《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：A Lightweight Hybrid Encoder-decoder Framework for Multiple Degree of Freedom Muscle Force Estimation
编辑推荐：
为解决多自由度手指运动肌力估计中忽视运动单元放电的时序累积效应及跨手指的固定运动单元池分配等问题，研究人员提出了一种融合EMG分解与TFR-Net的轻量级混合编码-解码框架。该方法利用时序放电率建模力量累积，并动态分配多手指任务中的运动单元权重。实验表明，该方法在相关性（R2）、预测误差（RMSE）及计算效率（Flops）上均优于基线模型，为灵巧手指力预测的鲁棒人机接口提供了潜在方案。
在追求人机自然交互的今天，灵巧的手指运动控制是关键所在。想象一下，未来我们或许可以通过一个意念或细微的肌肉信号，就让机械手精准地完成弹琴、写字等高难度动作。实现这一愿景的核心挑战之一，在于如何从人体微弱的肌肉电信号中，实时、准确地“解码”出我们的发力意图。这就像在嘈杂的背景噪音中，试图听清并理解一首复杂的交响乐。当前，研究人员已能从表面肌电图(EMG)中分解出代表单个神经肌肉控制单元活动的运动单元(MU)放电信息，这为精细动作的解码打开了新的大门。然而，这条路并非坦途。在尝试预测多根手指、不同力度的复杂发力模式时，现有方法遇到了两大瓶颈：第一，它们通常将每次运动单元的放电视为独立的“拍子”，而忽视了连续放电在时间维度上累积成“力量”的物理过程，这就像只数音符个数，而不考虑音符的时值，难以准确还原旋律的节奏与强度。第二，传统模型往往将运动单元“固定”分配给某根手指，假设一个运动单元只控制一根手指，但实际情况是，神经控制可能更加灵活和共享，这种僵化的“户口”制度限制了模型在协调性任务中的表现。
为了解决这些问题，并将手指肌力预测推向更实用、更高效的新阶段，一篇发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究提出了一种创新的解决方案。研究者们设计了一个名为“集成肌电解码与TFR-Net的轻量级混合编码-解码框架”。这个框架的核心思想是构建一个更聪明的“翻译官”，它不仅能听懂肌肉的“语言”（EMG信号），还能理解这种语言在时间流中的“语法”（累积效应），并能根据任务（不同手指、不同力度）灵活调配“词汇”（运动单元权重）。为了验证其有效性，研究团队招募了10名受试者，采集了他们执行交替多手指等长伸展任务时长达15分钟的肌电信号，并以此评估了新方法的性能。
研究人员开展这项研究主要运用了以下几项关键技术：首先，表面肌电图(EMG)分解技术，用于从原始EMG信号中提取出单个运动单元(Motor Unit, MU)的放电序列（spike trains）和瞬时放电率。其次，时序放电率网络(Temporal Firing Rate Net, TFR-Net)，这是一个专门设计的神经网络模块，用于对放电率进行层次化编码与解码，以建模放电的时序累积效应，替代了传统的抽搐力模型。最后，动态权重分配机制，该机制嵌在框架中，能够根据多手指、多力级任务的需求，灵活、动态地分配各运动单元对最终输出力的贡献权重，而非采用固定的运动单元池分配方案。
研究结果
- •
框架性能评估：本研究提出的混合编码-解码框架在两个关键指标上均显著优于两种基线方法（基于放电率的回归方法和抽搐力模型方法）。在预测相关性方面，新方法的决定系数R2达到了0.80 ± 0.12，高于基线方法的0.75 ± 0.14和0.62 ± 0.19。在预测误差方面，新方法的均方根误差(RMSE)为6.32% ± 1.89% MVC（最大随意收缩力），低于基线方法的7.24% ± 1.82% 和9.96% ± 2.54%。这表明新框架能更准确、更稳定地预测多自由度肌力。
- •
计算效率分析：除了精度优势，该框架在计算效率上展现出了巨大优势。与计算密集型的抽搐力模型方法（需408.093k次浮点运算，Flops）相比，所提框架仅需1.350k Flops，计算负担大幅降低，而基于放电率的回归方法计算量最小（0.016k Flops）。这证明了新方法在保持高精度的同时，实现了“轻量级”的设计目标，为实时应用奠定了基础。
- •
方法组分有效性验证：通过消融实验分析框架内TFR-Net模块和动态权重分配机制的作用。结果显示，移除任一组件都会导致模型性能（R2和RMSE）的显著下降。这证实了使用时序放电率来建模力累积，以及采用灵活的动态运动单元权重分配策略，对于提升多自由度肌力估计性能都是至关重要且有效的设计。
结论与讨论
本研究成功开发并验证了一种用于多自由度手指肌力估计的轻量级混合编码-解码框架。该框架的创新之处在于，它没有沿用传统的、将每次运动单元放电视为独立瞬时力的抽搐力模型，而是创新性地引入了时序放电率(TFR)的概念，通过TFR-Net网络来刻画放电活动在时间上的整合与累积过程，从而更符合神经肌肉力生成的生理学本质。同时，框架摒弃了僵化的、预先固定的运动单元-手指映射关系，引入了动态权重分配机制，使得模型能够根据具体的多手指协同任务，自适应地调整各运动单元对最终合力的贡献比例，这更好地模拟了神经系统在控制精细、协调运动时可能的灵活性。
这项工作的重要意义体现在两个方面。在科学层面，它提供了一种新的计算范式，将肌电信号解码从相对静态的、基于独立事件的建模，推向了对神经控制时序动力学特性及任务依赖性的动态建模，深化了我们对运动控制神经编码的理解。在应用层面，该框架展现出的高精度、低计算成本的特性，使其极具转化为实用技术的潜力。其进一步的发展，有望为下一代高性能、可穿戴的人机接口(Human-Machine Interface, HMI)提供核心算法，广泛应用于康复机器人、智能假肢、虚拟现实交互等领域，最终帮助运动功能障碍患者或增强健康人的操作能力，实现更自然、更灵巧的人机协同。
