謝 平 李欣欣 楊春華 楊芳梅 陳曉玲 吳曉光

(燕山大學(xué)電氣工程學(xué)院河北省測試計量技術(shù)及儀器重點實驗室，河北 秦皇島 066004)

基于表面肌電非負(fù)矩陣分解與一致性的肌間協(xié)同-耦合關(guān)系研究

謝 平*李欣欣 楊春華 楊芳梅 陳曉玲 吳曉光

(燕山大學(xué)電氣工程學(xué)院河北省測試計量技術(shù)及儀器重點實驗室，河北 秦皇島 066004)

肌肉協(xié)同模型是神經(jīng)產(chǎn)生并控制運動的低維度結(jié)構(gòu)，探討不同動作任務(wù)下的表面肌電信號(sEMG)間的相干性分析，可以體現(xiàn)相應(yīng)肌群的協(xié)同耦合關(guān)系，進而能從神經(jīng)控制運動與肌肉相互配合協(xié)調(diào)的角度揭示運動產(chǎn)生與執(zhí)行規(guī)律。組織8名年輕健康受試者(男女均半、20～24歲)進行上肢腕部屈、伸實驗，采集動作時相應(yīng)肌群的sEMG數(shù)據(jù)，引入非負(fù)矩陣分解(NMF)方法分析肌間協(xié)同性，并進一步對協(xié)同性較高的肌群采用一致性分析方法，研究信號beta(15～35 Hz)和gamma(35～60 Hz)頻段的耦合強度關(guān)系，探討腕部伸屈動作下不同受試者之間的協(xié)同-耦合性差異。結(jié)果表明：腕伸動作下，主動肌橈側(cè)腕短伸肌(ECR)、指伸肌(ED)、尺側(cè)腕伸肌(ECU)、肱橈肌(B)在協(xié)同模塊W5中具有協(xié)同關(guān)系，且肌間耦合強度顯著(P<0.05)，beta頻段與gamma頻段一致性顯著面積相差較大(1.261±0.966)；腕屈動作下，分別在協(xié)同模塊W1W4W5中存在具有協(xié)同關(guān)系的肌肉對，且肌肉間耦合強度顯著(P<0.001)，在beta和gamma頻段一致性顯著面積相差較小(0.412±0.163)，但主動肌橈側(cè)腕屈肌、指淺屈肌間不具有協(xié)同性，耦合關(guān)系較弱。以上說明：神經(jīng)控制運動的方式不同，體現(xiàn)為肌肉協(xié)同-耦合關(guān)系有所差異；在同一協(xié)同模塊中，協(xié)同性較高的肌肉間耦合關(guān)系較強，揭示神經(jīng)控制運動規(guī)律與肌肉相互配合方式；運用此方法進行肌間協(xié)同-耦合聯(lián)合分析，可望深入揭示中樞神經(jīng)模塊化協(xié)同控制運動機制，進一步為運動障礙患者功能分析和評價提供科學(xué)依據(jù)。

表面肌電；肌肉協(xié)同；肌間耦合；非負(fù)矩陣分解；一致性分析

引言

人體運動是一種由神經(jīng)肌肉激活和生物力學(xué)輸出產(chǎn)生的高復(fù)雜度活動[1]，在運動過程中，模塊化結(jié)構(gòu)常被用于解決肌肉間如何組織與協(xié)調(diào)多自由度變化的問題[2]。這種模塊化結(jié)構(gòu)定義多塊肌肉共同作用形成激活模型，通過調(diào)節(jié)模型激活時間與強度來完成動作的“搭建”[3-4]，而在模型內(nèi)部肌肉間同樣存在依附與共同作用關(guān)系。因此，研究模塊化結(jié)構(gòu)中肌間關(guān)系特性，更有助于了解中樞神經(jīng)系統(tǒng)(central nervous system, CNS)控制人體運動的產(chǎn)生、執(zhí)行及協(xié)調(diào)方式。

