|
圖3。（A） 軀干肌肉上的電極放置。DT，斜方肌下降部分；LRA，左腹直肌；右腹直�。籐OEA，左腹外斜肌；右腹外斜�。蛔笮刎Q脊；右胸豎脊肌；左腰豎脊肌；右腰豎脊肌。（B） 實驗設置的快照。
實驗課程
實驗方案包括兩個階段，包括健康組和中風組的實驗階段。首先，我們研究了sEMG-bTCD方法與健康組模擬軀干補償的可行性。其次，我們驗證了所提出的方法是否能夠檢測中風患者的實際軀干補償。使用健康組模擬數據而不是直接從中風患者那里獲得的數據有兩個原因。一方面，這是一項新的研究，不能直接用于中風患者。另一方面，之前的一項研究（Zhi et al.，2017）表明，健康人可以通過模擬軀干補償來獲得有價值的實驗數據。
實驗設置如圖3B所示。健康組的每個參與者都坐在椅子上，軀干上沒有任何身體約束。與會者面前擺著一張水平的桌子。桌子上固定著一塊木制的手電筒，用來引導參與者的動作。用棍子，參與者以正常速度在木制手電筒上完成了三項任務（T1、T2和T3動作）。此外，根據我們研究團隊的指導和演示，參與者模擬了三種類型的軀干補償（LF、TR和SE補償）。與健康組不同，中風組的所有參與者都用健康和受影響的手完成了三項任務。來自執行任務的健康手的數據被用作沒有補償的數據。來自執行任務的受影響的手的數據表示干線補償數據。每個動作重復10次。為了防止疲勞，每個參與者在兩個動作之間休息10秒，在五個動作之后休息1分鐘。至少有一名康復治療師參與了中風組的整個實驗，幫助我們的研究團隊直觀地觀察中風患者是否產生了軀干補償以及軀干補償的類型。
行李箱補償檢測程序
sEMG信號的處理是用MATLAB 2017a（美國馬薩諸塞州納蒂克市MathWorks股份有限公司）實現的（圖4），包括預處理、特征提取和分類。預處理包括三個部分：濾波器去噪、分析窗口和主動分段檢測。
圖4
www.frontiersin。組織
圖4。表面肌電信號處理程序流程圖。
預處理
濾波器去噪
采集過程中的各種外部因素，如50或60 Hz的工頻干擾、運動偽影和ECG干擾，很容易干擾sEMG信號（Phinyomark等人，2012；Barrios Muriel等人，2016）。為了消除心電圖干擾和運動偽影，通過使用通帶紋波為0.1 dB、阻帶衰減為50 dB的巴特沃斯濾波器，對sEMG信號進行了20–200 Hz的帶通濾波。使用巴特沃斯濾波器實現50Hz陷波濾波器以消除工頻干擾。這些預處理方法旨在提高表面肌電信號的信噪比。
分析窗口
由于sEMG信號的隨機性和非平穩性，在模式識別過程中，分析窗口而不是瞬時值是有用的輸入（Smith等人，2010）。在本文中，我們使用了一個重疊分析窗口，其窗口長度為256ms（512個樣本），窗口滑動步長為64ms（128個樣本）。因此，1秒內收集的sEMG信號可以分為12個分析窗口。本文隨后的活動片段檢測、特征提取和分類都是基于這些分析窗口。
活動分段檢測
本文提出了一種基于最優閾值的樣本熵（SampEn）方法來檢測表面肌電信號的活動片段。SampEn是一種基于近似熵（ApEn）測量時間序列復雜性的改進方法（Richman和Moorman，2000）。一項研究將基于固定閾值的SampEn應用于表面肌電信號的主動分割（Zhou和Zhang，2013）。固定閾值是通過實驗確定的經驗值。然而，很難為不同的參與者或動作選擇一個通用的固定閾值。因此，我們提出了一種基于最優閾值的SampEn方法。該實現分為三個步驟：計算SampEn、基于固定閾值檢測活動分段和計算最佳閾值。
在第一步驟中，計算分析窗口（M個樣本，M＝512）的SampEn。9信道信號之和的時間序列sEMGsum（k）被構造如下：
sEMGsum（k）=∑i=1CsEMGi（k）（1）
其中，C是通道總數（C=9），i是通道數，k是分析窗口中的點數。
然后，將標量時間序列sEMGsum（k），k=1，2，…，M嵌入到延遲的M維空間中，以形成一組M維向量（長度為M的數據段）（Zhang和Zhou，2012；Yentes等人，2013）：
