久久偷拍视频免费观看,一级a一级a爱片费免免黄色欧美

從表面肌電解碼微觀神經(jīng)驅(qū)動(dòng)信息的探索與應(yīng)用

Part.1 研究背景

表面肌電（surface electromyogram, sEMG）是肌肉收縮時(shí)表面電極在皮膚表面記錄到的所有激活運(yùn)動(dòng)單位（motor unit, MU）波形疊加得到的電生理信號(hào)，能夠反映被檢肌肉的活動(dòng)特性，可用于檢測(cè)神經(jīng)肌肉系統(tǒng)的健康狀態(tài)和理解人體的運(yùn)動(dòng)模式與意圖[1]。近年來(lái)，高密度表面肌電（high-density sEMG, HD-sEMG）[2]被廣泛應(yīng)用，通過(guò)二維陣列式排布的電極能夠獲取豐富的時(shí)空信息，使得從高度混疊的HD-sEMG信號(hào)中提取MU活動(dòng)信息成為可能，肌電分解技術(shù)[3]應(yīng)運(yùn)而生。盡管表面肌電因信噪比低且波形疊加嚴(yán)重，給分解任務(wù)帶來(lái)了巨大挑戰(zhàn)，但其無(wú)創(chuàng)的測(cè)量方式使得該技術(shù)的實(shí)現(xiàn)具有廣闊的應(yīng)用前景。經(jīng)表面肌電分解可以得到單個(gè)MU的募集和發(fā)放信息以及運(yùn)動(dòng)單位動(dòng)作電位（motor unit action potential, MUAP）的波形信息，是神經(jīng)驅(qū)動(dòng)指令的真實(shí)呈現(xiàn)，成為解碼微觀神經(jīng)驅(qū)動(dòng)信息，揭示運(yùn)動(dòng)形成的生理本源的重要途經(jīng)[4]。因此，該技術(shù)有助于實(shí)現(xiàn)能夠符合運(yùn)動(dòng)生理規(guī)律的魯棒自然肌電控制方法[5]，包括識(shí)別運(yùn)動(dòng)模式、估計(jì)收縮強(qiáng)度、關(guān)節(jié)力矩、角度、速度等。然而，目前肌電分解技術(shù)仍然存在分解不完全和所得的MU難以跨數(shù)據(jù)段辨識(shí)追蹤兩大技術(shù)難題，極大限制了該技術(shù)的應(yīng)用。

針對(duì)上述問(wèn)題，中國(guó)科學(xué)技術(shù)大學(xué)微電子學(xué)院醫(yī)療電子實(shí)驗(yàn)室張旭副教授團(tuán)隊(duì)致力于通過(guò)肌電分解技術(shù)解碼微觀神經(jīng)指令，以構(gòu)建符合運(yùn)動(dòng)產(chǎn)生神經(jīng)生理規(guī)律的運(yùn)動(dòng)識(shí)別與意圖理解方法框架，在運(yùn)動(dòng)控制、神經(jīng)-機(jī)器接口等方面具有應(yīng)用前景。

Part.2 科學(xué)問(wèn)題與關(guān)鍵技術(shù)

為了有效克服目前sEMG分解不完全和MU難以跨數(shù)據(jù)段追蹤的難題，研究團(tuán)隊(duì)提出了融合神經(jīng)生理計(jì)算模型和機(jī)器學(xué)習(xí)的MU信息處理和功能解析的方法，并將其成功用于高精度肌力估計(jì)，如圖1所示。具體內(nèi)容如下：

圖1：基于肌電分解的MU信息處理和功能解析流程圖

1 MU聚類追蹤

研究團(tuán)隊(duì)提出一種基于k-means聚類的非嚴(yán)格MU跨數(shù)據(jù)段辨識(shí)方法，實(shí)現(xiàn)MU跨活動(dòng)段的追蹤?？紤]到MUAP波形的空間分布能夠有效反映MU的大小尺寸和在肌肉內(nèi)的位置等功能特性信息，得到如下假設(shè)：在二維電極陣列上具有相似MUAP波形的MU具備相似的功能。因此，MUAP波形空間分布模式相似的MU可以被粗歸為同一類。研究團(tuán)隊(duì)利用自主研發(fā)的逐步獨(dú)立分量剝離（Progressive FastICA Peel-off, PFP）算法進(jìn)行HD-sEMG分解，得到MU的發(fā)放序列和波形信息?；贛U的波形幅值特征，采用K-means算法對(duì)分解所得的多個(gè)MU進(jìn)行聚類和分類。盡管跨數(shù)據(jù)段獨(dú)立分解所得的一批MU明顯會(huì)存在數(shù)目和種類不一致、獲取次序不確定的問(wèn)題，經(jīng)上述過(guò)程這些MU均可以被歸于按功能粗分的、數(shù)量固定的類別中，從而實(shí)現(xiàn)非嚴(yán)格意義的MU辨識(shí)與追蹤。該過(guò)程的還有一個(gè)作用是將所有MU活動(dòng)信息按照類別對(duì)齊，便于后續(xù)采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法進(jìn)行處理。