中樞神經(jīng)系統(tǒng)對肌肉的模塊化分解被稱為肌肉協(xié)同分析，不僅可以對存在協(xié)同作用的肌肉進行提取，而且能夠獲取反映肌肉激活的主要成分。針對以上特點，因子分解方法、主成分分析方法及非負(fù)矩陣分解(nonnegative matrix factorization, NMF)方法常被用于肌肉激活模式分析[5]、姿態(tài)時空特性分析[6]、腦電的相位空間重構(gòu)[7]、能量譜特征提取[8]及腕部動作識別[9]等方面。以上分析方法均能從不同角度揭示神經(jīng)從組織協(xié)調(diào)到運動執(zhí)行的規(guī)律，但因子分解方法、主成分分析方法是將多指標(biāo)轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)，降低了原始數(shù)據(jù)維度，而NMF方法的目的是將數(shù)據(jù)拆解成目標(biāo)形式，且分解矩陣中所有元素均具有非負(fù)特性，使得分解形式和結(jié)果對肌肉激活具有更好的解釋性。針對多通道肌電信號數(shù)據(jù)量大的特點，NMF方法能夠簡化數(shù)據(jù)形式，對目標(biāo)信號實現(xiàn)簡便、準(zhǔn)確提取，因此更適合于協(xié)同分析。

肌肉協(xié)同作用可以反映多塊肌肉的相互組合與協(xié)調(diào)關(guān)系，而兩肌肉間的相互依附與共同作用關(guān)系，即耦合關(guān)系，可以從神經(jīng)振蕩傳遞運動控制信息角度反映肌肉間的功能聯(lián)系[10-11]。計算肌間耦合特性的常用方法為一致性(coherence)分析方法，腕部屈伸運動研究發(fā)現(xiàn)，在姿勢變化時肌間一致性也會相應(yīng)調(diào)整[12]，運動過程中肌間耦合主要表現(xiàn)在beta(15～35 Hz)頻段和gamma(35～60 Hz)頻段[13]，beta頻段的肌間耦合代表了從初級運動皮層到運動神經(jīng)元的傳遞過程，而gamma頻段振蕩體現(xiàn)與認(rèn)知功能相關(guān)的腦皮層信息整合過程[14]，各頻段的肌間耦合分析為理解運動控制過程的組織與協(xié)調(diào)提供了理論基礎(chǔ)。

過去研究側(cè)重于單獨的肌肉協(xié)同或肌間耦合分析，在神經(jīng)控制運動方式[1]、肌肉間相互作用關(guān)系[13]以及神經(jīng)通路與生物力學(xué)之間的相互影響[4]等方面分別做出闡述。肌肉協(xié)同的模塊化結(jié)構(gòu)是多塊肌肉表達(dá)運動過程與運動目的方式，可以深入觀察CNS生成的控制結(jié)構(gòu)，D’Avella等早期研究發(fā)現(xiàn)，協(xié)同作用是肌肉多自由度問題的解決方案[2]，對于運動控制來說，CNS只需要控制較少的模塊變量，就可控制眾多的運動單元和肌肉。肌間耦合可在頻段上分析協(xié)同模塊的關(guān)聯(lián)程度，并與生物力學(xué)運動相關(guān)聯(lián)。肌間協(xié)同與耦合綜合分析，可以從神經(jīng)控制層面上探究肌間功能耦合關(guān)系與肌肉激活模型的關(guān)聯(lián)程度，近期研究AMarchis C D等發(fā)現(xiàn)，下肢肌肉協(xié)同模塊中部分肌肉間存在耦合關(guān)系[3]，在神經(jīng)控制方面具有相互聯(lián)系，僅發(fā)現(xiàn)肌間耦合在gamma頻段中存在重要影響，對于肌肉協(xié)同性與肌間耦合特性之間具體關(guān)聯(lián)關(guān)系并沒有詳盡闡述。

為進一步探索上肢不同運動下神經(jīng)控制及運動協(xié)調(diào)機制，針對多通道表面肌電信號(surface electromyography, sEMG)的神經(jīng)控制規(guī)律特性，探討肌肉協(xié)同方式、肌間耦合強度及各頻段上耦合強度差異性，本研究提出非負(fù)矩陣分解-一致性方法用于研究人體上肢腕部屈伸動作下肌間協(xié)同-耦合關(guān)系，從神經(jīng)控制運動與肌肉相互配合協(xié)調(diào)的角度聯(lián)合揭示運動的產(chǎn)生與執(zhí)行規(guī)律，為深入分析人體運動的協(xié)調(diào)機制和控制規(guī)律提供研究方法和依據(jù)，為研究神經(jīng)控制運動機理打下了基礎(chǔ)。

