表面肌电技术在骨科应用中的研究进展

王加旭，吴继功，潘子杰，张乐乐，黄世博，王莉荔，陈 力，崔 翔

(1.中国人民解放军战略支援部队特色医学中心脊柱外科，北京 100107;2.中国人民解放军63650部队医院洛阳门诊部，河南 洛阳 471003;3.中国人民解放军总医院第一医学中心全科医学科，北京 100853;4.中国人民解放军总医院第四医学中心骨科医学部/国家骨科与运动康复临床医学研究中心，北京 100853)

表面肌电技术(surface electromyography，sEMG)是一种通过测量人体皮肤表面生物电信号反映人体肌肉活动的肌电监测技术，其本质是肌肉组织在受到神经刺激后，能在肌肉纤维表面诱发传导动作电位的变化[1]。17世纪末，Galvani在蛙身上实验得出骨骼肌的收缩与神经电信号的变化存在相关性，开启了肌电研究的开端；直到18世纪中叶，Dubois等首次证实了人体骨骼肌的收缩与神经电活动同样具有相关性；1912年，Piper、Gasser及Erlange等先后利用不同方法成功记录出人类肌电图[2]。之后，表面肌电技术逐渐被研究人员发现并应用到疾病的诊治中。

20世纪末以来，表面肌电技术因其具有无创性、实用性及便捷性等优势，在骨科、体育、运动医学、康复训练及神经科学等领域逐渐广泛应用，成为了分析骨科相关疾病，辅助诊断治疗及康复训练的重要方法之一[3]。骨骼肌在受到神经刺激发出动作电位后，皮肤表面的接收器对采集到的表面肌电信号进行处理，得到肌肉收缩的激活时间、顺序及振幅等参数。这些参数常用的分析方法有时域分析、频域分析、时域—频域法及非线性分析法[4]。时域分析是利用时间函数的数值代表不同时间维度上的肌电信号，用于描述表面肌电信号的振幅特征，主要包括均方根振幅、平均振幅和积分肌电；频域分析是利用傅立叶变换方法，得到可识别的表面肌电信号的频谱及不同频率维度上表面肌电信号的变化，分析得出表面肌电信号的频率特征，主要包括平均功率频率和中值频率及二者的衍生指标平均功率频率斜率和中值频率斜率。通过这些指标实时、精准地反映骨骼肌的状态，对客观探究骨骼肌疲劳程度、电生理变化及神经肌肉协调性具有重要意义。

1 表面肌电技术在骨科疾病诊断中的应用

1.1 表面肌电技术在骨骼肌劳损中的应用

骨骼肌劳损是指骨骼肌机能不能有效保持在某一特定水平和/或不能维持某一预设运动强度的状态[5]。骨骼肌劳损的过程中会出现多种病理生理变化，为了客观地反映出骨骼肌状态，目前国内外主要的研究方向是提取出骨骼肌劳损状态下肌电信号的特征因素，分析骨骼肌劳损的状态及病理生理机制[6]。糜超等[7]构建了一套表面肌电肌肉疲劳识别系统，提出了肌肉疲劳状态下表面肌电信号特征的提取方法，以此进行肌肉疲劳分类，该系统可有效识别肌肉的疲劳状态，准确率达98%。提示表面肌电技术在骨骼肌劳损的研究中具有重要的应用价值。