{sEMGmsum（j）=[sEMGmsum（j+p）]m負極1p=0j=1,2，…，M-M+1（2）
兩個序列匹配m個點的概率Bm（r）是通過計算距離低于相似容差r的向量對的平均數量來計算的。類似地，可以計算m+1維的概率Am（r）。最后，SampEn計算為：
SampEn（m，r，m）=負極ln（Am（r）Bm（r））（3）
尺寸m和類似公差r的選擇決定了SampEn的計算結果。這些值有經驗公式，分別為（Pincus，1991；Costa等人，2002）：m=1或2，r=（0.15–0.25）*σ。其中σ是整個數據序列sEMGsum的標準偏差。在本文中，這些值為：m=2，r=0.25*σ。
在第二步驟中，執行基于固定閾值的活動分段檢測。根據第一步，獲得第l個分析窗口的SampEn（l）。然后，計算第l個分析窗口的狀態函數s（l）：
s（l）＝{0，SampEn（l）＜Th1，SampEn（l）≥Th（4）
其中Th是固定的閾值�；跔顟B函數的活動段的條件是：
是的s（l1負極1） =0和（l1）=1s（l2負極1） =1和（l2）=0 L=l2負極l1級≥L0=12×秒（5）
其中，l1和l2是活動片段的開始和結束分析窗口，L是l1和l2之間的分析窗口的數量，sec表示時間秒，L0是活動片段中預設的分析窗口數量。只有當L不小于L0時，該有源段才能被視為有效有源段。否則，該活動片段仍然被視為噪聲。此外，可以在所獲取的sEMG信號中檢測到多個活動片段（例如n）。為了區分每個有源段，每個有源段的l1和l2分別存儲在長度為n的一維陣列x1和x2中。
在第三步中，通過迭代來計算最優閾值。目標函數不僅是準確地檢測已知的n0個活動片段（本文中n0=5），而且是使每個活動片段盡可能長，以便包含更多的運動信息。因此，目標函數是通過兩個循環來實現的，流程圖如圖5所示。
圖5
www.frontiersin。組織
圖5。計算最佳閾值的流程圖。
外循環和內循環的循環變量分別為活動段中分析窗口的數量L0（將L0替換為sec，10≥秒≥1） 以及SampEn閾值Th（0≤天≤2） 。循環體按順序執行前兩個步驟，并輸出檢測到的活動段的數量n，并確定其是否等于n0。如果n等于n0，則輸出此時的x1、x2和Th值。以一名進行上下伸展運動的中風參與者為例，9通道sEMG信號的活動段檢測結果如圖6所示。
圖6
www.frontiersin。組織
圖6。上下運動中基于自適應SampEn閾值算法的主動分段檢測。DT，斜方肌下降部分；LRA，左腹直��；右腹直肌；LOEA，左腹外斜��；右腹外斜��；左胸豎脊；右胸豎脊�。蛔笱Q脊�。挥已Q脊肌。
特征提取
與頻域和時頻域特征相比，時域特征簡單且耗時較少。因此，我們選擇了五種常用的時域特征來建立特征向量。這些特征是均方根（RMS）、方差（Varrecchia et al.，2018）、MAV、波形長度（WL）和四階自回歸模型系數（4th ARMC）。
RMS是給定分析窗口中sEMG信號的平均功率的平方根。計算如下：
RMSi（t）=1M∑k=1MsEMGti（k）2⎷（6）
其中，i是通道編號（i=1，2，3，…，9），t是分析窗口編號，k是第t個分析窗口中的點數。
VAR反映sEMG信號偏離平均值的程度，并計算為：
是的平均值Ri（t）=1M∑k=1MsEMTi（k）VARi（t）=1M∑k=1M（sEMGti（k）負極AVRi（t））2（7）
在統計學中，sEMG信號被近似為平均值為零的隨機信號。平均值并不反映信號特性。因此，sEMG信號的絕對值被平均，這是MAV的定義。計算如下：
MAVi（t）=百萬∑k=1百萬ŞŞsEMGti（k）ŞŞ（8）
WL是sEMG信號長度的簡單累積，其可以反映sEMG的信號波形的復雜性。其定義為：
WLi（噸）=∑k=1百萬ŞŞsEMGti（k+1）負極sEMGti（k）ŞŞ（9）
