编辑推荐：
本研究通过表面肌电信号（sEMG）和1D卷积神经网络，验证了sEMG在区分上 traps 肌肉 latent MTrPs 患者与健康对照组中的可行性。结果显示，干预前数据采用对偶逻辑损失函数时AUC达0.94（95%CI:0.88-0.98），结合干预前后数据AUC为0.916。研究表明sEMG可客观评估MTrPs，为后续大规模验证提供基础。
郝恩·卢（Hao-En Lu）| 大卫·科伊维斯托（David Koivisto）| 曾子雪（Zixue Zeng）| 余彤（Tong Yu）| 王静（Jing Wang）| 孟欣（Xin Meng）| 理查德·威尔逊（Richard Wilson）| 迪内什·昆巴雷（Dinesh Kumbhare）| 普建涛（Jiantao Pu）
美国宾夕法尼亚州匹兹堡大学放射科，邮编15213
摘要
肌筋膜疼痛综合征通常由肌筋膜触发点（MTrPs）引起。虽然针刺肌电图（iEMG）可以检测到触发点的自发性活动，但表面肌电图（sEMG）的有效性尚未得到一致验证。本研究旨在证明仅使用sEMG信号是否足以识别肌筋膜触发点。研究从健康对照组（n=9）和肌筋膜疼痛患者（n=13）中记录sEMG信号。经过预处理后，使用自动化分割算法提取了干预前（N=140）和干预后（N=139）的收缩段。在受试者层面，通过分层五折交叉验证训练了一个一维卷积神经网络（CNN）。比较了二元交叉熵损失、成对逻辑损失及其组合损失，以及干预前、干预后和组合干预前/后信号的表现。还进行了仅基于潜在特征的敏感性分析。将各段的预测结果汇总后进行受试者层面的分析，并使用ROC-AUC和其他指标进行评估。在干预前段的成对逻辑损失下获得了最佳的受试者层面性能（AUC 0.940，95% CI：0.88–0.98；准确率 0.96，95% CI：0.93–0.99）。在仅基于潜在特征的分析中，组合干预前后的信号获得了最高的AUC（0.916，95% CI：0.86–0.96）。本研究表明，上斜方肌的sEMG信号包含区分主要潜在MTrPs患者和健康对照组的鉴别信息，这为大规模验证研究提供了依据。
引言
肌筋膜疼痛综合征（MPS）是一种慢性肌肉骨骼疾病，其特征是肌肉、筋膜或相邻软组织出现局部疼痛。该病症通常与高敏感性的肌筋膜触发点（MTrPs）有关，这些触发点表现为紧绷肌肉带内的可触及结节（Dua和Chang，2025）。MPS常引发局部抽搐反应（LTR），即受影响肌肉带在触诊、压力或快速针刺时短暂收缩，而周围非触发点肌肉不会被激活（Rivner，2001）。LTR被认为是MTrPs最具体的临床体征之一；然而，即使在经验丰富的医生之间，其检测结果也可能存在差异（Hong和Simons，1998）。为了客观评估MTrPs及其相关的LTR，人们使用肌电图（EMG）来记录肌肉电活动。在肌肉收缩过程中，可以通过放置在皮肤表面的非侵入性电极或直接插入肌肉的针电极来测量运动单位动作电位（Chowdhury等人，2013）。将针插入触发点可以诱发LTR，表现为高频尖峰和自发性EMG活动增加（Rivner，2001；Chung等人，2006）。然而，在某些研究中，与正常肌肉相比，MTrPs肌肉并未发现可检测到的电异常（Durette等人，1991）。与肌肉内EMG类似，表面EMG的有效性也未得到一致验证。Gemmell和Bagust发现，尽管活跃组的活动较低，但活跃MTrPs和潜在MTrPs之间的sEMG活动没有显著差异（Gemmell和Bagust，2009）。另一项研究也报告称，疼痛侧和下颌肌肉的sEMG在无痛侧之间没有差异（Manfredini等人，2013）。相比之下，Juliusz H.等人表明，静息状态和收缩状态下的sEMG可以可靠地检测上斜方肌的MPS，其中静息幅度超过25 μV可能表明肌肉张力增加（Huber等人，2013）。
sEMG的非侵入性特性激发了人们对其应用的兴趣，开发了许多使用机器学习算法分析和分类信号模式的方法。传统上，sEMG的特征提取分为时域、频域和时频域特征，然后这些特征被用于支持向量机（SVM）、线性判别分析（LDA）、决策树（DT）和k近邻（KNN）等经典机器学习算法，用于各种预测任务（Chowdhury等人，2013；Phinyomark等人，2019）。这些方法已应用于慢性疼痛研究（Sabeenian和Vinodhini，2023），包括区分慢性疼痛患者和健康对照组（Srhoj-Egekher等人，2022；Lee等人，2021），以及估计疼痛强度（Olugbade等人，2015；Pouromran等人，2021）。最近，深度学习技术（如卷积神经网络（CNN）和循环神经网络（RNN）在时间序列分析和自动特征提取方面优于传统算法，在手势识别（Fukano等人，2021）和肌肉激活检测（Khowailed和Abotabl，2019）等应用中显示出潜力。然而，很少有研究探索使用sEMG进行慢性疼痛评估的深度学习方法。