1 實驗數(shù)據(jù)采集及預(yù)處理

1.1 實驗數(shù)據(jù)采集

受試者為8名(男4名，女4名)無上肢運動功能障礙或關(guān)節(jié)損傷歷史的健康人。年齡20～24歲，體重47～75 kg，身高160～178 cm，均為右利手，無神經(jīng)肌肉障礙[15]。所有受試者均自愿參加此測試，受試前24 h內(nèi)未作劇烈運動，排除運動疲勞的影響。

sEMG采集采用DELSYS公司的表面肌電采集裝置。實驗記錄兩種腕部基本動作方式，即腕伸(wrist extension, WE)與腕屈(wrist flexion, WF)。sEMG信號采集帶寬為5～450 Hz，采樣頻率為2 000 Hz。采用四點式銀條采集表面肌電信號，電極順著肌纖維方向粘貼。采集前先用酒精擦拭被測部位，去除皮膚表面油脂和皮屑。上臂支架，支撐上肢與身體成90°，如圖1(a)所示。設(shè)備只允許前臂關(guān)節(jié)運動并約束肩膀來回?fù)u擺，防止手臂疲勞對實驗產(chǎn)生影響，對腕部運動沒有任何輔助或阻力。在計算機上顯示目標(biāo)圖像，以最大程度完成動作，初始狀態(tài)和間歇狀態(tài)均保持前臂放松。

同步采集右側(cè)上肢8塊肌肉sEMG信號，分別為指淺屈肌(flexor digitorum superficialis, FDS)、指伸肌(extensor digitorum, ED)、肱橈肌(brachioradialis, B)、橈側(cè)腕屈肌(flexor carpi radialis, FCR)、掌長肌(palmarislongus, PL)、橈側(cè)腕短伸肌(extensor carpi radialis, ECR)、尺側(cè)腕伸肌(extensor carpi ulnaris, ECU)和肱二頭肌(biceps brachii, BB)，采集位置如圖1(b)所示。

圖1 上肢表面肌電信號采集實驗。(a) 上肢擺位與腕部運動；(b) 腕部屈伸運動相關(guān)肌肉與表面肌電采集位置Fig.1 Experimental on sEMG signal acquisition of upper limbs. (a) Upper limb position and wrist motion; (b) Wrist flexion - extension related muscle and sEMG signal acquisition position

1.2 肌電信號預(yù)處理

根據(jù)動作演示(見圖1)，設(shè)置動作圖片顯示時間為4 s，動作切換間歇時間為3 s。在處理數(shù)據(jù)過程中，去除有效數(shù)據(jù)中的前0.5 s與后0.5 s，保證在中間過程中手腕保持靜止。為了更好地分析數(shù)據(jù)，獲得有效的sEMG信號特征，需對原始信號進行預(yù)處理。首先，對信號做去均值處理，并用于一致性分析，以避免帶通處理對信號造成影響，保證低頻波段的真實有效性[16-17]；然后，進行低通與高通濾波(截止頻率為4、200 Hz)，整流后提取信號包絡(luò)；最后，對處理后的信號進行最大值歸一化，用于肌肉協(xié)同分析。

1.3 非負(fù)矩陣分解-一致性分析方法

為研究協(xié)同肌肉間耦合特性，本研究提出非負(fù)矩陣分解-一致性分析方法應(yīng)用于上肢腕部屈伸動作的肌電信號分析中。先應(yīng)用非負(fù)矩陣分解方法來確定肌肉協(xié)同結(jié)構(gòu)，得到協(xié)同性較強的肌肉對，并結(jié)合一致性方法計算協(xié)同性肌肉間的耦合強度。

1.3.1 基于非負(fù)矩陣分解的肌肉協(xié)同分析

針對肌肉激活模式中的非負(fù)與模塊化的概念，采用非負(fù)矩陣分解(NMF)算法[18]提取肌肉協(xié)同。NMF通過發(fā)掘數(shù)據(jù)之間的內(nèi)在關(guān)系獲得映射矩陣，再把高維數(shù)據(jù)投影到低維子空間中，從而達(dá)到聚類、降維等目的。NMF算法的形式為

(1)

式中：Wiα為基矩陣，Hαμ為系數(shù)矩陣，n為基矩陣分解列數(shù)；原矩陣Viμ的列向量可以解釋為Hαμ中所有列向量的加權(quán)和，而權(quán)重系數(shù)為Wiα中對應(yīng)列向量中的元素。