AR模型是用于sEMG信號的時間序列分析的線性模型。其定義為：
sEMGti（k）=∑j=1qajsEMGti（k負極j） +eti（k）（10）
其中q是AR模型的階數（q=4），aj是第j階AR系數，eti（k）
是白噪聲殘差。
從單通道sEMG信號中的每個分析窗口提取五個時域特征。在本文中，收集了9通道sEMG信號，因此1*45（5*9） 從每個分析窗口中提取一維特征向量。然而，中風患者的患側可能是左手或右手。不同的受影響側導致SE和TR補償方向相反。這導致了四對肌肉（LRA/RRA、LOEA/ROEA、LTES/RTES和LLES/RLES）的相反效果。相應地，從后驗8通道sEMG信號中提取的特征向量的一致性較差甚至相反，這不利于分類。因此，為了減少不同受影響手的影響，我們將后部8通道sEMG信號的五個時域特征重構為：
{feat′i（t）=feati（t）+feati+1（t）feat′i+1（t）=腹�。╢eati（t）負極feati+1（t））i=2,4,6,8（11）
其中，i是第i個通道，t是分析窗口數，feati（t）代表上述五個時域特征（RMS、VAR、MAV、WL和第四個ARMC）中的任何一個。特征重構只改變了特征值，但沒有改變特征維度，因此每個分析窗口提取1*45維特征向量。此外，考慮到該方法在臨床應用中的便利性，連續減少了四對軀干肌肉的數量，最終研究了9、7、5和3個通道。相應地，每個分析窗口提取的特征向量維度為1*45，1*35，1*25和1*分別為15。
分類
由于SVM算法實現了結構風險最小化的原理（Burges，1998），它在解決小樣本、非線性和高維模式識別方面具有獨特的優勢。一些研究（例如，Bellingegni等人，2017；Quittamo等人，2017）也表明SVM具有更高的分類性能。因此，我們選擇了支持向量機分類器。支持向量機的目的是找到一個最優的超平面來分割樣本。分割的原理是最大化區間，并最終將其轉化為凸二次規劃問題（Scholkopf和Smola，2001），表示為：
{min12||w||2s.t.yt（w*文本+b）負極1.≥0（12）
其中（xt，yt）是第t個數據點，（w，b）是超平面參數。拉格朗日乘子被用來解決這個問題。
TCD模型是一個四類模型（NC、LF、TR和SE），因此使用一對一策略進行多分類。我們使用了LIBLINER（Fan et al.，2008）工具包進行SVM分類器。當使用L2正則化L2損失支持向量分類時，只需要搜索懲罰因子C（Hsu等人，2003）。在本文中，交叉驗證用于將參數C從小調整到大。當增加的C對分類結果沒有太大改變時，調試結束，并選擇相對較小的C值來提高模型的收斂速度（最終，C=1）。此外，使用保持方法來評估分類器的性能。具體來說，為了盡可能保持數據分布的一致性，將一個訓練子集和一個測試子集隨機分為每個類特征集的80:20%。將四個類的訓練子集和測試子集分別組合起來形成訓練集和測試集。此外，我們使用了100次保持法來獲得穩定可靠的評估結果。此外，我們選擇分類準確度、F1評分、受試者工作特性（ROC）曲線和曲線下面積（AUC）作為模型評估參數。分類準確度是最常用的分類模型評估指標，指的是正確分類的樣本數量與總樣本的比例。F1分數是精確性和回憶性的調和平均值。ROC曲線是以假陽性率（FPR）為橫軸、以真陽性率（TPR）為縱軸的評價曲線。AUC定義為ROC曲線和坐標軸所包圍的面積。
結果和討論
后果
分類準確性
為了研究所提出方法的可行性，我們在健康組數據集和中風組數據集的基礎上建立了兩個軀干補償模型。首先，研究了通道數量對分類的影響。從圖7中可以看出，通道越少，平均精度越低�；谧罴丫仍瓌t，以下僅報告了九個通道的詳細檢測結果。
圖7
www.frontiersin。組織
圖7。由不同通道數建立的健康和中風組模型的平均準確度。
