隨著人機交互、康復工程與神經科學的融合發展，如何精準解讀肌肉發出的“電語言”已成為智能醫療的重要方向。尤其是在臨床康復、假肢控制、運動功能評估等領域，運動單位（MU，Motor Unit）的放電模式正被視為洞察肌肉健康與功能狀態的關鍵指標。然而，想要從復雜多變的表面肌電信號（sEMG）中，準確還原這些深層的生理活動，就像在交響樂中精準識別每一件樂器的旋律一樣困難。傳統的針電極肌電（iEMG）雖然信噪比更高，在分解精度上具有優勢，但因其侵入性強、適用范圍小，難以滿足日常評估與大規模監測的需求。而高密度表面肌電（HD-sEMG）憑借、多通道采集的優勢，逐漸成為探索肌肉電生理活動的新興技術手段。然而，其龐大的數據量與高度重疊的信號結構，也對分解算法提出了更高的要求。在這種背景下，發展自動化、魯棒性強的sEMG分解技術，不僅是肌電研究的技術難點，更是推動肌電技術走向臨床、家庭與可穿戴設備的關鍵一步。

圖 1. 論文信息

來自康復大學的周平和陳茂啟教授團隊，針對表面肌電（sEMG）分解難題，提出并驗證了一種自動化信號分解方法—-Progressive FastICA Peel-Off（APFP）。相關研究成果發表于《International Journal of Neural Systems》期刊，論文題為《Two-Source Validation of Progressive FastICA Peel-Off for Automatic Surface EMG Decomposition in Human First Dorsal Interosseous Muscle》。該研究通過HD-sEMG與iEMG同步采集技術，在實驗中采集人手部背側骨間肌（FDI）在低強度收縮狀態下的雙源肌電數據。然后分別使用APFP算法與人工輔助檢查的PFP算法對兩類信號進行肌電分解，并對共識運動單位的發放時間進行比對，量化APFP分解準確度。證實了所提APFP算法的虛現率和漏檢率均控制在較低水平，進一步證明了APFP算法在分解HD-sEMG信號方面的高精度和穩定性。該研究以“雙源驗證”的方式，系統評估了APFP方法的可靠性，不僅為表面肌電分解提供了全自動、高魯棒性的技術工具，也為今后在康復醫學、人機交互、神經肌肉疾病監測等領域的應用推廣奠定了重要基礎。

本研究共招募了5名神經系統健康的成年男性志愿者（平均年齡36±8歲），均無任何已知的神經或肌肉系統疾病。同時，研究還特別納入了一位慢性腦卒中女性患者（65歲，卒中后恢復期已達5年），旨在評估APFP方法對HD-sEMG信號的自動分解性能。

在信號采集階段，每位受試者均被安排以舒適坐姿，將實驗側手臂旋前并放置于可調高度的支撐臺上，在指導下完成低強度的等長肌肉收縮任務。其中，4名健康受試者進行了雙側采集，另1名僅采集優勢手；腦卒中患者則采集患側肌肉信號，共計獲得10塊FDI肌肉的雙通道記錄數據。

圖 2. HD-sEMG和iEMG對FDI肌肉的同步采集實驗設置

實驗共采集153組數據，經預處理與質量篩選，最終選取114組高質量信號用于后續分析。實驗采用由TMSi公司（荷蘭）研發的Refa 128通道放大器系統對HD-sEMG信號進行采集。所用電極陣列為柔性二維64通道（8×8）結構，單個電極直徑為1.2 mm，中心間距為4 mm，具備良好的皮膚貼合性和空間分辨率。采樣頻率設定為2000 Hz，帶通濾波范圍設為10 Hz–500 Hz，確保信號完整性與抗干擾性能。同時，iEMG信號通過Natus UltraPro S100系統（美國 Natus Neurology Inc.）進行采集，使用傳統同心針電極（直徑0.58 mm，記錄面積0.07 mm2），采樣頻率為44.1 kHz，帶通濾波范圍為10 Hz–10 kHz。iEMG信號通過柔性電極陣列預留小孔插入目標肌肉，實現同一肌肉區域內的同步采集（圖2）。所有電極貼附區域均經過標準皮膚處理，并使用醫用膠帶加固，保證信號穩定傳輸。

對HD-sEMG數據應用APFP算法進行全自動分解，并對iEMG數據采用人工輔助方法進行半自動分解。隨后，二者通過比對識別出的MUs的發放時間，計算兩者之間的匹配率（Matching Rate, MR）及相關統計指標。

