《Journal of Electromyography and Kinesiology》：Accelerometric decoding of upper extremity movement intention in children with and without cerebral palsy: Complementary value of mechanomyography
编辑推荐：
本研究通过结合六轴加速度计和肌电信号，利用隐藏马尔可夫模型分析儿童（包括脑瘫患者）的上肢运动意图解码，发现融合运动信号与肌电信号可将典型发育儿童的运动意图分类准确率提升至88.0±5.6%，并在一名脑瘫患者中实现类似分类效果，验证了多模态信号融合的有效性。
马塞拉·科雷亚（Marcela Correa）|阿里·萨马达尼（Ali Samadani）|莱迪克纳尔夫·J·德霍兰达（Ledycnarf J. de Holanda）|亚拉·科基（Yara Corky）|汤姆·乔（Tom Chau）
布卢尔维尤研究所（Bloorview Research Institute），荷兰布卢尔维尤儿童康复医院（Holland Bloorview Kids Rehabilitation Hospital），地址：加拿大安大略省多伦多市Kilgour路150号，邮编M4G 1R8
摘要
患有运动障碍的儿童通常通过有目的的上肢运动与环境互动。然而，由于肌张力障碍或肌张力异常，这些手势意图可能会变得不稳定和难以预测。虽然加速度计已被用于脑瘫（CP）患者的运动分析，但由于运动的多样性，解码运动意图仍然具有挑战性。在这项多案例研究中，我们探讨了使用六个三轴加速度计检测运动意图的潜力，这些加速度计分别放置在肱二头肌长头、肱三头肌长头、桡侧腕屈肌、桡侧腕伸肌长肌、前三角肌和胸大肌上，以捕捉肢体运动和肌电图（MMG）活动。15名正常发育（TD）儿童和3名脑瘫儿童完成了一项基于平板电脑的绘画任务，该任务涉及离散的、自我控制的线性运动。基于隐马尔可夫模型（Hidden Markov Model）的分类结果显示，将MMG与运动信号结合使用可以提高识别准确性。在正常发育儿童中，这种组合方法达到了88.0±5.6%的四级分类准确率；在一名运动障碍儿童中也获得了类似的四级识别率。对于所有三名脑瘫儿童，当考虑基于运动和MMG信号的组合来区分不同运动时，平均个体准确率超过了70%。
这些发现强调了MMG在解码运动意图方面的潜力，有助于为运动障碍个体开发辅助技术。
引言
上肢运动对于日常活动、交流和运动发展至关重要。从基本的伸手和抓取动作到手势交流，控制上肢运动对于独立性、社交互动和生活质量都至关重要（Beani等人，2025年）。对于脑瘫（CP）儿童来说，痉挛、肌张力障碍和运动失调会负面影响他们的运动控制能力（Bax等人，2005年）。脑瘫是一种非进行性的产前或围产期脑损伤，在高收入国家中的全球患病率为每1000名活产婴儿中有1.6例（McIntyre等人，2022年），通常由脑室周围白质或小脑、运动皮层或基底神经节等脑区的损伤引起（Sanger，2006b；Himmelmann等人，2006年）。这些脑损伤会导致不自主运动、肌肉无力、协调能力差以及精细运动任务（如书写和说话）困难（Casellato等人，2014年）。
脑瘫的运动功能严重程度通常使用粗大运动功能分类系统（Gross Motor Function Classification System，GMFCS）进行描述，该系统从I级（无需限制即可行走）到V级（需要物理辅助或动力辅助）不等（Russell等人，2000年）。尽管GMFCS主要关注粗大运动技能，但它与上肢功能相关：GMFCS等级较高的儿童通常在控制手臂运动、姿势稳定性和手-物交互方面面临更大困难——这些因素直接影响他们使用辅助技术（AT）的能力（Tsitlakidis等人，2022年）。