2 衡量MU類別分布特征

HD-sEMG 信號(hào)的不完全分解直接導(dǎo)致一些激活的 MU 不可避免地丟失，從而影響 MU 活動(dòng)的完整性。為了解決這個(gè)問(wèn)題，研究團(tuán)隊(duì)進(jìn)一步假設(shè)由分解得到的 MU 可以被視為可充分代表所有激活 MU 的子集。通過(guò)計(jì)算MU類別分布模式發(fā)現(xiàn)該模式在相同力度中保持相對(duì)一致，而在不同力度中展現(xiàn)出差異，利用這個(gè)規(guī)律可通過(guò)類別分布模式對(duì)肌力收縮的大致水平進(jìn)行預(yù)測(cè)，獲取力度增益因子。由此，該方法能夠從代表性子集中預(yù)測(cè)所有激活的 MU（即本研究中產(chǎn)生肌肉力的所有MU）的主要行為，從而一定程度上克服了分解不完全的問(wèn)題。

3在微觀的MU層面上的電-力轉(zhuǎn)換

電-力轉(zhuǎn)換是神經(jīng)驅(qū)動(dòng)運(yùn)動(dòng)產(chǎn)生的基本物理過(guò)程，著名的顫搐力（twitch force）模型很好解釋了在MU水平上的電力轉(zhuǎn)換原理。然而，實(shí)際應(yīng)用此模型時(shí)，無(wú)法準(zhǔn)確得到MU的大小，需要有效的估算方法。盡管缺乏每個(gè)MU募集順序的先驗(yàn)知識(shí)，但考慮到MU募集遵循“尺寸原則”這一事實(shí)，研究團(tuán)隊(duì)在實(shí)際應(yīng)用時(shí)將顫搐力幅度建模為與MUAP波形幅度線性相關(guān)。這一簡(jiǎn)化關(guān)系通過(guò)仿真實(shí)驗(yàn)驗(yàn)證，仿真結(jié)果表明在三種不同的MU深度和大小關(guān)系的情況下（大MU隨機(jī)分布、分布在肌肉表層、分布在肌肉深層），通過(guò)建模的線性相關(guān)關(guān)系進(jìn)行計(jì)算，均能獲得優(yōu)異的肌力估計(jì)結(jié)果。這也說(shuō)明了本研究在盡量遵循生理底層規(guī)律的同時(shí)，從工程實(shí)用的角度對(duì)MU水平的電力關(guān)系進(jìn)行簡(jiǎn)化建模的可行性和有效性。

4用于高精度肌力估計(jì)的深度神經(jīng)網(wǎng)絡(luò)

在上述電-力轉(zhuǎn)換過(guò)程中，研究保留了原電極陣列的空間信息和MU類別分布信息。為挖掘轉(zhuǎn)換后顫搐力序列中蘊(yùn)含的空間信息和時(shí)間信息，精確量化每個(gè)MU對(duì)肌力形成貢獻(xiàn)，研究團(tuán)隊(duì)提出了編碼-解碼深度網(wǎng)絡(luò)進(jìn)行肌力估計(jì)，如圖2所示。其中，編碼網(wǎng)絡(luò)由兩層深度可分離卷積層組成以提取不同類別 MU 的空間信息，旨在根據(jù)空間分布和尺寸大小為每個(gè)MU類別編碼特定的力貢獻(xiàn)。將編碼器輸出的信息直接送入由兩層長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory, LSTM)構(gòu)成的解碼器中以充分提取信號(hào)內(nèi)的時(shí)間相關(guān)性，最后由全連接層輸出力估計(jì)結(jié)果。上述網(wǎng)絡(luò)由帶有歸一化肌力標(biāo)簽的訓(xùn)練樣本進(jìn)行訓(xùn)練，選擇均方根誤差（root mean square deviation, RMSD）為目標(biāo)函數(shù)，并通過(guò)小批量梯度下降法進(jìn)行優(yōu)化。當(dāng)網(wǎng)絡(luò)被訓(xùn)練好時(shí)，對(duì)于任何顫搐力序列的輸入都能即時(shí)給出對(duì)肌力的預(yù)測(cè)。