基于非負(fù)矩陣分解方法對肌電信號建立肌肉協(xié)同模型，如圖2所示。具體過程如下，構(gòu)建三通道肌電原始信號矩陣Viμ，其中i=3為信號個數(shù)，μ為0.5s時間內(nèi)的采樣點數(shù)，如圖2(a)所示，當(dāng)分解列數(shù)n=2時，分解得到肌肉協(xié)同矩陣W32、激活尺度系數(shù)矩陣H2μ，如圖2(b)所示。并對兩個分解矩陣進行重構(gòu)，得到重構(gòu)矩陣V′iμ，如圖2(c)所示。

圖2 基于非負(fù)矩陣分解方法的肌肉協(xié)同模型。(a) 模擬肌電信號模型；(b) 協(xié)同模型；(c) 肌電重構(gòu)模型Fig.2 The synergy model of muscles based on the nonnegative matrix factorization method. (a) Simulated sEMG signal model; (b) Synergy model; (c) sEMG reconstruction model

為確定上述分解過程中肌肉協(xié)同矩陣列數(shù)n，即基矩陣分解列數(shù)，運用解釋方差(variabilityaccountedfor,VAF)[19]計算方法，定義如下：

(2)

式中，RSS為殘差平方和(residualsumofsquares,RSS)，TSS為總平方和(totalsumofsquares,TSS)，Viμ是原始肌肉激活模式矩陣，V′iμ是NMF算法重構(gòu)后的數(shù)據(jù)矩陣。

經(jīng)過不斷迭代計算，通過VAF值來判斷分解模型準(zhǔn)確程度，在n較小情況下，VAF值較低，此時的分解模型僅涵蓋原始信號部分有用信息，Clark等[20]研究發(fā)現(xiàn)，當(dāng)分解模塊數(shù)少時，其分解出的模塊是許多模塊的疊加，且不足以表現(xiàn)原始信號信息。認(rèn)為當(dāng)VAF值大于92%，且隨著n值的增加VAF增加小于2%時，此時n為有效分解列數(shù)。為更好地表現(xiàn)重構(gòu)信號的細(xì)節(jié)，對原始信號有用信息盡量保留，當(dāng)協(xié)同模塊數(shù)目為n=5，滿足上述條件，從而確定協(xié)同結(jié)構(gòu)。

1.3.2 基于一致性分析方法的協(xié)同肌肉耦合強度分析

根據(jù)本文第1.3.1節(jié)非負(fù)矩陣分解方法得到的肌肉協(xié)同模式，對協(xié)同性較強的肌肉對進行耦合強度分析。兩肌電信號x、y在頻率λ處的Coherence計算公式為

(3)

信號間一致性程度可用顯著一致性閾值S描述[21]，計算公式為

(4)

式中：n表示參與譜估計的數(shù)據(jù)段數(shù)目；α為置信水平(α=0.95)，超過顯著性閾值P<α?xí)r兩肌電相干顯著。

為了比較組間一致性，本研究提出一致性面積指標(biāo)AC，即一致性曲線與一致性閾值S之間區(qū)域面積，用來描述各頻段不同受試者之間的統(tǒng)計差異，有

(5)

式中：Δλ表示頻率分辨率；AC的數(shù)值越大，表示協(xié)同性肌肉間耦合強度越高。

2 結(jié)果

在不同的運動狀態(tài)下，肌肉協(xié)調(diào)與激活方式有所不同，所以對腕屈腕伸動作下肌肉進行協(xié)同-耦合分析，即采用本文第1.3.1與1.3.2節(jié)中非負(fù)矩陣分解-一致性方法，分析本文第1.1節(jié)采集并經(jīng)過本文第1.2節(jié)預(yù)處理后的肌電信號。

2.1 腕伸(WE)動作下肌肉協(xié)同-耦合分析

提取腕伸動作肌電活動段數(shù)據(jù)，并進行協(xié)同肌肉間的耦合強度分析，得到腕伸動作的分解協(xié)同模塊與激活尺度系數(shù)關(guān)系(見圖3(a))，對具有協(xié)同作用的肌肉對進行一致性分析得到曲線(見圖4(a))，并對非協(xié)同性肌肉對進行一致性分析得到曲線(見圖4(b))。

