高密度表面肌电（HD-sEMG）分解是一种非侵入式技术，能够提取运动单位动作电位（MUAP）序列，进而揭示脊髓运动神经元的活动规律，为肌肉收缩机制研究及运动控制理解提供关键依据。这项技术在神经疾病诊断、康复评估及人机交互等领域展现出广阔前景。康复大学陈茂启副教授与周平教授近期在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》发表综述，系统总结了HD-sEMG分解的发展历程、技术突破与当前面临的核心挑战。

肌电信号（EMG）记录与分析技术自20世纪中叶兴起以来，始终是揭示神经肌肉系统工作原理的重要手段。在早期的研究中，科研人员主要依赖针电极深入肌肉组织内部，以获取单个或少量运动单位的动作电位序列。这种“侵入式”方法虽然在分离信号成分方面具有高精度，但由于其操作复杂、受试者舒适度差和临床推广难度大，始终局限于实验室或小规模临床研究中。为突破这一限制，科学家们开始尝试利用表面肌电图（sEMG）实现非侵入式记录。然而传统的单通道表面肌电存在明显短板，即MUAP波形在不同运动单位间高度相似，加之多个信号叠加重合，以及表皮和皮下组织对信号的滤波衰减，导致信号的分解难度远高于针电极数据。这使得早期基于模板匹配的分解方法难以胜任表面肌电的复杂情况。真正的技术突破出现在高密度表面电极阵列（HD-sEMG）的问世。这种新型电极阵列由几十甚至上百个电极组成，通常呈二维网格排布，可在非侵入条件下高密度覆盖目标肌肉区域。其特点在于同时采集到肌肉电活动的“时间+空间”信息：不同运动单位由于解剖位置不同，其MUAP在电极阵列上呈现出的空间分布特征，从而为分离多个信号源提供了可能。在这一硬件基础上，分解策略也发生了深刻变革。分解方法不再仅依赖波形匹配，而是演进为多通道协同处理与盲源分离（BSS）的信号处理问题。

HD-sEMG分解尝试使用了如FastICA和JADE等BSS算法，基于瞬时混合模型进行信号分离。然而，这一模型假设不同通道中的MUAP波形相同，仅存在幅度差异，未能考虑肌电信号不同通道中真实存在的传播延迟与波形差异，导致分解效果不理想，特别是在通道数少于活跃运动单位数的情况下。2000年代初，Holobar和Zazula教授提出“卷积混合模型”，并据此发展出“卷积核补偿”（CKC）算法。这一方法初次在理论上准确描述了平稳状态下的HD-sEMG信号的生成机制，成为高密度肌电分解的奠基性工作，并通过一系列仿真与实测数据验证其有效性，推动多个后续改进算法的出现。尽管CKC在性能上取得突破，其迭代计算仍存在收敛慢和重复提取的问题。

2015年，陈茂启与周平教授提出“Progressive FastICA Peel-off”（PFP）框架，将FastICA与剥离策略结合，通过“识别-重建-剥离-再识别”过程迭代提取多个运动单位，有效规避了局部收敛问题。PFP的关键在于，每识别出一个运动单位发放序列后，通过最小二乘法估计其运动单位动作电位序列并从原始信号中剥离，使得下一轮分解更容易提取新的运动单位。此方法还引入相关性约束修正机制，提高了错误识别校正能力。PFP虽有效，但仍存在效率不足等问题。2024年，两位作者进一步提出“2CFastICA”方法，引入“核空间约束”理念，保证新识别的运动单位发放序列与已识别结果及其延迟版本正交，极大提升了分解效率。该方法有机地结合核约束FastICA与相关性约束FastICA，在保证准确性的同时，减少了对复杂剥离处理的依赖，成为当前高密度肌电分解的代表性算法。

虽然近年来高密度肌电分解取得长足进展，但该技术仍存在三大关键挑战，限制其在实际应用中的广泛部署。HD-sEMG信号的可分解性取决于诸多因素。理想情况下，信号需满足“等长等力收缩”的假设，以保证模型稳定性。然而在真实环境中，诸如大肌肉容积传导效应、皮下组织滤波作用、采集质量、受试者病理状态等因素都会破坏这一假设，导致即使使用算法也难以成功分解。研究者需进一步探讨信号结构特征与分解性能之间的关系，明确哪些条件下该技术可稳定运行。

肌电分解的另一个挑战是动态信号分解困难。现有HD-sEMG分解方法大多基于卷积混合模型，适用于静态或稳态肌肉收缩任务。然而，在动态任务中，MUAP波形随时间变化、运动单位招募数量变动，使得该模型失效。目前解决策略如“分段分析”“重复收缩”虽可部分应对非平稳性，但仍难适用于快速变化场景，如运动意图识别或假肢控制。真正的“动态肌电分解”仍处于初级探索阶段，亟待基础建模与算法突破。

此外，实时分解技术仍难以落地。许多应用场景（如实时假肢控制）要求对肌电信号进行“实时分解”。但现有方法通常需几秒长的信号以便提取统计特征，导致难以在线运行。部分研究尝试利用离线分解获得运动单位的分解向量，并依此在线识别已有运动单位，但该“实时识别”方法依赖于电极位置、肌肉状态的稳定，无法识别新运动单位，且泛化能力有限。要实现真正的实时分解，仍需突破算法对数据长度和稳定性的依赖。

HD-sEMG分解技术的发展，不仅需要在算法模型上不断创新，更需要形成一种开放透明、协作共进的研究氛围。推动HD-sEMG分解算法与数据的开放共享，是促进该领域健康发展的关键。目前已有研究团队公开了其源码与测试数据，如作者团队开放的PFP程序和2CFastICA分解算法的源代码，为该领域研究者搭建了交流桥梁。未来，它有望成为神经肌肉疾病早期检测、康复干预个性化评估、人机交互智能控制等方向的关键技术支撑。

参考文献

M. Chen and P. Zhou, "High-Density Surface EMG Decomposition: Achievements, Challenges, and Concerns," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 33, pp. 1212-1219, 2025, doi: 10.1109/TNSRE.2025.3551630.

Advictor

了解更多产品详情，投稿发布

与合作，欢迎扫码咨询。