基于自编码器的肌肉协同作用提取研究：高度可变上肢运动中的非线性模型探索

本研究针对传统线性肌肉协同（muscle synergy）提取算法可能无法捕捉肌肉骨骼系统非线性的问题，研究人员采用自编码器（AE）技术，通过单平面和多平面训练架构，对上肢16块肌肉的EMG信号进行分析。结果显示AE与NMF（非负矩阵分解）在协同结构和时间系数上具有高度相似性（>0.78），重建精度（RMSE和R2）相当，为非线性协同控制研究提供了新思路。

　　

在运动控制研究领域，肌肉协同（muscle synergy）理论认为中枢神经系统（CNS）通过预置的肌肉激活模块来简化运动控制。传统方法如非负矩阵分解（NMF）基于线性假设，但肌肉骨骼系统的非线性特性可能被忽略。随着深度学习技术的发展，自编码器（AE）这种能够捕捉非线性关系的神经网络，为肌肉协同研究带来了新的可能性。

意大利国家研究委员会（CNR）的研究团队在《Biomedical Signal Processing and Control》发表了一项创新研究。他们设计了两套AE架构：单平面模型（在相同运动平面训练测试）和多平面模型（跨平面训练），对15名健康受试者执行5个平面9个目标的点对点（PtP）运动时16块肌肉的EMG信号进行分析，并与NMF方法进行系统比较。

关键技术包括：1）使用Vicon系统采集上肢运动学数据；2）16通道sEMG信号处理（20-450Hz带通滤波和6Hz低通滤波）；3）两种AE架构设计（单层4/6节点）；4）NMF分解（Coordinate Descent求解器）；5）采用RMSE、R²和余弦相似度等指标评估性能。

研究结果显示：

1. 协同结构相似性：AE和NMF提取的协同结构高度相似（>0.78），前四个协同分别对应肘关节屈伸（W1）、肩肘联合伸展（W2）、肩部提升（W3）和肩部外展（W4）功能。
2. 重建性能：单平面训练时，4协同情况下AE与NMF的RMSE无显著差异（如额状面0.059vs0.059）；6协同时R²略有提高（水平面0.856vs0.864）。
3. 训练方式影响：多平面训练性能下降，如4协同时R²显著降低（额状面0.714vs0.738，p=0.004）。
4. 协同数量影响：6协同比4协同重建效果更好（R²提高约0.07）。

讨论部分指出，虽然AE展现了与NMF相当的协同提取能力，但多平面训练的性能下降提示当前数据量可能不足以充分挖掘非线性关系。值得注意的是，该研究首次系统比较了不同AE训练策略在复杂上肢运动中的应用，为后续研究提供了重要参考。研究者特别强调，缺乏真实基准（ground truth）是当前限制，未来需要通过模拟数据进一步验证。

这项工作的科学价值在于：1）证实AE可用于肌肉协同分析，为非线性控制模型研究奠定基础；2）开发的开源代码库（GitHub公开）促进了方法标准化；3）为临床研究（如脑卒中患者运动功能评估）提供了新工具。未来研究方向包括：扩展到下肢运动、结合任务空间变量、开发多层AE架构，以及在患者群体中验证方法的敏感性。这些发展可能为康复医学带来新的诊断和治疗靶点。