圖3 各動作下的平均肌肉協(xié)同模型(左列為協(xié)同模型，右列為激活尺度系數(shù))。(a)腕伸動作；(b) 腕屈動作Fig.3 The average synergy model of under each movement (The left column is the synergy model and the right column is the activation scale factor). (a) Synergy model of wrist extension; (b) Synergy model of wrist flexion

由圖3(a)可見，在腕伸動作下，ECR(橈側(cè)腕長伸肌)、ED(指伸肌)、ECU(尺側(cè)腕伸肌)、B(肱橈肌)在協(xié)同模塊W5中具有協(xié)同關(guān)系，其他模塊中肌肉間協(xié)同關(guān)系不明顯。為了更好地對比觀察協(xié)同性肌肉于非協(xié)同肌肉的一致性關(guān)系，筆者選擇6塊不具有協(xié)同性的肌肉進行對比分析。具有協(xié)同性的肌肉一致性分析如圖4(a)所示，不具有協(xié)同性的肌肉對一致性分析如圖4(b)所示。由圖可見，具有協(xié)同性的肌肉耦合強度較強，而不具有協(xié)同性的肌肉其一致性曲線僅在顯著性閾值左右變化。

圖4 腕伸WE動作下肌間一致性。(a)具有協(xié)同性肌肉間一致性；(b)非協(xié)同性肌肉間一致性Fig.4 Intramuscular coherence in wrist extension movement. (a)Coherence between strong synergy muscles; (b)Coherence between uncooperative muscles

對上述一致性分析結(jié)果，利用顯著性面積公式(見式(5))，計算所有被測者alpha(8～15Hz)、beta(15～35Hz)、gamma(35～60Hz)頻段的顯著性面積AC。WE動作下，圖4(a)中所有協(xié)同性肌肉對與圖4(b)中非協(xié)同肌肉對平均顯著性面積比較如表1所示。可見，協(xié)同性肌肉與非協(xié)同性肌肉間的組間顯著性水平P<0.05，因此可認(rèn)為協(xié)同性與否對肌間一致性在各頻段的顯著性面積有顯著影響，置信度為95%。協(xié)同性肌肉一致性顯著面積在beta頻段與gamma頻段相差為1.261±0.966，在gamma頻段顯著性更明顯。

表1 WE動作下協(xié)同關(guān)系的顯著性面積比較

Tab.1 The significant area of synergistic function measures ANOVA of WE movement

頻段協(xié)同性肌肉非協(xié)同性肌肉(均值±標(biāo)準(zhǔn)差)(均值±標(biāo)準(zhǔn)差)FPalpha0.582±0.4990.369±0.3585.8010.018beta1.711±1.1960.990±1.0069.1400.003gamma2.972±2.1621.762±1.6498.4310.005

2.2 腕屈(WF)動作下肌肉協(xié)同-耦合分析

同樣，與本文第2.1節(jié)相似，得到分解協(xié)同模塊與激活尺度系數(shù)關(guān)系(見圖3(b))和具有協(xié)同性的肌間一致性分析曲線(見圖5(a))，以及不具有協(xié)同性的肌肉的肌間一致性分析曲線(見圖5(b))。

由圖3(b)可見，在腕屈動作下，W1模塊中具有協(xié)同性的肌肉為ED-ECR；W4模塊中有ECR-B、B-FCR、FCR-ECU、B-ECU，W5模塊中有FCR-PL。觀察圖5(a)、(b)可見，具有協(xié)同性的肌肉，肌間耦合強度較強，而非協(xié)同性肌肉，肌間耦合強度相對較弱。

同樣，利用顯著性面積公式(見式(5))，計算所有被測者alpha、beta、gamma頻段的顯著性面積AC。WF動作下，圖5(a)中所有協(xié)同性肌肉對與圖5(b)中非協(xié)同肌肉對的顯著性面積比較如表2所示。

表2 WF動作下協(xié)同關(guān)系的顯著性面積比較

Tab.2 The significant area of synergistic function measures ANOVA of WF movement

頻段協(xié)同性肌肉非協(xié)同性肌肉(均值±標(biāo)準(zhǔn)差)(均值±標(biāo)準(zhǔn)差)FPalpha0.479±0.3640.239±0.22015.193<0.001beta1.311±1.0540.659±0.54014.533<0.001gamma1.723±1.2170.985±0.71313.118<0.001

