在等长力量生成任务中，协同肌肉的频率特异性肌间相干性

《Frontiers in Neural Circuits》：Frequency-specific intermuscular coherence of synergistic muscles during an isometric force generation task

协同肌与神经驱动频率特征的关系研究。通过非负矩阵分解(NMF)分析上肢17肌群在多维等长力任务中的激活模式，提取出平均5.9个协同肌群。进一步采用数据驱动方法自动划分6个生理相关频段，发现协同肌群在delta(1-8.7Hz)、alpha(8.7-16.9Hz)、低beta(16.9-25.7Hz)频段呈现显著更高肌间协调性(p<0.01)。该结果支持协同肌群由共同神经驱动假说，并揭示不同频段可能对应脊髓与皮层级神经调控机制。

　　在人体运动控制的研究中，肌肉协同（muscle synergies）被认为是一种有效的策略，用于简化复杂运动任务中多个肌肉的协调过程。这种协调机制涉及中枢神经系统（central nervous system, CNS）如何组织肌肉活动，以应对骨骼肌系统中肌肉数量与运动自由度之间的冗余问题。与此同时，神经科学界也在探索另一种可能的解释——共同的神经输入（common synaptic input），即多个肌肉可能共享相同的神经信号，从而实现同步激活。这两种理论虽然从不同的角度解释肌肉协调，但它们都指向一个核心问题：肌肉的协同是否由共享的神经驱动所支持？

为了进一步揭示这一问题，研究者采用了一种创新的数据驱动方法，通过分析肌肉之间的相干性（intermuscular coherence）来识别与协同相关的特定频率范围。这一方法突破了传统上对频率范围进行固定划分的限制，从而能够更准确地捕捉个体之间的生理差异。研究发现，在多个频率层中，协同肌肉对表现出更高的相干性，尤其是在δ波（delta band）、α波（alpha band）和低β波（low-beta band）中。这些频率层被认为与脊髓（spinal）和大脑皮层（cortical）的神经活动有关，可能反映了不同层级的神经机制如何共同作用于肌肉协调。

研究采用了一种非负矩阵分解（non-negative matrix factorization, NMF）方法，对实验过程中记录的肌电信号（electromyographic signals, EMG）进行分析，从而提取肌肉协同。实验参与者在特定的力生成任务中，需要维持一个虚拟光标在三维空间中的特定位置，而实验设计允许研究者同时记录多个肌肉的活动。通过这种方式，研究者能够观察不同肌肉在不同频率范围内的协同模式，并与非协同肌肉对进行对比。

在数据处理过程中，研究团队首先排除了因信号干扰而无法分析的实验数据，然后对每个参与者的数据进行标准化处理。通过NMF算法，他们不仅提取了肌肉协同的结构，还进一步分析了协同肌肉对之间的相干性。这种方法避免了对频率范围进行主观设定，而是通过数据本身确定相干性最高的频率层，从而更真实地反映个体的生理特征。研究发现，当肌肉被分组为同一协同时，其在低频范围内的相干性显著高于非协同肌肉对，尤其是在δ波、α波和低β波频段。

这些结果支持了这样一个假设：肌肉协同的形成与脊髓和大脑皮层的共同神经输入有关。低频成分（如δ波和α波）可能源于脊髓神经元的活动，而低β波则可能与大脑皮层对肌肉活动的调控有关。这种频率特异性相干性的发现，不仅加深了我们对肌肉协同神经基础的理解，还为研究神经系统的组织方式提供了新的视角。此外，这种数据驱动的频率划分方法能够减少人为设定频率范围带来的偏差，从而提高研究结果的客观性和可比性。

研究的局限性在于，它主要基于健康个体的数据，而神经疾病患者可能表现出不同的频率分布模式。因此，未来的研究需要验证这种方法在不同病理条件下的适用性，特别是在那些肌肉活动模式发生改变的患者群体中。此外，对于动态任务，如等张运动（isotonic task），传统上依赖静态信号的相干性分析可能并不适用，需要采用其他时间-频率分析方法。因此，进一步研究如何将这一频率分析框架扩展到动态任务，将是未来探索的重要方向。

本研究的成果为临床和神经工程应用提供了新的思路。在神经疾病患者中，肌肉协同的异常可能与运动功能障碍密切相关，而识别出的频率层可能成为评估病情严重程度和康复进展的生物标志物。此外，在神经控制设备（如肌电信号驱动的假肢或外骨骼）的设计中，特定频率成分的利用可能有助于提高设备的控制精度和适应性。通过将相干性分析与频率层识别相结合，研究者能够更精确地捕捉到与肌肉协同相关的神经活动，从而为开发更加智能化的神经康复技术提供理论支持。

总的来说，这项研究揭示了肌肉协同与神经输入之间的关系，特别是频率特异性相干性在其中所扮演的角色。通过数据驱动的方法，研究者能够更精确地识别出与协同相关的频率层，这不仅有助于理解正常的运动控制机制，也为研究异常情况下的神经功能提供了新的工具。未来的研究可以进一步探索这些频率层在不同任务条件下的变化，以及它们在神经疾病患者中的表现，从而推动神经科学和临床医学的发展。