HD-sEMG
关键词:
从主观量表走向客观量化|HD‑sEMG 肌力估计用于脑瘫手功能评估
中科大与安医大一附院团队在《Frontiers in Bioengineering and Biotechnology》提出基于高密度表面肌电(HD-sEMG)的深度学习肌力估计框架。研究采用“预训练+迁移学习”路线,仅需少量儿童数据即可适配五种康复手势。结果显示,脑瘫患儿组肌力估计误差显著高于健康儿童,且误差随MACS分级升高、上肢症状加重而增大;6个月康复追踪中,代偿减轻者误差同步下降。这表明肌电—肌力关系的偏离程度可作为手功能障碍的客观量化指标,为摆脱依赖主观量表的临床评估提供了新工具。
同济大学联合康复医院团队在《Frontiers in Human Neuroscience》发表研究,纳入 31 名健康男性,以 60%1RM 负荷完成力竭卧推,借助 sEMG 与肌间耦合 PSI 指标分析肌群协同变化。研究发现疲劳并非简单同步增强,γ 频段下协同肌三角肌前束 - 肱三头肌耦合上升、拮抗肌肱二头肌 - 肱三头肌耦合下降,揭示中枢会选择性重构肌群协调模式,为运动疲劳监测、负荷管控与损伤预防提供新的电生理依据。
瑞典隆德大学生物医学工程团队在《Scientific Reports》提出一种基于 HD-sEMG 的运动单位无创定位算法,融合主成分压缩与可旋转高斯曲面拟合,结合容积导体模型估算运动单位平面位置与深度。以超声引导针电极作为参照,在前臂多块伸肌中验证了定位精度;并成功重建不同手指、腕部动作对应的运动单位三维募集分布,无需预先知晓肌纤维走向,为神经肌肉机制研究、康复评估提供无创新方案。
吞咽功能评估:高密度表面肌电(HD-sEMG )如何破解舌骨上肌群的控制密码?
日本广岛大学团队发表于《Journal of Oral Rehabilitation》,采用 HD-sEMG 采集健康成人舌骨上肌群信号,在梯度舌上抬任务下,通过变异系数、修正熵、相关系数、RMS 定量解析运动单位募集规律。随收缩强度升高,募集模式由分散转向集中、同步性逐步增强,且该规律无显著性别差异。该研究建立健康人群参考基线,为吞咽障碍无创评估、康复疗效监测提供新的量化手段。
脑卒中肌电手势识别的深度学习方案,从特征构建到网络设计的完整探索
基于深度学习的中风后表面肌电手势识别,通过构建 18 个涵盖不同特征域、数据结构与网络架构的模型,在受试者内测试和受试者间迁移学习中评估性能,并验证了后处理算法的提升效果,为机器人辅助中风康复的肌电控制提供了有价值的参考。
关键词:
最新产品