由表2可見，協(xié)同性肌肉與非協(xié)同性肌肉間的組間顯著性水平P<0.001為極顯著統(tǒng)計差異性，因此可以認(rèn)為協(xié)同性與否對肌間一致性在各頻段的顯著性面積有顯著影響。協(xié)同性肌肉一致性顯著面積在beta頻段與gamma頻段相差為0.412±0.163，在beta與gamma頻段顯著性差異不明顯。

圖5 腕屈WF動作下肌間一致性。(a)具有協(xié)同性肌肉間一致性；(b)非協(xié)同性肌肉間一致性Fig.5 Intramuscular coherence in wrist flexion movement. (a)Coherence between strong synergy muscles; (b)Coherence between uncooperative muscles

3 討論與結(jié)論

從上肢擺位與腕部運動示意圖1(a)中可看出，肱二頭肌作用為支撐前臂，與其他肌肉功能有所不同，圖3中腕屈與腕伸動作的共享協(xié)同模塊W2中肱二頭肌比重最高，其他肌肉相對較低，從而印證協(xié)同模塊分解能夠?qū)⒐餐饔眉∪簞澐殖鰜?，對中樞神?jīng)系統(tǒng)模塊化控制肢體運動的假設(shè)提供依據(jù)。

從上述兩種動作下的肌間協(xié)同-耦合分析結(jié)果可見：腕屈與腕伸動作下都具有其特殊的協(xié)同模塊，并與共享協(xié)同模塊W2共同作用，從而產(chǎn)生靈活多樣的運動方式。在腕伸(WE)動作下，主動肌主要為ECR(橈側(cè)腕長伸肌)、ED(指伸肌)、ECU(尺側(cè)腕伸肌)，如圖3(a)所示，在W5模塊中，上述肌肉所占比重較高，相互間具有協(xié)同性，產(chǎn)生共同作用，且根據(jù)圖4(a)中上述肌肉兩兩間存在耦合關(guān)系，表明該動作下CNS是通過相同的神經(jīng)元信息來控制伸肌完成動作。在腕屈(WF)動作下，主動肌主要為FCR(橈側(cè)腕屈肌)、FDS(指淺屈肌)，如圖3(b)所示。未在分解模塊中發(fā)現(xiàn)上述肌肉同時比重較高地分布在同一模塊中，肌肉之間不具有協(xié)同性，且根據(jù)圖4(b)中上述肌肉間耦合強度相對較低，表明該動作下神經(jīng)控制屈肌通過單獨指令完成，以避免出現(xiàn)肌肉間混連發(fā)生。由此可知，在不同動作下，神經(jīng)控制運動的編碼方式有所不同，使得肌肉間形成不同的組合方式，并通過肌肉間相互配合協(xié)調(diào)，從而形成不同動作[4]。

進一步發(fā)現(xiàn)，在同一模塊中具有協(xié)同性的肌肉對的肌間耦合強度明顯高于非協(xié)同性肌肉(見圖4、5)，主要表現(xiàn)在beta頻段與gamma頻段中(見表1、2)。神經(jīng)控制運動的神經(jīng)元傳遞信息大部分存在beta頻段[18,23-24]。在腕伸(WE)動作下，beta頻段與gamma頻段顯著性面積AC均值相差較大。研究發(fā)現(xiàn)：在適中的肌力輸出情況下，肌間耦合強度會在beta頻段明顯增強；在較大肌力輸出時，同步頻率會向高頻移動，出現(xiàn)在gamma頻段[10]。在執(zhí)行腕伸動作時，比腕屈動作需更大的肌力輸出，其肌間耦合強度在gamma頻段較強。Marchis等研究同樣發(fā)現(xiàn)，在gamma頻段中存在肌間耦合關(guān)系[3]，其可能與力量的增大與維持有關(guān)。

