编辑推荐：
本研究为提升慢性踝关节不稳（CAI）评估的临床价值与生态效度，提出了一个融合肌电信号（sEMG）肌肉协同（NNMF分解）、深层特征融合（CNN）与机器学习（随机森林）的全新评估框架。研究发现，CAI患者在非预期落地任务中表现出改变的协同结构与近端肌肉补偿性募集模式，基于此特征的CNN-RF-Unant模型实现了高达0.96的识别准确率，显著优于传统方法。该框架为CAI的潜伏性功能缺损识别与个体化康复策略制定提供了有力工具。
扭伤脚踝是运动与日常生活中极为常见的损伤，但许多人因此陷入了反复扭伤的困境，长期遭受疼痛、关节不稳和功能下降的困扰，这种情况在医学上被称为慢性踝关节不稳（CAI）。尽管这一问题普遍存在，但如何精准、有效地识别和评估CAI患者内在的神经肌肉控制缺陷，一直是临床康复领域的挑战。传统的评估方法往往依赖于患者的主观报告或在简单、可预知环境下的功能测试，难以捕捉到患者在应对突发、不可预知扰动时的真实功能障碍，这就像是只在风平浪静时测试船只的航行能力，而无法评估其在风暴中的表现。因此，开发一种更敏感、更具生态效度（即在接近真实场景下进行评估的有效性）的评估工具，对于早期干预和制定个性化康复方案至关重要。近期，一篇发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究，为我们带来了新的思路。研究人员巧妙地将肌肉协同理论、深度学习与机器学习算法相结合，构建了一个全新的评估框架，旨在从神经肌肉控制的深层机制入手，更精准地“揪出”CAI在不同状态下的异常表现。
为了回答上述问题，研究团队主要运用了以下几项关键技术方法：首先，研究招募了30名CAI患者和30名健康受试者作为对照，采集了他们在预期和非预期两种条件下执行落地任务时，9块下肢关键肌肉的表面肌电图（sEMG）信号。其次，利用非负矩阵分解（NNMF）这一算法，从复杂的sEMG信号中提取出代表神经控制策略的“肌肉协同”特征。然后，创新性地将这些特征构建成多维表示，并输入卷积神经网络（CNN）进行分层融合与深层特征提取。最后，采用随机森林（RF）算法对融合后的高阶特征进行分类建模，以区分CAI患者与健康人群，并比较不同任务条件（预期 vs. 非预期）下模型的性能差异。
研究结果
CAI患者的肌肉协同模式发生改变
通过NNMF分析发现，与健康对照组相比，慢性踝关节不稳患者在执行落地任务时，其肌肉协同的结构和激活模式发生了显著改变。这提示CAI的神经运动控制策略出现了异常重组。
非预期任务诱发近端肌肉代偿性募集
特别是在非预期的落地条件下，CAI患者表现出明显的运动代偿策略。他们的肌肉激活重心向身体近端（如髋部和膝部周围的肌肉）偏移，这意味着踝关节本身的稳定性下降，身体不得不更多地依赖大腿和臀部的肌肉来维持平衡和缓冲冲击。这种代偿模式在可预知的落地任务中则不明显，凸显了非预期条件对于暴露潜在功能障碍的重要性。
基于CNN-RF的非预期任务模型识别性能最优
研究构建并比较了多种分类模型。结果显示，结合了卷积神经网络进行特征融合、并基于非预期任务数据训练的随机森林模型（CNN-RF-Unant）表现最为出色，其分类准确率达到了0.96，F1分数为0.95。该性能显著优于仅基于预期任务数据的模型，或未使用CNN进行深度特征融合的模型。这证明非预期任务所诱发的生理信号包含更多鉴别信息，而深度特征融合能有效提炼这些信息。
非预期任务特征具有更高的信息重要性
通过对随机森林模型进行特征重要性分析，研究人员进一步确认，源自非预期落地任务的肌肉协同特征，对于区分CAI与健康个体具有更高的贡献度和信息价值。这从数据驱动的角度，再次验证了引入生态效度更高的评估条件（非预期扰动）的必要性。
研究结论与讨论
本研究成功构建并验证了一个基于肌肉协同分析、深度特征融合与机器学习的慢性踝关节不稳评估新框架。核心结论表明，慢性踝关节不稳患者存在特定的神经肌肉控制缺陷，表现为肌肉协同结构的改变，且在面临不可预知的扰动时，会启动以近端肌肉募集增加为特征的代偿策略。这些异常在非预期任务条件下被显著放大，从而为高精度识别提供了关键信息。
这项研究的重要意义在于多方面。在理论上，它将计算神经科学中的肌肉协同理论与前沿的人工智能技术（深度学习与机器学习）相结合，为理解运动控制障碍提供了一个更强大的量化分析工具。在方法学上，所提出的“NNMF-CNN-RF”框架超越了传统基于表面指标或简单特征的分析方法，通过多层次的信息提取与融合，实现了对复杂神经肌肉信号深层模式的高效解码。最重要的是在临床应用层面，该框架展现出极高的鉴别效能，特别是其强调非预期任务的价值，使得评估更加贴近日常生活和运动中的真实挑战，从而提高了评估的临床敏感性与生态效度。这为临床医生早期、精准地识别慢性踝关节不稳患者，特别是那些在常规检查中表现“正常”但存在潜伏性功能障碍的个体，提供了客观、量化的决策支持。最终，这种精准的评估能力有望导向更具针对性的个性化康复训练方案，例如专门设计包含认知挑战和不可预知元素的训练，以矫正其异常的运动控制模式，从而改善患者预后，降低再损伤风险。