結果顯示，健康組模型和患者組模型的平均準確率分別為95.0%和83.1%（圖7）。兩個模型的混淆矩陣以灰度圖像的形式給出（圖8）。混淆矩陣中的對角元素（n，n）（n=1，2，3，4）表示每個類別的分類精度，而其他元素表示錯誤分類率。
圖8
www.frontiersin。組織
圖8。干線補償檢測模型的混淆矩陣。（A） 健康群體。（B） 筆劃組。NC，無補償；LF，身體前傾；TR，軀干旋轉；SE，路肩高程。
ROC和F1成績
由于每個參與者的運動功能不同，四個類別的樣本分布略有不平衡。因此，我們還選擇了F1評分、ROC和AUC作為模型評估參數。這些參數通常用于不平衡分布的二元分類。然而，本文建立的模型是四類模型，因此需要進行轉換才能獲得這些參數。我們將當前類視為正類，將其余類視為負類。通過這種方式，獲得了四類ROC和AUC（圖9）。在ROC曲線中，左上角的曲線越凸，模型性能越好。AUC越接近1，模型性能越好。本文中單個類別的AUC達到1，表明模型在檢測這些類別時表現出所需的識別性能。
圖9
www.frontiersin。組織
圖9。軀干補償檢測模型的ROC曲線。（A） 健康組。（B） 筆劃組。NC，無補償；LF，身體前傾；TR，軀干旋轉；SE，路肩高程。
F1分數是精確性和回憶性的調和平均值。F1分數越接近1，模型性能越好。我們使用相同的轉換方法來計算每節課的F1分數，結果如圖10所示。
圖10
www.frontiersin。組織
圖10。每一類健康和中風組模型的F1分數。NC，無補償；LF，身體前傾；TR，軀干旋轉；SE，路肩高程。
討論
本文提出了sEMG-bTCD方法，并驗證了其可行性。據我們所知，這是第一項基于九塊淺表軀干肌肉的表面肌電信號檢測健康參與者的模擬軀干補償和中風參與者的真實軀干補償的研究。此外，提出了一種基于最佳SampEn閾值的主動分段檢測方法，并分別用于檢測健康組和中風組sEMG信號的主動分段。提取活動段中每個通道的五個復合時域特征，形成特征向量空間，包括RMS、VAR、MAV、WL和4th ARMC。使用SVM分類器，建立、訓練和測試了兩個用于檢測三種軀干補償（LF、TR和SE補償）和NC運動的四類模型，包括健康檢測模型和中風檢測模型。此外，還研究了通道數量對分類的影響，結果表明，基于九個通道的兩種檢測模型都達到了最佳的精度。因此，以下僅分析了九個通道的實驗結果。
首先，基于健康組的表面肌電信號建立健康檢測模型。測試結果表明，每一類的準確率均大于90%（平均95.0%）。與88.6（Ranganathan et al.，2017）和85.9%（Taati et al.，2012）的準確度相比，使用本文提出的方法獲得了更高的檢測準確度。我們還選擇了AUC和F1分數作為模型評估參數。SE補償（AUC=1.00，F1=1.00）獲得最佳檢測性能，其次是TR補償（AUC=0.99，F1=0.96），最后是LF補償（AUD=0.97，F1=0.94）。與結果（SE:AUC=0.66，F1=0.07；TR:AUC=0.77，F1=0.57；LF:AUC=0.98，F1=0.82）（Zhi et al.，2017）相比，除了LF補償的檢測性能相當外，本文中SE和TR補償的檢測效果顯著提高。
此外，在與健康組相同的過程中，基于健康組的sEMG信號建立了中風檢測模型。結果表明，該模型的平均準確率為83.1%。具體而言，NC和SE補償實現了高精度（超過90%），其次是LF補償（74.8%），最后是TR補償（67.1%）。使用AUC和F1評分來評估模型，結果顯示NC檢測性能最好（AUC=1.00，F1=1.00），其次是SE補償（AUC=0.98，F1=0.90），然后是LF補償（AUC=0.90，F1=0.73），最后是TR補償（AUC=0.85，F1=0.71）。同樣，招募了9名中風受試者參與實驗（Zhi et al.，2017）。與他們的結果（SE:AUC=0.27，F1=0.07；LF:AUC=0.77，F1=0.17；TR:AUC=0.81，F1=0.27）相比，發現三種軀干補償的AUC和F1值通常更高。