一个关键挑战是深度学习通常需要大量数据，需要大型、标注良好的数据集才能实现泛化性能。这对前瞻性临床研究构成了障碍，因为患者招募耗时、样本量有限且数据收集资源密集。为了测试新想法，前瞻性地收集数百份sEMG记录往往不切实际。因此，证明深度学习在小规模、前瞻性收集的数据集上的可行性对于早期概念验证研究至关重要，使研究人员能够评估创新方法并降低后续大规模验证的风险。
在本研究中，我们评估了使用深度学习在小规模前瞻性队列中区分具有潜在和活跃MTrPs的上斜方肌的可行性。从22名执行一系列肌肉激活任务的受试者处记录了sEMG信号。对原始信号进行了预处理，并使用提出的算法提取了干预前和干预后的收缩段以预测MTrPs。分别分析了干预前、干预后和组合阶段的收缩信号，以评估拉伸干预的效果。还进行了仅限于潜在病例的敏感性分析，以评估其性能，并将其与潜在组和活跃组进行比较。结合了成对逻辑损失并与二元交叉熵损失进行比较，以优化分类性能。提出了一种一维CNN模型来从收缩信号中分类MPS，并通过五次分层五折交叉验证评估了模型性能。通过改变分割算法的关键参数并观察性能波动，进行了鲁棒性分析。我们假设sEMG收缩信号包含足够的电生理信息来区分正常肌肉和具有MTrPs的肌肉，并且深度学习模型可以有效地学习这些模式。本研究作为一个概念验证，展示了如何在小型前瞻性数据集上利用深度学习探索新的临床想法，并提供了从早期可行性测试到大规模临床验证的实际路径。
章节片段
参与者队列和sEMG采集
本研究获得了多伦多大学机构审查委员会（IRB编号：STUDY 22-5584.3）的批准，受试者招募在多伦多康复研究所进行。参与者通过海报广告招募，并在招募前提供了书面知情同意书。记录了包括年龄、性别和体重在内的人口统计数据。一位经验丰富的疼痛专家（Dinesh Kumbhare博士）将参与者分为三组：
收缩信号提取
表3总结了根据MTrPs标签从干预前、干预后和所有干预中提取的收缩信号数量。图6显示了使用自动化收缩信号分割方法提取的收缩信号。从干预前阶段获得了57个健康和83个不健康的收缩样本，而从干预后阶段获得了59个健康和80个不健康的样本。
损失函数比较
表4总结了三种损失函数的性能
讨论
在临床实践中，触诊是最常见的评估MTrPs的方法，通过识别局部压痛、疼痛、牵涉痛、局部抽搐反应和“跳跃征”（Travell和Simons，1992）来进行。然而，手动触诊往往不可靠且缺乏标准标准，这突显了需要更客观和定量的方法，如影像学和肌电图（Rathbone等人，2017；Lucas等人，2009）。针刺肌电图一致显示，插入针可以...
结论
本研究证明了使用sEMG记录在前瞻性收集的队列中区分具有MTrPs（主要是潜在的）的上斜方肌患者和健康对照组的可行性。我们开发了一种自动化的收缩信号分割算法，标准化了肌肉收缩信号的提取，从而实现了可靠的肌筋膜疼痛评估。利用一维卷积深度学习模型，该方法自动学习了鉴别特征
CRediT作者贡献声明
郝恩·卢（Hao-En Lu）：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法学，调查，形式分析，概念化。
大卫·科伊维斯托（David Koivisto）：资源，数据管理。
曾子雪（Zixue Zeng）：撰写 – 审稿与编辑。
余彤（Tong Yu）：撰写 – 审稿与编辑。
王静（Jing Wang）：撰写 – 审稿与编辑。
孟欣（Xin Meng）：撰写 – 审稿与编辑。
理查德·威尔逊（Richard Wilson）：撰写 – 审稿与编辑。
迪内什·昆巴雷（Dinesh Kumbhare）：撰写 – 审稿与编辑，数据管理。
普建涛（Jiantao Pu）：撰写 – 审稿与编辑，撰写 –
伦理批准和参与同意
本研究获得了多伦多大学机构审查委员会（IRB编号：STUDY 22-5584.3）的批准。
利益冲突声明
作者声明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。
致谢
没有其他个人或组织对本项工作做出贡献。本工作未获得外部或内部资助，也未预先注册。
