康复训练中基于sEMG的躯干补偿检测
柯马1、严晨2、张晓娅3、郑海清3*、宋宇2、蔡思琪2、谢陇汉2*
1华南理工大学机械与汽车工程学院，中国广州
2中国广州华南理工大学吴智能工程学院
3广州中山大学附属第三医院康复医学科
脑卒中患者在上肢康复训练中经常使用躯干来补偿上肢运动功能受损，这导致康复训练效果降低。检测躯干补偿可以提高康复训练的效果。本研究探讨了基于表面肌电图的躯干补偿检测（sEMG-bTCD）方法的可行性。招募了5名具有认知和理解能力的健康受试者和9名中风受试者参与实验。在三项无补偿和三种常见躯干补偿[前倾（LF）、躯干旋转（TR）和肩部抬高（SE）]的康复训练任务（前后伸、左右伸和上下伸）中，收集了来自九块浅表躯干肌肉的sEMG信号。进行滤波、主动段检测等预处理，并从收集的sEMG信号中提取五个时域特征（均方根、方差、平均绝对值（MAV）、波形长度和四阶自回归模型系数）。通过使用支持向量机（SVM）分类器，健康参与者获得了优异的TCD性能（LF：准确度=94.0%，AUC=0.97，F1=0.94；TR：准确度95.8%，AUC=0.099，F1=0.96；SE：准确度100.0%，AUC=1.00，F1=1.00）。通过使用SVM分类器，还获得了中风参与者的TCD表现（LF：准确度=74.8%，AUC=0.90，F1=0.73；TR：准确度=67.1%，AUC=8.85，F1=0.71；SE：准确度=91.3%，AUC=0.098，F1=0.90）。与基于相机或惯性传感器的方法相比，在健康和中风参与者中都获得了更好的检测性能。结果证明了sEMG-bTCD方法的可行性，有助于提示脑卒中患者纠正错误姿势，从而提高康复训练的有效性。

介绍
中风是世界上致残的主要原因之一（Burton et al.，2018），约80%的中风患者伴有上肢运动功能障碍（如肌肉无力、姿势控制异常和肢体协调运动异常）。上肢运动功能障碍严重影响中风患者的日常生活和工作（Hatem et al.，2016）。许多临床实践表明，康复训练能有效促进上肢运动功能障碍的恢复（Zhang et al.，2015）。然而，在康复训练期间，患者通常通过恢复完整的躯干肌肉和关节来补偿受损的上肢（Cirstea和Levin，2000）。这种补偿运动被称为躯干补偿。根据躯干的不同运动特征，常见的躯干补偿有三种：前倾（LF）、躯干旋转（TR）和肩部抬高（SE）（Dolatabadi et al.，2017）。无论补偿类型如何，躯干补偿都会降低康复训练的效果，阻碍上肢运动功能障碍的恢复（Levin等人，2009）。

为了提高康复训练的有效性，应采取措施检测躯干补偿。在早期研究中，身体约束（Michaelsen和Levin，2004；Pain等人，2015；Greisberger等人，2016）使用带子或特殊线束应用于中风患者的躯干，将患者的躯干约束在椅子上，而不进行补偿。躯干补偿的这些限制可以改善患者的手臂功能（Wee等人，2014）。然而，患者的康复训练是重复和密集的。长期的身体约束会导致不适和焦虑。此外，一旦康复训练超过了患者的运动范围，很可能会给患者带来压力。因此，在没有躯干约束的情况下，利用检测技术检测躯干补偿对脑卒中患者更合适、更有效。

目前，可穿戴惯性传感器（Najafi et al.，2003）或相机（Bakhti et al.，2018）主要用于检测躯干补偿。尽管可穿戴惯性传感器系统通常用于评估和监测中风患者的上肢运动能力（Zhang et al.，2012；Urbin et al.，2015），但一项初步研究表明，可以通过惯性传感器识别补偿策略（Salazar et al.，2014）。例如，Ranganathan等人（2017）在模拟躯干补偿时，使用两个可穿戴惯性传感器收集了20名健康参与者的运动数据。使用天真的贝叶斯分类器进行二元分类（是否存在躯干移位），作者获得了88.6%的准确率。简而言之，基于惯性传感器的躯干补偿检测（TCD）方法在中风患者中实现了不令人满意的检测准确率（<90%），并且缺乏TCD。此外，为了减少测量误差，需要一些动作来校准惯性传感器，例如手臂水平外展，但中风患者很难执行这些动作。此外，由于人体皮肤的灵活性，惯性传感器的位置可能在运动过程中发生变化，导致数据采集的有效性降低。