当前，基于表面肌电技术的骨骼肌劳损研究主要集中在以下三点：①依据时域特征的表面肌电信号研究。刘晓光等[8]对10名志愿者进行梯次负载功率骑行实验，通过分析志愿者骑行负载不同功率时的股外侧肌、股直肌和竖脊肌的表面肌电信号，得出骑行运动中腰部及大腿肌群疲劳功率区间。相较于其他检测方法，时域特征的优势在于所需的特征数据量较少，分析的计算量明显减少。然而时域特征过于依赖表面肌电信号的信噪比，频谱失真现象时常发生。②依据不同变换域特征的表面肌电信号研究。Brighton等[9]引入了平均功率频率及中值频率两个新的评价指标，通过处理数字信号研究骨骼肌疲劳时表面肌电信号的特征，从而明确骨骼肌疲劳前后的差异。Liu等[10]采用便携式电极片实时采集运动中腓肠肌表面肌电信号，再将该信号通过实时傅立叶变换方法转换为中值频率，依据中值频率的变化反映骨骼肌疲劳状态。这种基于变换域特征的检测方法，能够持续监测运动中骨骼肌表面肌电信号的变化，信号的时频分辨率极高，可避免受试者个体化差异。然而，该方法所得数据必须经过频域变换，若缺乏表面肌电信号的原始信息，则无法实时监测骨骼肌的疲劳状态。③依据人工智能的表面肌电信号研究。Wei等[11]构建出一种基于卷积神经网络的模型，利用机器学习对表面肌电信号进行分类、识别及训练，发现其对骨骼肌疲劳的诊断准确率可达92.8%，但样本量较小，需进一步大数据继续训练该模型。Zhang等[12]采集受试者做不同手势时的表面肌电信号，以此反映不同手势之间、手掌间诸肌肉的收缩情况，构建前反馈人工神经网络，通过对该神经网络的反复训练，骨骼肌疲劳的诊断准确率可达98.7%。依据人工智能的表面肌电信号研究往往能训练机器学习并自动识别、判定骨骼肌劳损状态，对提升诊断骨骼肌疲劳的准确率具有重要意义。

1.2 表面肌电技术在腰痛中的应用

腰痛是临床常见的高发病症候群，腰部肌肉劳损以及收缩能力下降会造成腰椎稳定系统改变，从而导致腰部软组织炎症反应、疼痛[13]。Takahashi等[14]对比腰痛患者与非腰痛受试者在负重状态下保持直立时的表面肌电信号，发现2组腰竖脊肌平均功率频率斜率显著不同。其原理在于，人体的核心肌群集中在腰腹部，包括竖脊肌、髂肋肌、腹直肌、多裂肌、腹横肌等，这些肌肉收缩或病变后，表面肌电信号出现相应的改变，可无创地反映腰背部肌肉状态、肌力以及肌群间协调性[15]。同样，Hanada等[16]针对徒步状态下的腰痛患者，探测出腰痛时腹直肌及腰后侧肌群的表面肌电信号变化较腹内斜肌明显，表明腰痛患者的核心肌群协调性变差，证实了表面肌电信号的变化能客观地反映出腰痛患者的核心肌群情况，表面肌电技术可作为理想的腰痛辅助诊断方法。

腰椎退变性病变是导致腰痛的常见疾病，发病率较高[17]。对于长期忍受腰痛的患者，保守治疗、锻炼或手术均是解除其痛苦的方法。然而如何评判治疗效果，尚无有效的技术手段。表面肌电技术可在反映腰痛患者症状转归情况方面发挥一定的作用。郭猛[18]对70例腰椎间盘突出症患者治疗前后的表面肌电信号进行统计分析得出，推拿组腰背伸肌群收缩力量、平均效率显著优于对照组的牵引治疗，肯定了表面肌电技术在腰椎间盘突出症疗效评价中的价值。魏天祺等[19]探讨了32例产妇产后合并腰痛的治疗情况，观察腰痛症状的缓解情况与表面肌电信号之间的关联性，其认为核心肌群的锻炼可有效缓解产后腰痛，且竖脊肌及多裂肌的表面肌电信号能较好地反映出腰痛的改善情况。易向东等[20]检测了24例腰椎手术患者在术前及术后3个月不同状态下的腰背部肌肉表面肌电信号，结果显示术后3个月静息、伸展及抬物保持状态下，表面肌电信号值显著低于术前，提示表面肌电技术可用于判断腰痛的转归。

1.3 表面肌电技术在其他骨科疾病诊断中的意义

肩峰下撞击综合征是指肩关节上举活动时，肱骨大结节反复撞击喙肩弓，诱发肩峰下滑囊炎症、肩袖肌腱组织病变，最终导致肩部疼痛和关节活动受限。表面肌电技术在肩峰下撞击综合征中的应用尚存在争议[21]。Cools等[22]对39例患者及30名健康志愿者在外展和外旋运动时使用表面肌电技术测量上、中、下斜方肌的肌电活动，结果显示患者组的上斜方肌活动显著增加，外展时下斜方肌活动减少，外旋时中斜方肌活动减少；肌内活动比分析显示，外展时，患者组伤侧的上/中斜方肌和上/下斜方肌不平衡，外旋时三种肌肉活动比均不平衡，肯定了表面肌电技术在肩峰下撞击综合征诊断中的应用价值，并强调了恢复肌肉平衡与肩关节康复的相关性。

