皮肤炎患者四肢近端与远端肌肉运动单元电位的观察

目的 :为了解皮肌炎患者四肢肌肉受损情况 ,我们采用肌电图方法 ,检测了 14 1例患者的四肢近端与远端骨骼肌共 4 6 7块。结果发现近端肌肉运动单元电位平均波幅、面积、波形指数均比远端下降 (P <0 0 1或P<0 0 5 ) ,患者近端肌、远端肌与正常对照组相应肌肉比较 ,有显著性差异 (P <0 0 1)。认为平均波幅、面积、波形指数三项参数在远动单元电位定量分析时对判断皮肌炎患者四肢远、近端肌肉受损有临床意义。

皮肌炎患者运动单元电位的定量分析

为了更好地诊断皮肌炎，作者检测了３７例皮肌炎患者的骨骼肌肌电图，观察其电生理变化。结果显示疾病组患者患肌运动单元电位（ＭＵＰ）平均时程、波幅、上升时限、面积、面积波幅比及波形指数均较正常对照组降低（Ｐ＜０．０５或Ｐ＜０．０１），其中尤以波形指数和面积的改变显著（Ｐ＜０．０１），但患者左右两侧肌肉ＭＵＰ比较没有显著性差异（Ｐ＞０．０５）。认为ＭＵＰ定量分析对皮肌炎的诊断具有重要意义，ＭＵＰ波形指数和面积具有临床应用价值。

用于运动单元活动追踪的动作电位卷积神经网络分类方法仿真研究

为了解决在真实条件下运动单元动作电位(MUAP)波形变异导致的MUAP分类识别准确率低,进而降低运动单元(MU)追踪性能的问题,提出了一种基于卷积神经网络(CNN)的MUAP分类方法,并利用仿真数据进行了效果验证。该方法以被称为MU指纹的MUAP波形作为模型输入,结合Keras深度学习框架设计的CNN网络结构简单,并采取Early-stop策略训练网络,可实现不同MU的准确分类和匹配,从而持续追踪给定MU放电活动。所提基于CNN的MU分类方法能够在样本量较小的情况下,即每个MU可获取(54.49±29.28)个MUAP波形样本,对平均(30.23±5.37)个MU进行准确分类,分类准确性达到(89.41%±3.72%),显著高于现有的基于MUAP波形相似度的方法(49.66%±6.12%)。结果表明,所提方法对MUAP波形变异展现出了更好的鲁棒性,为开展真实条件下MU放电活动持续追踪研究提供重要的技术支撑,对运动控制的神经机制研究等具有重要意义。

脑-运动单元功能耦合估计方法

针对现有脑肌功能耦合(CMC)估计方法仅能反映皮层活动与运动单元(MU)复合放电活动间耦合状态、无法反映皮层和各MU独立耦合作用的问题,提出了一种脑与MU之间独立交互作用的估计方法,并初步验证了脑-运动单元功能耦合(CMUC)作用的存在。首先,采用肌电分解技术获得各MU独立活动,即运动单元动作电位序列;然后,利用头皮表面拉普拉斯技术,获得头皮电流密度以表征皮层活动,并通过估计运动单元动作电位序列和头皮电流密度的频域相干性获得CMUC;最后,通过手指伸展实验对所提方法的有效性加以验证。实验结果表明:当被试者伸展手指时,指伸肌的MU和对侧运动皮层存在显著的β、γ频带耦合交互作用,且耦合强度显著高于其他皮层区域。这一结论与已有的CMC研究结论相一致,能够表明所提CMUC估计方法的有效性,同时也证明了脑和MU独立耦合交互作用的存在性。提出的CMUC估计方法可为进一步深入研究生理及病理条件下肌肉的神经控制机制提供有力指导。

同心轴针极肌电图运动单位电位多项参数定量分析

目的研究运动单位电位（ＭＵＰ）多项参数的特征、相互关系、正常值及其神经生理意义。方法１１６名健康成人和４５例神经原性疾病患者的拇短展肌、胫前肌和股四头肌的２６５８个ＭＵＰ，通过棘波触发平均技术得到记录。对ＭＵＰ大小指数（ＳＩ）等９项参数及其９５％或９９％可信限区间进行ＭＵＰ水平统计和显著性检验。结果在相互独立的参数中，以时限和波幅的相关性最为明显，这２种参数从不同角度反映了ＭＵＰ的特征。面积与波幅比值和波幅为相互独立的参数。在ＭＵＰ所有的参数中，以波幅／面积和波幅／ＳＩ比值的相关性最为明显，面积和ＳＩ同为波幅依赖性参数。经９５％或９９％可信限显著性检验证明，面积、ＳＩ、波幅和时限具有较其他参数更高的诊断敏感性。结论ＭＵＰ时限低于面积、ＳＩ的诊断作用，仍为一项重要参数。此种结果与传统肌电图和新近模式匹配肌电图均有所不同。

基于单通道sEMG分解的手部动作识别方法

表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。

基于先验模板的表面肌电信号渐进分解算法研究

本研究通过将表面肌电信号(sEMG)分解为运动单元动作电位序列(MUAPTs),来研究神经-肌肉系统中运动单元(MU)的募集与发放模式。针对高收缩力情况下MUAP叠加问题,首先采用FastICA算法和小波包去噪算法对信号进行预处理;然后基于先验知识构建了4种形态的可伸缩MUAP模板;最后,采用"先大后小"的渐进识别方式,逐个对MUAP进行自动提取。在此基础上,还将该算法应用于8名受试者(3组/人)不同手指活动模式下的指浅屈肌多通道(12通道)sEMG分解;单通道分解结果显示,高力量水平下sEMG中的主体MUAPTs能够被有效检测和分类;统计结果证实,随着力量水平的增加,MUAP的数目增加;不同大小MUAP比重的变化与活动手指和力量水平具有显著的相关性。本文的实验结果,初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性,为sEMG分解和进一步研究MU发放规律提供于一种新的思路。