圖2：編碼-解碼網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)輸入的尺寸為100× 10× 8× 8，100 為時(shí)長(zhǎng)50ms的樣本點(diǎn)，

10為MU類別數(shù)，8× 8為二維電極陣列。

Part.3 實(shí)驗(yàn)測(cè)試

研究團(tuán)隊(duì)以健康受試者食指外展過(guò)程中拇短展?。ˋPB）的肌力預(yù)測(cè)為目標(biāo)來(lái)驗(yàn)證所提方案的有效性，實(shí)驗(yàn)設(shè)備和肌力產(chǎn)生模式如圖3所示。實(shí)驗(yàn)將通過(guò)顫搐力模型轉(zhuǎn)換而來(lái)的群組化顫搐力序列（CTFTs）送入神經(jīng)網(wǎng)絡(luò)進(jìn)行每個(gè)類別MU的空間信息提取和類別信息融合，可將從每個(gè)MU類別中學(xué)習(xí)到的知識(shí)推廣到未知活動(dòng)段獲取的MU中，以類別為單位進(jìn)行MU的功能識(shí)別，實(shí)現(xiàn)較好的歸一化力曲線估計(jì)效果。將估計(jì)出的力度增益因子與歸一化力曲線相乘即可得到最終的肌力。該研究與國(guó)際上近期報(bào)道的基于MU發(fā)放率的肌力估計(jì)算法（FR方法）和經(jīng)典的基于sEMG信號(hào)均方根幅度（RMS方法）和包絡(luò)（ENV方法）的肌力估計(jì)算法進(jìn)行了比較。圖4展示了四種方法在所有受試者所有活動(dòng)段上的平均均方根誤差（RMSD）和擬合優(yōu)度（R2），所提方法展現(xiàn)了領(lǐng)先的肌力估計(jì)性能，即RMSD最低（6.84％±1.29％），R2最高（0.94±0.04）。圖5給出了同一活動(dòng)段在不同方法中的歸一化力曲線估計(jì)結(jié)果。與其余方法相比，所提方法更準(zhǔn)確地跟蹤了真實(shí)肌力變化趨勢(shì)。

圖3：（a）實(shí)驗(yàn)設(shè)備圖，（b）肌力產(chǎn)生模式圖

圖4：肌力估計(jì)統(tǒng)計(jì)結(jié)果

圖5：同一活動(dòng)段不同方法下的估計(jì)結(jié)果，該段選自一代表性受試者產(chǎn)生20% MVC力度。

Part.4 總結(jié)與展望

研究工作聚焦微觀神經(jīng)驅(qū)動(dòng)信息解碼的前沿，克服肌電分解技術(shù)中不完全分解和MU跨活動(dòng)段難以辨識(shí)的影響，探索MU層面電力關(guān)系，突破肌電分解技術(shù)在實(shí)際應(yīng)用場(chǎng)景中的壁壘，更好面向未來(lái)魯棒自然的肌電控制和精準(zhǔn)便利的神經(jīng)肌肉病變?cè)\斷的應(yīng)用需求。研究有助于反映微觀神經(jīng)指令產(chǎn)生的規(guī)律，揭示控制和運(yùn)動(dòng)健康的內(nèi)在生理病理機(jī)制，為智能運(yùn)動(dòng)控制系統(tǒng)設(shè)計(jì)和開(kāi)發(fā)提供重要支撐，在電子、體育和醫(yī)療領(lǐng)域均有重要意義。

上述研究受到國(guó)家自然科學(xué)基金（61771444）支持。

相關(guān)論文信息：
· X. Tang, X. Zhang, M. Chen et al., Decoding muscle force from motor unit firings using encoder-decoder networks, IEEE Trans. Neural Syst. Rehabil. Eng., 29, 2484-2495, 2021.

· X. Li, X. Zhang, X. Tang et al., Decoding muscle force from individual motor unit activities using a twitch force model and hybrid neural networks. Biomed. Signal Process. Control, 72, 103297, 2022.

便攜式電生理測(cè)試系統(tǒng)

高密度肌電測(cè)試系統(tǒng)由 64 通道（最大支持256通道）無(wú)線高密度肌電信號(hào)采集系統(tǒng)以及專用分析軟件組成。能進(jìn)行肌電信號(hào)采集，具備在運(yùn)動(dòng)條件下測(cè)量數(shù)據(jù)的能力，具有良好的兼容性與擴(kuò)展性且支持離線采集。該系統(tǒng)可廣泛應(yīng)用于人機(jī)交互、腦機(jī)接口、虛擬現(xiàn)實(shí)、智能假肢、康復(fù)醫(yī)療以及運(yùn)動(dòng)訓(xùn)練等領(lǐng)域。

豐富的配件