目前，基于摄像头的检测方法已经得到了广泛的应用（Duff et al.，2010；Subramanian et al.，2013）。例如，Taati等人（2012）使用深度相机捕捉了七名健康参与者模拟LF、TR、SE和无精打采补偿的视频数据。使用改进的隐马尔可夫支持向量机（HM-SVM）分类器进行多分类，作者获得了每帧85.9%的平均准确率。随后，Zhi等人（2017）用Kinect v2相机拍摄了10名健康参与者的模拟LF、TR和SE补偿的视频数据，以及9名中风参与者的实际躯干补偿。使用支持向量机和递归神经网络分类器，作者获得了类似的分类性能。在健康参与者的模拟躯干补偿数据集中，LF补偿的检测性能最高（AUC=0.98，F1=0.82），其次是TR补偿（AUC=7.77，F1=0.57），最后是SE补偿（AUC=0.66，F1=0.07）。相反，在中风患者的实际躯干补偿数据集中实现了较低的检测性能，即：LF补偿（AUC=0.77，F1=0.17）、TR补偿（AUC=0.81，F1=0.27）和SE补偿（AUC=0.27，F1=0.07）。我们发现检测性能并不理想，尤其是在检测中风参与者的躯干补偿方面。此外，由于对照明的依赖，基于相机的检测系统仅限于室内环境。更重要的是，基于摄像头的检测系统可能会导致隐私问题，尤其是对中风患者。由于上述两种方法的缺点，需要一种方便、独立于环境、准确的检测方法来检测主干补偿。

表面肌电信号是一种包含肌肉运动信息的生物电信号。与相机和惯性传感器相比，sEMG信号的采集不依赖于外部环境，如照明，也不需要校准。基于这些优势，基于表面肌电的模式识别技术迅速出现并发展起来。特征提取和分类是基于表面肌电的模式识别技术中最关键的技术。迄今为止，时域、频域和时频域特征已被广泛用于sEMG信号的分析和处理（Burhan和Ghazali，2016；Majid等人，2018；Phinyomark等人，2018）。此外，出现了许多用于分类的分类器算法，如SVM、人工神经网络（Ann）和线性判别分析（LDA）（Chowdhury等人，2013；Nazmi等人，2016）。由于具有多种特征和分类器，基于sEMG的模式识别技术已被广泛用于上肢运动模式识别（Lucas et al.，2008；杨和陈，2016；鲁等人，2017）和上肢连续运动估计（Liu et al.，2017；张等人，2017年）。然而，它尚未用于中药。

因此，本文提出了基于表面肌电的TCD（sEMG-bTCD）方法，并通过实验验证了其可行性。实验分为两个阶段。首先，招募了5名健康参与者来验证该方法的实际可行性，然后招募了9名中风参与者来验证临床可行性。具体来说，我们从控制三个躯干补偿的躯干肌肉中选择了九个躯干肌肉，并从这些肌肉中收集sEMG信号。然后，我们从获取的sEMG信号中提取了五个时域特征，并使用SVM分类器进行了TCD，取得了良好的检测性能。本文的其余部分结构如下。“材料和方法”一节介绍了参与者和实验方案。“主干补偿检测程序”一节详细介绍了TCD程序，特别是改进的有源段检测方法。“结果和讨论”部分分析了实验结果和讨论。最后，“结语”部分对论文进行了总结。