總體而言，使用sEMG-bTCD方法，我們在健康組和中風組中都獲得了更好的TCD表現。結果表明了該方法的可行性和有效性。然而，我們發現中風檢測模型的TCD表現通常低于健康組。造成這種結果的原因可能有很多。首先，中風組中實際的軀干補償是多個肌肉組的關節運動，這使得區分軀干補償更加困難。第二，抓住木制手電筒上的棍子進行康復訓練，中風患者由于遠端（手腕）肌肉無力，使用近端（肩部）肌肉進行輔助。這種動作使DT肌肉在各種康復訓練任務中異常激活，而不僅僅是在SE補償中。此外，盡管進行了皮膚預處理，但sEMG信號的收集（尤其是來自LRA、RRA、LOEA和ROEA肌肉的信號）受到傳感器位置和人體軟脂肪組織的影響。這種觀察結果可能是LF和TR補償的低檢測性能的原因之一。而且，恢復較好或受輕傷的中風患者有足夠的運動能力產生較少的補償，這不利于軀干補償的檢測。最后，中風患者的運動策略不能得到精確控制，可能會導致同時進行多種軀干補償，而不是健康組模擬的單一類型的補償。
未來的工作應該集中在提高中風患者的檢測性能上。考慮到中風患者可能同時進行多個軀干補償，將建立、訓練和測試多標簽分類模型。此外，閉環方法，例如使用滑動導軌機構而不是開環的木制手電筒，可以減少甚至消除棍子對中風患者近端肌肉的影響。更重要的是，多個傳感器，如表面肌電、攝像頭和慣性傳感器，應該融合用于TCD。最后，盡管使用較少的通道實現了較低的檢測精度，但我們將嘗試采用一些新方法，如深度學習，以確保準確性，同時減少肌肉數量。
未來的工作還應認識到所提出的方法的潛在醫學價值，并為姿勢矯正提供反饋。研究表明，sEMG信號可用于肌肉痙攣的定量評估（Zhang et al.，2019），也可用于機器人（Koh et al.，2017）或假肢的反饋控制（Zhai et al.，17）。因此，未來的工作應該使用sEMG信號來定量評估軀干補償，并作為機器人康復訓練的反饋控制來糾正姿勢。
結論
在本文中，我們提出了sEMG-bTCD方法，并研究了該方法的可行性。健康組（5名受試者）和中風組（9名受試人）被招募參加實驗。所有受試者都完成了三項康復訓練任務。在三次無補償和三次共同軀干補償的康復訓練任務中，收集了9塊淺干肌的表面肌電信號。進行了濾波、活動片段檢測等預處理，提取了五個時域特征。使用SVM分類器獲得的四類模型在健康參與者中具有優異的檢測性能（LF：準確率=94.0%，AUC=0.97，F1=0.94；TR：準確率95.8%，AUC=0.099，F1=0.96；SE：準確率100.0%，AUC=1.00，F1=1.00）。中風參與者也獲得了良好的檢測性能（LF：準確度=74.8%，AUC=0.90，F1=0.73；TR：準確度=67.1%，AUC=8.85，F1=0.71；SE：準確度=91.3%，AUC=0.098，F1=0.90）。結果表明sEMG-bTCD方法是可行的。這種方法有助于促使患者糾正錯誤的姿勢，從而提高康復訓練的有效性。為了提高中風患者的檢測性能，應檢測復合軀干補償，而不是單一軀干補償。此外，多個傳感器，如表面肌電、攝像頭和慣性傳感器，應融合用于TCD。
數據可用性聲明
支持本文結論的原始數據將由作者提供給任何合格的研究人員，沒有任何不當保留。
道德聲明
獲得所有參與者的倫理批準和參與同意書（即書面知情同意書），以完成廣州市第一人民醫院倫理委員會批準的方案。所有研究都是根據《赫爾辛基宣言》進行的。
作者貢獻
KM構思了這項研究，并參與了整個研究過程，包括實驗、數據處理、結果分析以及手稿起草和修訂。YC和LX構思了這項研究，并參與了手稿的實驗和修訂。XZ和HZ參與了實驗并對結果進行了分析。SY和SC參與了實驗和數據處理。
基金
這項工作得到了國家自然科學基金（批準號：51575188）、國家重點研發計劃（批準號2018YFB1306201）、廣東省研究基金（批準編號：2016A030313492和2019A050505001）和廣州市研究基金（資助號：201903010028）的部分支持。