2 表面肌电技术在骨骼肌康复及训练中的应用

骨骼肌损伤是骨科或运动医学领域最常见的创伤之一，直接影响体育爱好者和运动员的比赛、训练[23]。目前，许多学者将表面肌电技术引入到骨骼肌损伤后的康复评定中[24-26]。Li等[26]通过回顾性分析90例单侧前交叉韧带(anterior cruciate ligament，ACL)损伤患者的表面肌电信号，探讨ACL损伤患者的生物力学特征，采集双侧股直肌、股内侧肌和股外侧肌的表面肌电信号，并用方根振幅评估肌肉活动，结果表明股外侧肌肉的恢复速度最慢，双侧直腿抬高(30°)是最好的训练方式，尤其是股外侧肌锻炼对康复非常重要，并建议ACL重建术在损伤1年内进行。Le Sant等[27]在拉伸研究中，利用表面肌电技术表征肌肉的力学性能，总结出1%的被动状态阈值是健康人群肌肉拉伸的安全阈值。

在训练过程中，肌肉的不对称性会增加运动员受伤的风险。在训练过程中通过表面肌电技术实时监测运动员骨骼肌肌电信号变化，对促进合理训练、避免肌肉损伤、评估康复状态及恢复正常训练具有重要意义。为了验证短道速滑运动员腿部肌肉的功能，Konieczny等[28]对比波兰女子国家短道速滑队的8名队员与8名非训练人员在等距收缩期间的臀大肌表面肌电信号频率发现，在滑冰运动员中，左右臀大肌之间疲劳的肌电表现明显不同，而非训练人员中则无此表现，这对臀大肌损伤同样起到预警作用，因此，该研究建议采用新的训练方案来避免肌肉的不对称性。腘绳肌损伤是运动员常见的问题，其损伤后的肌电活动受到广泛关注[29-31]。Areia等[32]评估了腘绳肌腱拉伤足球运动员的神经肌肉适应性，在偏心膝关节伸直30°和120°条件下对受试者进行等速力量测试，结果表明伤侧股四头肌的肌电活动较正常侧明显下降，肌肉功能不对称。因此，表面肌电技术在预警损伤、评估损伤康复情况及改良训练方法等方面可发挥重要作用。

3 表面肌电技术在骨科辅助系统研发中的应用

肌肉的收缩和舒张活动带动骨骼，根本在于中枢神经系统定向传达运动命令，从而实现人体的活动。研究表明，表面肌电信号的能量值大小代表了肌肉收缩舒张程度[33-34]。因此，把采集到的表面肌电信号处理成为生物反馈信息，可直观地反映肌肉的状态，促进自身运动学习及控制，并可有针对性地增强肌肉锻炼、调整锻炼方法及治疗手段，从而实现康复，这种方法被称作表面肌电生物反馈。

目前表面肌电生物反馈技术在骨科治疗及康复中广泛应用，是临床改善患者腰背痛、肌无力、瘫痪、关节活动障碍及恢复肌肉肌力的有效方法[15]。Guo等[35]探讨了表面肌电生物反馈改善不完全脊髓损伤患者股四头肌运动功能的有效性，其选取损伤后6个月内股四头肌强度1～3级的不完全截瘫患者33例，对照组(16例)采用常规物理治疗增强股四头肌力量，干预组(17例)采用常规物理治疗和表面肌电生物反馈训练，通过表面肌电图、肌力、股四头肌运动功能评价，结果显示，与对照组相比，干预组的表面肌电图值和股四头肌强度明显改善，且干预组股四头肌肌电图值的增加早于股四头肌肌力的增加。故其认为表面肌电生物反馈训练是一种有效改善不完全脊髓损伤患者股四头肌运动功能的方法，同时表面肌电图可在变化发生之前准确地量化单个肌肉肌力的变化。在其他骨骼肌的康复治疗及训练中，表面肌电生物反馈系统同样具有良好的效果。Lirio-Romero等[36]进行了临床随机对照试验，发现表面肌电生物反馈系统治疗在短期内可有效改善瘫痪上肢的运动功能。Portero等[37]甚至将表面肌电生物反馈系统应用于物理治疗的教学中，让学生对生理和生物力学有更深入的了解，引发学生对表面肌电信号作为工具的兴趣，并提供关于良好的表面肌电信号实践的知识。

