基于静息与运动状态肌电的机器人辅助治疗中受试者特异性EMG检测器识别研究

《IEEE Access》：Identification of Subject-Specific EMG Detectors for Robot-Assisted Therapy Using Rest and Move State EMG Data

本文针对严重中风患者无可见运动时，如何利用肌电图（EMG）解码运动意图以驱动机器人辅助治疗的难题，提出了一种系统化方法。研究人员通过回顾性分析随机对照试验中的EMG数据，比较了六种检测器类型和分离度量，发现近似广义似然比（AGLR）检测器、改进型Hodges和Lidierth检测器能最佳区分静息与运动尝试状态。其中，改进型Hodges检测器结合概率差和比（PDSR）度量（MH-PDSR）在准确性和延迟性方面表现优异，并提出了PDSR阈值为0.7的筛查标准。该研究为严重中风患者残留EMG的筛查及个性化检测器优化提供了可行方案，对促进神经康复中的人机交互自然化具有重要意义。

　　

每年全球约有1220万人遭受中风影响，其中约30%的患者存在严重运动功能障碍，无法产生可见的肢体活动。对于这类患者，机器人辅助治疗可通过高强度运动训练促进感觉运动功能恢复，但其疗效高度依赖患者的主动参与。传统被动治疗因缺乏自愿参与而难以改善临床评分，而主动辅助训练模式需精准识别患者的运动意图来调节机器人辅助力度：辅助过多易导致懈怠，过少会影响动机，时机不当则会损害主体感。因此，开发能够准确、低延迟检测运动意图的技术成为康复工程的核心挑战。

在严重运动障碍的中风患者中，检测运动意图尤为困难。脑电图（EEG）脑机接口（BCI）是常用解决方案，但表面肌电图（EMG）因其高信噪比（SNR）、任务特异性和易用性等优势，逐渐成为替代选择。然而，实现自然的EMG触发机器人辅助治疗需解决两个关键问题：如何确定患者是否存在足够的残留EMG以驱动机器人辅助？若存在，如何为其量身定制最优EMG检测器以实现高精度、低延迟的意图识别？现有研究多基于已知肌肉活动状态的EMG数据优化检测器，但严重中风患者是否存在残留EMG活动及其发生时间均未知，导致传统监督学习方法无法直接应用。

为此，发表于《IEEE Access》的这项研究提出一种创新框架，通过系统比较六种EMG检测器（模糊熵、均方根值（RMS）、改进型Lidierth、改进型Hodges、AGLR-G和AGLR-L）和六种分离度量（三种变体的总变分距离（TVD）、概率差（DP）、似然比（LR）和概率差和比（PDSR）），利用患者尝试运动时的EMG数据（H₁）和基于静息期数据生成的模拟数据（H₀），寻找能最大程度区分两种状态的最优检测器组合。该方法无需预先标记EMG活动的精确起止时间，仅需采集患者放松和尝试运动时的EMG数据即可完成个性化检测器优化。

关键技术方法包括：使用自回归（AR）模型生成H₀状态数据以模拟基线活动；采用小波去噪消除不自主EMG尖峰；通过网格搜索优化检测器超参数；基于30名严重中风患者（改良Fugl-Meyer评分（cFMA）12.15±8.8）的回顾性EMG数据（采样率500 Hz），以临床医生标记的肌肉活动区间为金标准计算检测成本（含误报率、漏报率和延迟代价）。

检测器对H₀与H₁状态的区分能力

线性混合模型分析表明，检测器类型对分离度有显著主效应（p<0.001）。统计决策类检测器（AGLR-G、AGLR-L）和阈值类检测器（改进型Hodges、改进型Lidierth）在多数分离度量中表现最优，其中AGLR系列在除LR外的所有度量中分离度最高，而改进型Lidierth在LR度量中优势明显。

最大分离检测器的检测成本

检测器类型和分离度量均对检测成本产生显著影响（p<0.01）。事后检验显示，PDSR分离度量与改进型Hodges检测器的组合（MH-PDSR）成本最低，其检测成本与MH-TVD100无统计学差异，但显著优于其他组合。改进型Hodges检测器在多数分离度量下均保持稳定性能，仅与DP度量结合时表现较差。

PDSR作为残留EMG的筛查工具

PDSR值与H₁状态检测概率呈正相关（斯皮尔曼相关系数0.6158）。核密度图显示PDSR在0.7处存在明显分界，低于该阈值时检测概率接近零，高于时则快速上升。因此提出以0.7作为改进型Hodges检测器优化后的PDSR阈值：≥0.7表明存在足够残留EMG，可接受EMG驱动治疗；<0.7则提示不适用。

研究结论表明，MH-PDSR方法能有效筛选具备残留EMG的严重中风患者，并为其提供个性化检测器参数。改进型Hodges检测器结构简单、计算高效（复杂度O(12·k·N)），适合临床集成。PDSR度量平衡了DP和LR的优点，对基线误报具有惩罚机制，从而保障筛查可靠性。该方法的提出填补了严重运动障碍患者EMG筛查与检测器优化领域的空白，为推进个性化机器人辅助神经康复提供了关键技术支撑。未来需在大样本中验证筛查阈值普适性，并进一步评估基于该检测器的人机交互体验。