利益沖突
作者聲明，該研究是在沒有任何可能被解釋為潛在利益沖突的商業或財務關系的情況下進行的。
參考文獻
Bakhti，K.、Laffont，I.、Muthalib，M.、Froger，J.和Mottet，D.（2018）�；贙inect的評估中風后不使用近端手臂。J.神經能�？祻�。15時104分。doi:10.1186/s12984-018-0451-2
PubMed摘要| CrossRef全文|谷歌學者
Barrios Muriel，J.、Romero，F.、Alonso，F.J.和Gianikelis，K.（2016）。一種簡單的基于SSA的去噪技術，用于去除EMG信號中的ECG干擾。生物識別。信號處理。對照30117-126。doi:10.1016/j.bspc。2016年6月01日
CrossRef全文|谷歌學者
Bellingegni，A.D.、Gruppioni，E.、Colazzo，G.、Davalli，A.、Sachetti，R.、Guglielmelli，E.等人（2017）。NLR、MLP、SVM和LDA：對經橈側截肢患者肌電圖數據的比較分析。J.神經能�？祻�。14時82分。doi:10.1186/s12984-017-0290-6
PubMed摘要| CrossRef全文|谷歌學者
Burges，C.J.（1998年）。模式識別的支持向量機教程。數據挖掘知識。圓盤2121-167頁。
谷歌學者
Burhan，N.和Ghazali，R.（2016）。“表面肌電（sEMG）的特征提取和小波變換中的信號處理技術：綜述”，2016年IEEE國際自動控制和智能系統會議（I2CACIS），（新澤西州皮斯卡塔韋：IEEE），141–146。
谷歌學者
Burton，J.K.、Ferguson，E.E.、Barugh，A.J.、Walesby，K.E.、Maclulich，A.M.、Shenkin，S.D.等人（2018）。預測卒中后出院到機構長期護理：一項系統綜述和薈萃分析。J.美國。老年人。索克。第66161-169頁。doi:10.111/jgs。15101
PubMed摘要| CrossRef全文|谷歌學者
Chowdhury，R.、Reaz，M.、Ali，M.、Bakar，A.、Chellappan，K.和Chang，T.（2013）。表面肌電信號處理和分類技術。傳感器13、12431–12466。doi:10.3390/s130912431
PubMed摘要| CrossRef全文|谷歌學者
Cirstea，M.和Levin，M.F.（2000）。中風患者的補償策略。大腦123940–953。doi:10.1093/brain/123.5.940
PubMed摘要| CrossRef全文|谷歌學者
Costa，M.，Goldberger，A.L.和Peng，C.-K.（2002）。復雜生理時間序列的多尺度熵分析。物理。修訂。萊特。89:068102。
PubMed摘要|谷歌學者
Dolatabadi，E.、Zhi，Y.X.、Ye，B.、Coahran，M.、Lupinaci，G.、Mihailidis，A.等人（2017）。“多倫多康復中風姿勢數據集，用于檢測中風康復治療期間的補償”，載于《第11屆EAI醫療保健普及計算技術國際會議論文集》（紐約，NY:ACM），375–381。
谷歌學者
Duff，M.、Chen，Y.、Attygalle，S.、Herman，J.、Sundaram，H.、Qian，G.等人（2010）。一種用于中風康復的自適應混合現實訓練系統。IEEE傳輸。神經的系統�？祻汀９こ處�18531-541。doi:10.109/tnsre。2010.2055061
PubMed摘要| CrossRef全文|谷歌學者 |
