基于表面肌电信号与机器学习预测颈髓损伤后肌肉对功能性电刺激治疗反应性的研究

《Journal of NeuroEngineering and Rehabilitation》：The role of surface EMG in predicting responsiveness of muscles to FES therapy after cervical SCI

本研究针对颈髓损伤(SCI)后上肢功能康复中功能性电刺激(FES)治疗反应个体差异大的临床难题，通过采集132块目标肌肉治疗前表面肌电信号(sEMG)，结合随机森林等机器学习算法构建预测模型。结果显示，前向筛选的sEMG特征组(斜率符号变化、二阶谱矩等)预测效能最佳(马修斯相关系数MCC=0.41)，且按运动完整性分层(AIS A-B与C-D)后模型性能进一步提升。该研究为FES疗法的个性化应用提供了客观生物标志物，有望优化康复资源配置。

　　

颈髓损伤是导致上肢功能障碍的主要原因，严重影响着患者的独立生活能力和生存质量。尽管功能性电刺激(FES)疗法在改善上肢功能方面展现出巨大潜力，但临床实践中发现，不同肌肉对FES治疗的反应存在显著差异。这种不可预测性成为FES疗法广泛应用的重大障碍，既可能导致医疗资源的浪费，也使部分潜在获益患者错失治疗机会。目前，国际神经脊髓损伤分类标准(ISNCSCI)等临床评估工具难以在治疗前精准预测特定肌肉的治疗反应，亟需开发能够指导个性化治疗方案制定的客观生物标志物。

表面肌电图(sEMG)作为一种非侵入性电生理检测技术，能够敏感地捕捉到肌肉活动的细微变化，甚至在没有肉眼可见肌肉收缩的情况下检测到潜在的神经支配活动。然而，sEMG在脊髓损伤康复评估中的应用价值尚未被充分挖掘。为此，多伦多康复研究所的Li等人开展了一项前瞻性研究，探索利用治疗前sEMG信号预测肌肉对FES治疗反应的可能性，研究成果发表于《Journal of NeuroEngineering and Rehabilitation》。

研究团队招募了17名颈髓损伤患者，共纳入132块上肢目标肌肉。在FES治疗前，记录每块肌肉静息和最大自主收缩时的sEMG信号，并提取24项时域和频域特征。通过整个治疗周期(平均29.9±7.6次)内手动肌肉测试(MMT)评分的跟踪，基于肯德尔tau相关系数将肌肉分为应答组和非应答组(33%为应答者)。研究人员比较了支持向量机(SVM)、k近邻(KNN)、随机森林(RF)等多种机器学习算法在不同特征组合下的预测性能，采用留一被试交叉验证(LOPO)评估模型稳健性。

关键技术方法包括：使用Delsys Bagnoli系统采集sEMG信号(采样率4kHz，带通滤波20-450Hz)；从最大自主收缩(MVC)试验中提取稳态段进行特征计算；采用前向选择等四种策略筛选预测性特征；基于肯德尔tau统计量定义肌肉治疗反应性；通过留一被试交叉验证评估模型泛化能力。

分类模型性能比较

研究发现，仅使用临床变量(损伤神经平面NLI、AIS分级等)的逻辑回归模型预测性能有限(MCC=0.26)，而sEMG特征表现出更强的预测能力。其中，经过前向特征选择得到的特征组(SSC、M2、MeanF、MedF)结合随机森林分类器取得了最佳性能(MCC=0.41，准确率76%，精确度0.72)。特别值得注意的是，按运动完整性进行患者分层后，模型性能进一步提升，表明损伤严重程度是影响预测效果的重要因素。

特征重要性分析

通过SHAP分析揭示，二阶谱矩(M2)是预测肌肉应答的最重要特征，较高M2值与积极治疗反应相关。该特征反映了信号的时间变异性，可能指示更复杂的运动单位激活模式，这与脊髓损伤后残留神经通路的功能状态密切相关。

亚组分析结果

按美国脊柱损伤协会损伤程度分级(AIS)进行亚组分析显示，训练于特定亚组(运动完全性损伤AIS A-B和运动不完全性损伤AIS C-D)的模型比训练于全数据集的模型表现更优。这一发现强调了针对不同损伤特征定制预测模型的重要性，为临床精准实施提供了方向。

个体间变异性的挑战

研究还观察到模型性能在参与者间存在显著变异，特别是精确度和MCC值的波动较大。这种变异反映了脊髓损伤患者肌肉反应模式的异质性，提示未来研究需要考虑更多个体化因素以提高预测一致性。

该研究首次证实了基线sEMG信号结合机器学习算法在预测FES治疗反应方面的应用价值。与仅依赖临床变量的模型相比，sEMG特征能更有效地区分应答和非应答肌肉，为康复治疗师提供了优于现有临床工具的决策支持。尽管当前模型在召回率(0.42)方面仍有提升空间，但其高特异度(0.92)表明在避免非必要治疗方面具有明显优势。

研究结果对推动精准康复具有重要意义。通过治疗前sEMG检测，临床医生可以更有针对性地选择可能获益的肌肉进行FES治疗，优化有限的康复资源分配。对于运动完全性损伤患者(AIS A-B)这一传统认为康复潜力较低的群体，该预测方法尤为有价值，有望为这些患者提供新的治疗机会。

未来研究方向包括扩大样本规模和多样性，探索超越二分类的连续预后预测，以及整合多通道sEMG信息分析肌肉协同模式。随着技术的进一步完善，sEMG指导的FES疗法个性化应用有望成为脊髓损伤康复的标准实践，最终提升患者的生活质量。