肉肌腱單元的激活區(qū)域和激活水平，并在此基礎(chǔ)上優(yōu)選出與肌肉發(fā)力最為相關(guān)的區(qū)域，提高了肌力估計(jì)的精度。此研究可進(jìn)一步應(yīng)用于諸多研究領(lǐng)域中，例如肌肉活動異構(gòu)性研究、基于肌肉肌腱單元的肌疲勞探索、假肢控制、用于康復(fù)訓(xùn)練的外骨骼器械裝置研發(fā)、以及為運(yùn)動員、健身愛好者或者中風(fēng)病人制定