高密度表面肌電（HD-sEMG）分解是一種非侵入式技術，能夠提取運動單位動作電位（MUAP）序列，進而揭示脊髓運動神經元的活動規律，為肌肉收縮機制研究及運動控制理解提供關鍵依據。這項技術在神經疾病診斷、康復評估及人機交互等領域展現出廣闊前景。康復大學陳茂啟副教授與周平教授近期在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》發表綜述，系統總結了HD-sEMG分解的發展歷程、技術突破與當前面臨的核心挑戰。

肌電信號（EMG）記錄與分析技術自20世紀中葉興起以來，始終是揭示神經肌肉系統工作原理的重要手段。在早期的研究中，科研人員主要依賴針電極深入肌肉組織內部，以獲取單個或少量運動單位的動作電位序列。這種“侵入式”方法雖然在分離信號成分方面具有高精度，但由于其操作復雜、受試者舒適度差和臨床推廣難度大，始終局限于實驗室或小規模臨床研究中。為突破這一限制，科學家們開始嘗試利用（sEMG）實現非侵入式記錄。然而傳統的單通道表面肌電存在明顯短板，即MUAP波形在不同運動單位間高度相似，加之多個信號疊加重合，以及表皮和皮下組織對信號的濾波衰減，導致信號的分解難度遠高于針電極數據。這使得早期基于模板匹配的分解方法難以勝任表面肌電的復雜情況。真正的技術突破出現在高密度表面電極陣列（HD-sEMG）的問世。這種新型電極陣列由幾十甚至上百個電極組成，通常呈二維網格排布，可在非侵入條件下高密度覆蓋目標肌肉區域。其特點在于同時采集到肌肉電活動的“時間+空間”信息：不同運動單位由于解剖位置不同，其MUAP在電極陣列上呈現出的空間分布特征，從而為分離多個信號源提供了可能。在這一硬件基礎上，分解策略也發生了深刻變革。分解方法不再僅依賴波形匹配，而是演進為多通道協同處理與盲源分離（BSS）的信號處理問題。

HD-sEMG分解嘗試使用了如FastICA和JADE等BSS算法，基于瞬時混合模型進行信號分離。然而，這一模型假設不同通道中的MUAP波形相同，僅存在幅度差異，未能考慮肌電信號不同通道中真實存在的傳播延遲與波形差異，導致分解效果不理想，特別是在通道數少于活躍運動單位數的情況下。2000年代初，Holobar和Zazula教授提出“卷積混合模型”，并據此發展出“卷積核補償”（CKC）算法。這一方法初次在理論上準確描述了平穩狀態下的HD-sEMG信號的生成機制，成為高密度肌電分解的奠基性工作，并通過一系列仿真與實測數據驗證其有效性，推動多個后續改進算法的出現。盡管CKC在性能上取得突破，其迭代計算仍存在收斂慢和重復提取的問題。

2015年，陳茂啟與周平教授提出“Progressive FastICA Peel-off”（PFP）框架，將FastICA與剝離策略結合，通過“識別-重建-剝離-再識別”過程迭代提取多個運動單位，有效規避了局部收斂問題。PFP的關鍵在于，每識別出一個運動單位發放序列后，通過最小二乘法估計其運動單位動作電位序列并從原始信號中剝離，使得下一輪分解更容易提取新的運動單位。此方法還引入相關性約束修正機制，提高了錯誤識別校正能力。PFP雖有效，但仍存在效率不足等問題。2024年，兩位作者進一步提出“2CFastICA”方法，引入“核空間約束”理念，保證新識別的運動單位發放序列與已識別結果及其延遲版本正交，極大提升了分解效率。該方法有機地結合核約束FastICA與相關性約束FastICA，在保證準確性的同時，減少了對復雜剝離處理的依賴，成為當前高密度肌電分解的代表性算法。

雖然近年來高密度肌電分解取得長足進展，但該技術仍存在三大關鍵挑戰，限制其在實際應用中的廣泛部署。HD-sEMG信號的可分解性取決于諸多因素。理想情況下，信號需滿足“等長等力收縮”的假設，以保證模型穩定性。然而在真實環境中，諸如大肌肉容積傳導效應、皮下組織濾波作用、采集質量、受試者病理狀態等因素都會破壞這一假設，導致即使使用算法也難以成功分解。研究者需進一步探討信號結構特征與分解性能之間的關系，明確哪些條件下該技術可穩定運行。

肌電分解的另一個挑戰是動態信號分解困難。現有HD-sEMG分解方法大多基于卷積混合模型，適用于靜態或穩態肌肉收縮任務。然而，在動態任務中，MUAP波形隨時間變化、運動單位招募數量變動，使得該模型失效。目前解決策略如“分段分析”“重復收縮”雖可部分應對非平穩性，但仍難適用于快速變化場景，如運動意圖識別或假肢控制。真正的“動態肌電分解”仍處于初級探索階段，亟待基礎建模與算法突破。

此外，實時分解技術仍難以落地。許多應用場景（如實時假肢控制）要求對肌電信號進行“實時分解”。但現有方法通常需幾秒長的信號以便提取統計特征，導致難以在線運行。部分研究嘗試利用離線分解獲得運動單位的分解向量，并依此在線識別已有運動單位，但該“實時識別”方法依賴于電極位置、肌肉狀態的穩定，無法識別新運動單位，且泛化能力有限。要實現真正的實時分解，仍需突破算法對數據長度和穩定性的依賴。

HD-sEMG分解技術的發展，不僅需要在算法模型上不斷創新，更需要形成一種開放透明、協作共進的研究氛圍。推動HD-sEMG分解算法與數據的開放共享，是促進該領域健康發展的關鍵。目前已有研究團隊公開了其源碼與測試數據，如作者團隊開放的PFP程序和2CFastICA分解算法的源代碼，為該領域研究者搭建了交流橋梁。未來，它有望成為神經肌肉疾病早期檢測、康復干預個性化評估、人機交互智能控制等方向的關鍵技術支撐。

參考文獻

M. Chen and P. Zhou, "High-Density Surface EMG Decomposition: Achievements, Challenges, and Concerns," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 33, pp. 1212-1219, 2025, doi: 10.1109/TNSRE.2025.3551630.

Advictor

了解更多產品詳情，投稿發布

與合作，歡迎掃碼咨詢。