在这种情况下，患有运动障碍的儿童常常依赖辅助技术来帮助他们完成日常活动（Davies等人，2010年；Alves和Chau，2010b年）。如果这些技术有效，例如机械开关或触摸界面，可以改善他们的参与度和生活质量（Alves和Chau，2010b年；Alves和Chau，2011年）。典型的辅助装置包括安装在轮椅上的平板电脑，以及固定在轮椅托盘上的虚拟和物理开关，操作这些装置都需要特定的手臂动作。
然而，许多脑瘫儿童难以控制上肢的运动。他们可能会经历不自主运动，这使得准确控制辅助设备变得困难。这可能导致目标定位错误、开关释放困难或多次意外激活（Chau等人，2012年）。因此，这些挑战降低了辅助技术的效率，并可能导致高放弃率（Mumford等人，2014年）。
为了解决这些问题，迫切需要能够可靠区分有意和无意运动的方法。肌电图（MMG）作为一种检测肌肉活动的技术，已成为残疾人控制设备的有希望的方法（Alves和Chau，2010b,c年）。MMG是测量低力度肌肉收缩的敏感替代方案，相比肌电图（EMG）更为有效（Ibitoye等人，2014年）。然而，由于不自主肌肉活动的影响，MMG测量容易受到运动伪迹的干扰（Alves和Chau，2011年）。以往关于MMG作为辅助途径的研究主要集中在负责特定运动的主要肌肉上（Alves等人，2010年；Posatskiy和Chau，2012年），尽管实际上上肢运动通常是由多块肌肉协同作用产生的（Facciorusso等人，2024年）。此外，上肢加速度往往是意图运动的第一个可测量指标（Zattara和Bouisset，1988年），并且在实时上肢投掷运动中已经能够准确预测这些加速度（Lian等人，2020年）。因此，考虑附近的肌肉及其相关的肢体加速度可能有助于更好地解码运动意图。这些发现表明，将MMG与加速度计结合使用可以通过捕捉肌肉激活和肢体运动来提高运动意图的解码能力。
尽管早期研究（Alves和Chau，2010b,c年）表明，在存在自主激活的情况下，MMG可以生成可靠的二进制控制信号，但当存在不自主运动时，性能会下降。在此基础上，我们的研究通过评估运动方向的四级分类，并测试将MMG与基于运动的特征结合使用是否可以提高肌张力障碍脑瘫患者的解码鲁棒性，从而扩展了基于MMG的辅助技术。
我们选择MMG而非表面肌电图（surface EMG）有三个主要原因：MMG对皮肤准备的要求较低（Correa等人，2023年），对传感器放置位置的变动不太敏感（Woodward等人，2019年），且受电噪声的影响较小。这些特性对于那些可能难以保持稳定姿势或持续传感器接触的肌张力障碍儿童尤其有利。MMG还能更敏感地检测到低水平的肌肉收缩（Madeleine等人，2002年），并且提供了与加速度计互补的信息（Ibitoye等人，2014年）。
隐马尔可夫模型（Hidden Markov Models，HMMs）非常适合研究运动序列的时间和变化性。HMMs能够适应相位偏移、不规则持续时间以及不自主运动产生的噪声，使其成为分析运动障碍人群运动意图的理想工具（Lesperance等人，2011年；Cole等人，2014年）。以往的研究已成功使用HMMs分析帕金森病患者的震颤、成人的步态阶段以及脑瘫儿童的行走模式（Rigas等人，2012年；Guenterberg等人，2009年；Taborri等人，2015年）。
本研究结合了加速度计和MMG来解码正常发育儿童和脑瘫儿童的上肢运动意图。我们假设将MMG与肢体加速度信号结合使用将提高对有意图运动方向的分类准确性。考虑到参与者的疲劳和注意力限制、传感器放置空间有限以及保持任务简单性的需求，我们专注于一个简单的单轴运动任务。减少自由度也有助于生成更稳定和一致的运动输出（Petrevska等人，2024年）。
通过在多模态HMM框架中结合加速度计和MMG，本研究填补了文献中的空白——即MMG在解码有意运动方面的应用尚未得到充分探索。这种方法能够在捕捉运动模式隐藏结构的同时，对上肢运动方向进行概率建模，即使在信号幅度低、存在运动伪迹或运动行为异常的情况下也是如此。
部分摘要
参与者