實驗結果顯示，APFP算法在自動分解HD-sEMG信號并識別MUs方面表現出色，其提取的發放時間與iEMG高度一致，體現出良好的時序精度與波形還原能力。首先，實驗選取一秒鐘的單通道肌電信號作為示例數據（圖3），在每一輪“剝皮”（peel-off）中，從原始信號中識別新的MUs，并據此估算MUAP波形，重建信號后得到更為稀疏的殘差成分。三輪迭代后，識別出的MU總數達到11個，重建信號已接近原始信號，殘差信號中僅剩下工頻噪聲成分，說明APFP算法能夠充分還原原始肌電信號的神經源結構。更重要的是，在連續三輪估計中，MUAP波形的穩定性，體現出算法的高度一致性和可靠性。

圖 3. 利用APFP對高密度表面肌電信號進行三步剝離分解的過程，逐步提取運動單元并更新其動作電位模板，最終實現信號重構和殘差稀疏化，驗證了分解結果的準確性和穩定性

與此同時，研究還將HD-sEMG的自動分解結果與iEMG的人工輔助半自動分解結果進行了對比，圖4呈現了一個典型iEMG分解案例。在該示例中，通過閾值設定和殘差信號提取，逐步分離出兩組MUs。在進一步對殘差信號中的波形進行聚類分析后，成功識別出兩組具有明確中心的神經放電成分，而較為分散的一類被判斷為噪聲。通過這種方式，iEMG信號中的神經元放電模式得以較為完整地呈現，成為驗證HD-sEMG分解有效性的“金標準”基礎。

圖4. 肌內肌電圖（IEMG）分解過程示例。上圖：完整的分解流程。左下：從第二次殘差中提取的尖峰在特征空間上的谷值尋優聚類；均方根（RMS）和標準差差值（DASDV）被用作聚類特征。右下：第二次殘差中選定片段（1.2秒至1.6秒）的放大視圖

數據層面，本研究共采集了153組HD-sEMG與iEMG同步記錄，其中114組數據中成功識別出了共同MUs，占比達74.5%。在這114組數據中，HD-sEMG每段平均識別出7.6±2.7個運動單位，而IEMG則平均識別出1.9±1.0個運動單位，共計獲得168對被共同識別的MUs。進一步分析顯示，HD-sEMG所提取MUs的平均匹配率高達96.81% ± 3.65%，虛警率為3.80%±5.02%，漏檢率僅為2.42% ± 3.83%。這意味著，在絕大多數情況下，HD-sEMG所識別的放電時序與iEMG幾乎一致，識別結果具備高度時域準確性。值得注意的是，超過一半的MUs匹配率達到98%以上，極少數匹配率低于80%的對數均來自放電稀疏、信息不足的情況。

圖 5. 隨機匹配的sEMG和iEMG運動單位動作電位序列的匹配率分布，其中匹配成功的配對以紅色柱狀表示

進一步結果可視化顯示，圖5呈現了114組實驗中所有隨機匹配對的匹配率分布頻譜圖。匹配率呈明顯雙峰分布，其中一組集中在0–20%之間（屬于隨機對，無共同發放節律），而另一組集中在百分之（80-100) 之間，代表具有高度重合性的神經源對。這一結果不僅證明了APFP算法的可靠性，也驗證了以80%作為匹配率閾值來篩選共識MUs的合理性和科學性。

圖6通過一個清晰的對照示例進一步證實這一結論。在該試驗中，HD-sEMG與iEMG分別識別出3個運動單位，其放電脈沖序列之間的時序對齊幾乎無誤。通過藍色和紅色脈沖列的比對可以看出，兩個系統的發放信息在時間維度上高度一致，唯有極少數點存在微小錯配，進一步鞏固了該算法在實際信號處理中可替代針電極技術的潛力。

圖 6. sEMG和iEMG中識別出的運動單元發放時間對比。藍色脈沖序列為APFP方法提取結果，紅色為iEMG結果，黑點表示未匹配的發放時間。底部顯示了對應運動單元的MUAP波形、重構的iEMG信號及殘差信號

本研究通過雙源驗證系統，系統評估了APFP算法在自動化表面肌電分解中的性能，驗證了其在識別運動單位放電模式方面的高精度與魯棒性。與傳統針電極相比，HD-sEMG+APFP不僅實現了條件下的高質量信號分解，還顯著提高了MU提取的效率與覆蓋范圍。其核心優勢在于：無需人工干預、可處理復雜重疊信號、兼容大范圍肌群,極大拓展了肌電技術的應用邊界。隨著可穿戴設備、云計算和神經建模技術的快速發展，這一類基于算法驅動的肌電分解工具，未來不僅將廣泛應用于神經康復評估、遠程醫療監控等場景，更有望在人機接口、虛擬現實控制、智能假肢等領域發揮關鍵作用。可以預見，自動化肌電解碼將逐步成為解讀人體神經控制語言的“翻譯器”，助力我們在醫學、工程與交互技術之間，建立起更加自然、高效、智能的橋梁。肌電信號將不再只是科研的“數據”，而將轉化為人類行動意圖的實時反饋，成為數字神經系統中的關鍵輸入通道。

原文鏈接

研究團隊介紹

關于維拓啟創

相關產品