表面肌电图能按时间顺序记录肌肉活动及状态信息，通过转换器转化为海量的数据信息，利用计算机即可识别、学习、预测肌肉的运动状态，从而形成人机信息交流系统。既往研究表明，神经驱动发生在运动开始之前，可以通过放电率和运动单元速度来表征，这一特征意味着与脊髓交界部位的表面肌电信号可以准确预测肌肉收缩[38]。Prakash等[39]设计出一种低成本、高灵敏度的肌电假肢控制系统，比商用肌电传感器的信噪比低4倍，灵敏度高50%，输出响应速度比商用传感器快57%。该系统已在截肢患者身上测试成功，可使患者更快、更直观地驱动假肢手手指。当前，肌电控制系统多用于前臂截肢者。Lee等[40]提出一种新型背负式肌电控制系统，可适用于高位截肢患者，结果显示每个受试者的平均分类正确率达到97.92%，说明该系统可以准确识别表面肌电信号。对于高位截肢患者而言，预计该系统能精准控制他们的肌电假体。肌电假肢控制系统实用性高，为患者更加灵活地使用假肢、改善日常生活提供了可能，应用前景广泛。

4 人工智能辅助表面肌电技术的系统应用

如前所述，研究人员利用表面肌电技术对疾病的诊断、治疗、康复训练等诸多方面进行了大量的研究，这些研究所需的参数大多是通过人工提取或生物力学模型(基于肌肉骨骼模型来建立表面肌电信号与关节运动之间的关系)获得，耗时较长。然而，由于对人类神经、肌肉和骨骼系统的协调机制尚不完全明确，导致无法准确模拟人类的神经、肌肉及骨骼系统，这是计算模型的致命缺陷，表现为个体差异明显[41]。基于海量数据的人工智能分析具有良好的系统特性和广泛性，是解决这一难题的有效措施[42]。随着人工智能技术的发展，人工智能辅助表面肌电技术的研究也逐渐增多。

手势识别与预测是研究较多的方向。Hu等[43]采用卷积神经网络(convolutional neural network，CNN)和循环神经网络(recurrent neural network，RNN)的混合模型，以捕获表面肌电信号的时间特性，在5个表面肌电信号基准数据库(NinaProDB1、NinaProDB2、BioPatRec、CapgMyo、CSL-HDEMG)中识别手势，分别比最先进的性能提高了9.2%、3.5%、1.2%、0.2%和5.2%。Zhang等[44]单独利用RNN模型从原始表面肌电信号中学习手势并预测手势，结果表明，已知数据的时间步长越大，所提出的模型给出的瞬时预测精度越高；此外，用40个时间步长(200 ms)的数据预测手势时，预测准确率达到89.6%左右，这意味着手势可以在手势开始执行200 ms后预测，而不是等到手势的结束。Nasri等[45]为残疾人发明了一种新型人机交互形式，其利用基于深度学习的体系结构进行实时手势识别，使用包含7个手势的数据集，以此来训练卷积神经网络模型，允许一些残疾人士使用低成本的表面肌电信号传感器来体验控制3D游戏，让患者专注于康复训练。目前，表面肌电的数据特征包括均值绝对值、零交、均方根、功率谱比、离散小波变换等，机器学习方法对这些特征的分类方法包括k-最近邻、人工神经网络、高斯混合模型、线性判别分析、隐马尔科夫模型、支持向量机和随机森林。虽然这些基于特征的方法表现出了良好的性能，但复杂的特征提取过程可能会导致有用信息的丢失，进而导致预测准确率不高。因此，表面肌电信号特征的提取、分类及深度学习模型的构建仍需不断完善。

5 展望

表面肌电技术是一种无创、安全、便捷的技术，能客观地反映出神经肌肉状态，为评估骨科疾病诊治及康复锻炼疗效等提供依据；随着计算机技术及人工智能技术的蓬勃发展，与表面肌电技术结合的系统应用也在不断完善和提高。表面肌电生物反馈等系统的构建，提高了患者康复治疗、假肢结合的效率；与人工智能结合，更有助于表面肌电信号的识别，提高了诊断效率、减轻了医务人员的繁琐工作，但目前尚未完全实现智能化，且样本量小、数据量少、神经网络模型不完善等限制了该方法的广泛应用。人工智能结合表面肌电技术仍有待提高，是一个不断探索优化的过程。