招募了15名正常发育儿童（年龄为11±2岁，5名男性，10名女性），他们没有已知的肌肉骨骼疾病。此外，还从荷兰布卢尔维尤儿童康复医院及周边学校招募了3名脑瘫儿童（年龄为9±1岁，2名男性，1名女性）。脑瘫儿童的纳入标准是MACS等级III–IV，至少有一侧手臂受损，并且能够理解和遵循英文指令（语言水平为正常或经过矫正至正常）。
实验设置
为了获取肌电图（MMG）信号，在六块上肢肌肉的肌肉上放置了六个三轴加速度计（MMA7361L，Freescale Semiconductor，尺寸为25.4毫米×12.7毫米×2.6毫米，灵敏度为1.1克）：肱二头肌、肱三头肌、桡侧腕屈肌、桡侧腕伸肌长肌、前三角肌和胸大肌（Charles，2017年）。传感器使用医用级胶带固定，z轴垂直于皮肤表面。MMG信号以1千赫兹的频率进行采样，使用定制的LabView软件进行处理。
运动和MMG信号的提取
为了从加速度计信号中提取MMG信号，采用了Daubechies 10母小波进行七级小波分解（Alves和Chau，2010a），并在重建过程中进行了软阈值处理（Donoho，2002年）。选择这种方法是因为MMG信号是非平稳的：其幅度和频率内容随时间变化（Beck等人，2008年）。为了分离MMG信号（频率范围为3.9–62.5赫兹），我们采用了Alves和Chau（2010a）描述的小波分解方法。
隐马尔可夫建模
上肢的方向性运动（如伸手或抬举）通常经历三个阶段：开始、运动和结束（Gales等人，2008年）。这种时间结构类似于语言中的序列，其中声音通过明确的阶段传递（Gales等人，2008年）。
隐马尔可夫模型（HMMs）非常适合捕捉顺序性、时间依赖的运动模式，因为它们能够模拟运动阶段之间的概率转换，并适应各种变化
分类性能评估
为了评估参与者对目标方向性运动的四级分类能力，分别使用了运动信号、MMG信号以及结合运动和MMG信号的10×5交叉验证方法，每次只考虑一名参与者的数据。重复相同的分析，以探究结合运动和MMG信号在二元分类中的价值，特别是在脑瘫患者中。
结果
图5展示了参与者特定模型和参与者无关模型的四级分类率箱线图。在正常发育儿童中，参与者特定的平均分类率分别为：运动信号86.3±6.4%，MMG信号51.9±8.5%，结合运动和MMG信号的准确率为88.0±5.6%。这些参与者特定的准确率显著高于参与者无关模型的准确率（Wilcoxon秩和检验，p<0.03；Cohen’s d<1.45）。
在三名
结合肌肉和运动信号的参与者特定建模
对于四类问题，所有参与者的参与者特定准确率都超过了随机水平（28.3%，基于160个样本（Müller-Putz等人，2008年）），包括脑瘫儿童。这些准确率也显著高于相应的参与者无关模型结果。这一结果与先前主要关注使用MMG进行运动识别的参与者特定分析的研究结果一致（Alves和Chau，2010b年；Roy和Panayi，1994年；Sanger，2006a年）结论
使用隐马尔可夫模型、加速度计时间序列数据、肌电图（MMG）及其组合，对正常发育儿童和脑瘫儿童的四方向上肢运动进行了分类。当结合运动和MMG信号时，正常发育儿童组的四级分类准确率达到了88.0±5.6%。值得注意的是，一名脑瘫儿童也表现出类似的四类解码性能。
作者贡献声明
马塞拉·科雷亚（Marcela Correa）：撰写——审阅与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、研究实施、数据分析、概念化。阿里·萨马达尼（Ali Samadani）：撰写——审阅与编辑、初稿撰写、数据分析。莱迪克纳尔夫·J·德霍兰达（Ledycnarf J. de Holanda）：撰写——审阅与编辑、初稿撰写。亚拉·科基（Yara Corky）：撰写——审阅与编辑、初稿撰写。汤姆·乔（Tom Chau）：撰写——审阅与编辑、初稿撰写、监督工作、资源协调、项目管理、方法论设计。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