綜上所述，本研究將非負(fù)矩陣分解和肌間一致性分析方法相結(jié)合，應(yīng)用于上肢不同動作下的表面肌電信號分析，不僅可以有效分解具有協(xié)同關(guān)系的活動肌群，也可進一步得到肌群內(nèi)部肌肉間的協(xié)同-耦合關(guān)系，為探究神經(jīng)控制運動的肌肉協(xié)調(diào)與分工協(xié)作方式提供研究方法和依據(jù)。結(jié)果表明，在上肢屈伸動作下，肌肉協(xié)同方式體現(xiàn)為具有相似功能的模塊，且協(xié)同性強的肌肉間耦合關(guān)系較強，主要表現(xiàn)在beta頻段與gamma頻段。筆者關(guān)于肌間協(xié)同-耦合關(guān)系的研究，驗證了中樞神經(jīng)系統(tǒng)的模塊化控制假設(shè)，并從神經(jīng)控制運動與肌肉相互配合協(xié)調(diào)的角度聯(lián)合揭示運動的產(chǎn)生與執(zhí)行規(guī)律，為深入研究神經(jīng)控制運動機理提供了依據(jù)，也對運動功能定量分析和評價提供了新方法。

(致謝：感謝實驗工作人員劉歡、邱石在研究工作中給予支持。)

[1] Gottlieb GL. Muscle activation patterns during two types of voluntary single-joint movement [J]. Journal of Neurophysiology, 1998, 80(4): 1860-1867.

[2] D’Avella A, Tresch M. Muscle Synergies for Motor Control [M]// Handbook of Neural Engineering. Hoboken: MA kay wiley, 2006: 449-465.

[3] Marchis CD, Severini G, Castronovo A M, et al. Intermuscular coherence contributions in synergistic muscles during pedaling [J]. Experimental Brain Research, 2015, 233(6): 1907-1919.

[4] Geyer H, Herr H. A muscle-reflex model that encodes principles of legged mechanics produces human walking dynamics and muscle activities [J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2010, 18(3): 263-273.

[5] Russo M, Dandola M, Portone A, et al. Dimensionality of joint torques and muscle patterns for reaching [J]. Frontiers in Computational Neuroscience, 2014, 8(3): 24.

[6] Tresch MC, Jarc A. The case for and against muscle synergies [J]. Current Opinion in Neurobiology, 2009, 19(6): 601-607.

[7] Ivanenko YP, Poppele RE, Lacquaniti F. Five basic muscle activation patterns account for muscle activity during human locomotion [J]. The Journal of Physiology, 2004, 556(1): 267-282.

[8] Torresoviedo G, Ting LH. Muscle synergies characterizing human postural responses [J]. Journal of Neurophysiology, 2007, 98(4): 2144-2156.

[9] 張啟忠，席旭剛，馬玉良，等. 基于表面肌電信號的手腕動作模式識別 [J]. 中國生物醫(yī)學(xué)工程學(xué)報, 2013, 32(3): 257-265.

[10] d’Avella A, Portone A, Fernandez L, et al. Control of fast-reaching movements by muscle synergy combinations [J]. The Journal of Neuroscience, 2006, 26(30): 7791-7810.

[11] De MC, Castronovo AM, Bibbo D, et al. Muscle synergies are consistent when pedaling under different biomechanical demands [C]// International Conference of the IEEE Engineering in Medicine & Biology Society. Conf Proc IEEE Eng Med Biol Soc, 2012: 3308-3311.

[12] Keenan KG, Massey WV, Walters TJ, et al. Sensitivity of EMG-EMG coherence to detect the common oscillatory drive to hand muscles in young and older adults [J]. Journal of Neurophysiology, 2012, 107(10): 2866-2875.

[13] Jesunathadas M, Laitano J, Hamm TM, et al. Across-muscle coherence is modulated as a function of wrist posture during two-digit grasping [J]. Neuroscience Letters, 2013, 553(8): 68-71.

[14] 謝平，宋妍，郭子暉，等. 中風(fēng)康復(fù)運動中肌肉異常耦合分析 [J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2016, 33(2): 244-254.

[15] Patino L, Omlor W, Chakarov V, et al. Absence of gamma-range corticomuscular coherence during dynamic force in a deafferented patient [J]. Journal of Neurophysiology, 2008, 99(4): 1906-1916.

[16] Ting LH, Mckay JL. Neuromechanics of muscle synergies for posture and movement [J]. Current Opinion in Neurobiology, 2007, 17(6): 622-628.

[17] Lee DD, Seung HS. Learning the parts of objects by non-negative matrix factorization [J]. Nature, 1999, 401(6755): 788-791.