材料和方法
参与者
在这篇论文中，招募了14名参与者参与实验，其中包括5名健康受试者（均为男性，年龄25.7±1.8岁，无上肢运动功能障碍）和9名中风受试者。获得所有参与者的伦理批准和参与同意书（即知情同意书），以完成广州市第一人民医院伦理委员会批准的方案。所有研究都是根据《赫尔辛基宣言》进行的。中风受试者由康复治疗师进行筛选。中风受试者的入选标准包括：（a）年龄在20至80岁之间；（b） Brunnstrom量表II级以上具有上肢运动能力；以及（c）具有认知和理解能力。最后，招募了9名中风患者参与实验，详见表1。

表1
www.frontiersin。组织
表1。九名中风受试者的详细信息。

实验协议
康复训练任务与躯干补偿
每个参与者都进行了三项基本的康复训练任务，包括前后伸（T1）、左右伸（T2）和上下伸（T3）动作。T1运动是指上肢（例如，右手、与右手对称的左手）在矢状面和横向平面上的直线向前和向后运动。起点位于人体中心轴上，距离参与者20厘米，如图1A所示。运动范围是木制手电筒的五个圆形凹槽中心之间的距离（约24厘米）（34厘米×28厘米×2厘米）。T2运动意味着上肢在横向平面内以内收和外展的直线运动。起点位于参与者身体的一侧，距离参与者20厘米，如图1B所示。运动范围也是24厘米。T3运动是指在矢状面上从0到参与者最大角度（<180°）的肩部屈曲，如图1C所示。

图1
www.frontiersin。组织
图1。三项康复训练任务。（A） 前后伸展，（B）左右伸展，（C）上下伸展。

康复训练任务涉及肩关节和肘关节，这有助于恢复这两个关节的运动功能。更重要的是，这些任务旨在引发三种常见的主干补偿：LF、TR和SE。LF补偿发生在参与者的髋关节弯曲角度＜90°时，如图2A所示。TR补偿发生在参与者在横向平面内旋转躯干时，如图2B所示。SE补偿发生在参与者在冠状平面内抬起单侧肩膀时，如图2C所示。基本动作（任务）对应于躯干补偿。当执行T1动作时，参与者可能经历LF补偿。当执行T2运动时，参与者可能经历TR补偿。此外，当执行T3动作时，参与者可能经历SE补偿。

图2:
www.frontiersin。组织
图2。干线补偿的三种常见类型。（A） 肩部抬高，（B）前倾，（C）躯干旋转。

sEMG采集系统
sEMG信号的收集严格按照推荐标准进行（Hermens等人，1999；康拉德，2005年）。结合一些参考文献（Larivière等人，2000年；Ghofrani等人，2017；Mueller等人，2017年；Varrecchia等人，2018）和生理学，从参与三种躯干补偿的众多躯干肌肉中选择了九种浅表躯干肌肉。这些肌肉是左右腹直肌（LRA和RRA）、左右腹外斜肌（LOEA和ROEA）、左右胸竖棘（LTES和RTES）、左右腰竖棘（LLES和RLES）以及斜方肌的下降部分（DT，在运动的上肢一侧）。DT肌在SE补偿中起着重要作用。LOEA和ROEA肌肉在TR补偿中起着关键作用，而其他肌肉则有助于控制LF补偿。然后，使用九对表面电极记录九块躯干肌肉的表面肌电信号。表面电极材料是AgCl，并且电极之间的距离是2cm。电极的方向与肌肉纤维平行。电极的放置如图3A所示。LRA和RRA的表面电极放置在脐附近左右2cm处。用于LOEA和ROEA的表面电极被放置在靠近脐的左右15cm处。LTES和RTES的表面电极放置在T10棘突左右3cm处。LLES和RLES的表面电极放置在L3棘突左右3cm处（Larivière等人，2000；Ghofrani等人，2017）。在放置表面电极之前，我们在皮肤表面擦拭酒精，以降低皮肤阻抗。然后，使用采样频率为2000 Hz的16通道Ultium-EMG传感器系统（Noraxon USA Inc.，Scottsdale，AZ，United States）的第1至第9通道采集原始sEMG信号。振幅范围为100–5000μV，频率分量为0–500 Hz（Merletti et al.，1992），sEMG信号被放大1000次，并通过10–500 Hz的带通滤波。