本文介绍了一项关于步态相位分类的原创研究，该研究由韩国科学技术研究院（Korea Institute of Science and Technology）和韩国大学医学院（Korea University College of Medicine）的研究团队完成，并于2023年5月17日发表在《Frontiers in Human Neuroscience》期刊上。研究的主要作者包括Heesu Park、Sungmin Han、Joohwan Sung、Soree Hwang、Inchan Youn和Seung-Jong Kim。该研究旨在探讨肌肉协同（muscle synergy）特征是否能够比传统的时域和小波特征更准确、更稳健地分类步态事件，从而为步态分析提供新的方法。

研究背景

步态分析在监测和诊断神经系统及肌肉骨骼疾病中具有重要作用，尤其是在下肢辅助设备的精确控制中。传统的步态分析通常依赖于加速度计、陀螺仪和惯性测量单元（IMU）等传感器，但这些方法在分析异常步态时的肌肉补偿效应方面存在局限性。相比之下，肌电图（EMG）信号能够更直接地反映与正常和病理步态相关的神经控制机制。然而，EMG信号的高维性和复杂性使得解释其背后的运动控制机制具有挑战性。因此，研究肌肉的模块化控制对于深入理解神经肌肉系统在步态中的作用至关重要。

肌肉协同是指一组肌肉的协同激活，能够生成各种运动行为。研究表明，肌肉协同在步态障碍患者的EMG特征变化监测中具有广泛应用。尽管肌肉协同如何反映中枢神经系统对远端运动功能的控制机制仍存在争议，但普遍认为肌肉活动的模块化可以降低选择运动协调策略的计算复杂性。因此，本研究旨在验证肌肉协同特征是否能够有效用于步态事件的分类。

研究方法

研究招募了8名健康受试者，使用无线EMG传感器测量其下肢四个肌肉（胫骨前肌、比目鱼肌、腓肠肌外侧头和股直肌）在行走时的EMG信号。EMG信号被分割并标记为2类（支撑相和摆动相）和3类（负重接受、单肢支撑和肢体推进）步态相位。研究使用非负矩阵分解（NNMF）方法识别参与步态的特定肌肉群，并分析运动系统的功能组织。步态相位的分类采用了四种不同的机器学习算法：决策树（DT）、K近邻（KNN）、支持向量机（SVM）和神经网络（NN）。

研究流程

1. 信号采集：受试者在带有内置力板的跑步机上行走，EMG信号和力板数据以2000 Hz的频率采集。
2. 数据准备：对原始EMG信号进行带通滤波、全波整流和低通滤波处理，以去除噪声和运动伪影。力板数据用于检测步态周期中的关键事件（如脚跟触地和脚趾离地）。
3. 特征提取：从EMG信号中提取了五种特征向量，包括时域特征、小波变换系数、小波变换特征、原始EMG特征和肌肉协同特征。
4. 分类器优化：通过初步实验优化窗口长度，并比较了四种分类器的性能。最终选择SVM算法进行步态事件分类。
5. 步态相位分类：采用10折交叉验证策略评估分类性能，比较了不同特征提取方法的分类准确率。
6. 步态事件识别：通过后处理步骤消除误识别的预测，评估步态相位转换时间的检测准确性。

研究结果

研究结果表明，使用肌肉协同特征的分类准确率显著高于其他EMG特征。SVM算法在3类和2类步态事件分类中表现最佳，平均准确率分别为95.21%和96.37%。肌肉协同特征在步态相位转换时间的检测中也表现出较高的精度和召回率，支持了肌肉协同能够准确分类步态事件的假设。

结论

该研究提出了一种基于肌肉协同的步态分析新方法，证明了肌肉协同特征在步态相位分类中的潜力。这一方法不仅为步态分析提供了新的工具，还为下肢辅助设备的精确控制和神经系统疾病的康复监测提供了重要参考。

研究亮点

1. 重要发现：肌肉协同特征在步态相位分类中表现出更高的准确性和稳健性。
2. 方法创新：研究采用了非负矩阵分解（NNMF）方法提取肌肉协同特征，并结合多种机器学习算法进行分类。
3. 应用价值：该方法在步态分析、下肢辅助设备控制和神经系统疾病康复中具有广泛的应用前景。

未来工作

尽管研究取得了积极成果，但仍存在一些局限性。例如，实验仅在跑步机上进行，未考虑平地行走的差异。此外，研究仅包括健康成年男性，未来应扩展至更多样化的受试者群体，并在不同实验环境中进行验证。