[18] Gopalakrishnan A, Modenese L, Phillips AT. A novel computational framework for deducing muscle synergies from experimental joint moments [J]. Frontiers in Computational Neuroscience, 2014, 8: 153.

[19] Kattla S, Lowery MM. Fatigue related changes in electromyographic coherence between synergistic hand muscles [J]. Experimental Brain Research, 2010, 202(1): 89-99.

[20] Brach P, Alessander DS, Mark J, et al. Force-independent distribution of correlated neural inputs to hand muscles during three-digit grasping [J]. Journal of Neurophysiology, 2010, 104(2): 1141-1154.

[21] Clark DJ, Ting LH, Zajac FE, et al. Merging of healthy motor modules predicts reduced locomotor performance and muscle coordination complexity post-stroke [J]. Journal of Neurophysiology, 2010, 103(2): 844-857.

[22] Fisher KM, Zaaimi B, Williams TL, et al. Beta-band intermuscular coherence: a novel biomarker of upper motor neuron dysfunction in motor neuron disease [J]. Brain A Journal of Neurology, 2012, 135(9): 2849-2864.

[23] Farmer SF, Swash M, Ingram DA, et al. Changes in motor unit synchronization following central nervous lesions in man [J]. Journal of Physiology, 1993, 463(12): 3364-3377.

[24] Norton JA, Wood DE, Marsden JF, et al. Spinally generated electromyographic oscillations and spasms in a low-thoracic complete paraplegic [J]. Movement Disorders, 2003, 18(1): 101-106.

Research on the Intermuscular Synergy and Coupling Analysis Based on Surface EMG Nonnegative Matrix Factorization-Coherence

Xie Ping*Li Xinxin Yang Chunhua Yang Fangmei Chen Xiaoling Wu Xiaoguang

(KeyLabofMeasurementTechnologyandInstrumentationofHebeiProvince,YanshanUniversity,Qinhuangdao066004,Hebei,China)

The muscle synergy model is a low-dimensional structure in which nerves produce and control motion. The aim of this work was to study whether the coherence of surface electromyography could reflect the synergy-coupling relationship of the muscle groups under different movements and reveal the laws of movement generation and execution from the point of neural control and muscle coordination. In this study, we chose eight young healthy subjects (4 men and 4 women, 20～24 years old) to perform the upper limb wrist flexion and extension experiments, the sEMG data from different muscle groups were collected during the action. This study analyzed synergy between muscles by nonnegative matrix factorization. The coherence analysis method was used to study intermuscular coupling relationship in the beta (15～35 Hz) and gamma (35～60 Hz) band with the signals of high synergy muscles, and the differences of synergy-coupling between different subjects under wrist flexion and extension were investigated. Results showed that active muscles of extensor carpi radialis (ECR), extensor digitorum (ED), extensor carpi ulnaris (ECU) and brachioradialis (B) had synergistic relationship in synergy modelW5under the wrist extension movement, the intensity of intermuscular coupling was significantly different (P<0.05), and there was a significant difference in the value of coherence area between beta and gamma band (1.261±0.966). In the wrist flexion movement, intermuscular synergy appeared in synergy modelsW1W4W5， the intensity of intermuscular coupling was significantly different (P<0.001), and there was a nuance in the value of coherence area between beta and gamma band (0.412±0.163), active muscles of flexor carpi radialis (FCR) and flexor digitorum superficialis (FDS) had no synergistic relationship, the intermuscular coupling relationship was small. Taken above together, there were differences in the neural control action, which showed the different intermuscular synergy-coupling relationship. In the same synergy model, the intermuscular coupling relationship with high synergism was stronger. It revealed the law of the neural control action and muscle interaction with each other. The proposed method was expected to be applied in the future to reveal the central nervous system of modular synergistic control mechanism of movement, and to provide scientific basis for functional analysis and evaluation of patients with movement disorders.

sEMG; muscle synergy; intermuscular coupling; nonnegative matrix factorization; coherence analysis

10.3969/j.issn.0258-8021. 2017. 02.004

2016-07-27， 錄用日期:2016-11-05

國家自然科學(xué)基金(61271142，61503325)；河北省自然科學(xué)基金(F2015203372)

R318

A

0258-8021(2017) 02-0150-08

*通信作者(Corresponding author)，E-mail: pingx@ysu.edu.cn