《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：HD-sEMG-Based Control Using Neck Muscles and Shallow Neural Networks: Assessing Performance in Rehabilitation-Oriented Tasks
编辑推荐：
本项研究旨在探索如何为脊髓损伤患者提供一种非侵入式的康复控制新方法。研究人员开发了整合递归康复控制网络(RRC-Net)与高密度电极阵列(HDE-Array)的系统，利用颈部采集的高密度表面肌电(HD-sEMG)信号，控制光标和三维手部运动模型。研究结果显示，无论是健康受试者还是四肢瘫痪受试者，均能高效完成两项控制任务，且两组间在关键性能指标上无统计学显著差异。这表明该系统具有简易、舒适和有效的特点，为辅助设备的控制提供了全新且潜力巨大的解决方案。
脊髓损伤(Spinal Cord Injury)是一种严重的中枢神经系统创伤，常导致损伤平面以下的运动、感觉功能丧失。对于颈髓损伤导致的四肢瘫痪(又称四肢瘫，tetraplegia)患者而言，恢复对手部的控制是提升生活独立性、进行康复训练的核心目标之一。传统的康复手段或辅助设备控制方式，如基于残存肢体较大幅度运动的机械控制、或需要植入大脑的侵入式脑机接口(Brain-Computer Interface, BCI)，分别存在控制精度有限、动作代偿不自然，或手术风险高、技术门槛高等局限性。因此，开发一种非侵入、易于使用且能实现精细多自由度(Multi-Degree of Freedom, Multi-DoF)控制的系统，成为康复工程领域一个亟待攻克的难题。
为此，一项发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究另辟蹊径，将目光投向了人体颈部。颈部肌肉群虽然不直接操控手部，但其活动与头部姿态、呼吸等多种功能相关，信号丰富且易于采集。研究人员提出并验证了一种集成系统，该系统结合了高密度表面肌电(High-Density surface Electromyography, HD-sEMG)信号采集、递归康复控制网络(Recursive Rehabilitation Control Network, RRC-Net)以及高密度电极阵列(High-Density Electrode Array, HDE-Array)，旨在利用颈部肌肉的肌电信号来估计和控制多自由度的运动。这项研究的核心目标是评估该系统在执行两项模拟功能电刺激(Functional Electrical Stimulation, FES)控制任务时的性能，并探究其能否为脊髓损伤患者提供一种有效的康复控制途径，从而增强他们的康复独立性。
本研究采用了严谨的实验设计来验证系统的有效性和普适性。研究共招募了18名受试者，其中包括10名四肢瘫痪患者和8名健康受试者，构成了一个包含目标用户与对照组的样本队列。整个实验流程分为训练和测试两个主要阶段。在训练阶段，研究人员使用置于受试者颈部的HDE-Array采集HD-sEMG信号，这些信号被用于训练一个专门设计的浅层神经网络——RRC-Net，该网络的功能是将复杂的肌电信号映射并估计为目标的多自由度运动参数。在随后的测试阶段，受试者需要运用这套“意念”（实为颈部肌肉活动）控制系统，完成两项精心设计的控制任务。第一项是光标控制任务，要求受试者操控屏幕上的光标到达指定目标；第二项是三维手部运动学模型控制任务，要求受试者控制一个虚拟的、具有三个运动自由度（例如可能对应于手部的张开/闭合、腕部屈/伸等）的手部模型，使其达到特定的姿态或位置。研究人员通过一系列量化指标，如平均全局距离(Mean Global Distance, MGD)、平均角度距离(Mean Angular Distance, MAD)、任务完成分数(Task Completion Score, TCS)和归一化距离(Normalised Distance, ND)等，对两组受试者在两项任务中的表现进行了细致的分析与统计学比较。
研究结果：
1. 手部位置控制任务性能表现
在控制三维手部运动学模型的任务中，无论是健康受试者还是四肢瘫痪受试者都表现出了较高的控制能力。对两组受试者的关键性能指标进行统计学分析后发现，他们在控制精度上并无显著差异。具体而言，在衡量整体位置误差的平均全局距离(MGD)指标上，两组间的差异不具有统计学意义(p = 0.93)。同样，在衡量角度偏差的平均角度距离(MAD)指标上，两组间的差异也不显著(p = 0.77)。这一结果初步表明，四肢瘫痪患者能够像健康人一样，通过这套基于颈部HD-sEMG的系统，实现对虚拟手部模型的精准、多自由度控制。
2. 光标控制任务性能表现
在更为基础的光标控制任务中，研究得到了类似的结论。两组受试者均能有效完成任务。对任务完成度（TCS）和路径效率（ND）的分析显示，健康组与四肢瘫痪组之间的表现同样没有统计学上的显著差异（TCS: p = 0.68; ND: p = 0.63）。这进一步证实了该系统对于目标用户群体（脊髓损伤患者）的有效性，并且其控制性能可以达到与健康人群相当的水平。
结论与讨论：
本研究成功地开发并验证了一种基于颈部HD-sEMG信号与RRC-Net神经网络的新型非侵入式控制系统。核心结论是，该系统能够使四肢瘫痪受试者高效地完成模拟FES控制的多自由度任务（包括光标控制和三维手部模型控制），且其任务表现与健康受试者相比没有显著差异。这一发现具有多重重要意义。
首先，在科学层面，它挑战了“控制信号必须来源于目标肢体”的传统观念，证明了颈部肌肉群作为丰富信号源的潜力，为运动控制与神经康复研究开辟了一条新路径。其次，在技术层面，所采用的RRC-Net/HDE-Array集成系统展现了其简洁性、佩戴舒适性和控制有效性。系统的“浅层”神经网络设计可能意味着更快的训练速度和更低的计算资源需求，有利于未来在临床或家庭环境中的实际部署。最后，也是最重要的，在临床应用层面，这项研究为脊髓损伤患者，特别是四肢瘫痪患者，提供了一种极具前景的辅助控制方案。它使患者有可能通过相对轻松、无创的方式，控制外骨骼、FES设备或其它辅助器具，从而直接促进上肢功能的康复训练或提升日常生活自理能力，最终增强其康复独立性和生活质量。研究结果为未来开发更智能、更人性化的康复机器人与神经假体接口奠定了坚实的基础。
