图3。（A） 躯干肌肉上的电极放置。DT，斜方肌下降部分；LRA，左腹直肌；右腹直肌；LOEA，左腹外斜肌；右腹外斜肌；左胸竖脊；右胸竖脊肌；左腰竖脊肌；右腰竖脊肌。（B） 实验设置的快照。

实验课程
实验方案包括两个阶段，包括健康组和中风组的实验阶段。首先，我们研究了sEMG-bTCD方法与健康组模拟躯干补偿的可行性。其次，我们验证了所提出的方法是否能够检测中风患者的实际躯干补偿。使用健康组模拟数据而不是直接从中风患者那里获得的数据有两个原因。一方面，这是一项新的研究，不能直接用于中风患者。另一方面，之前的一项研究（Zhi et al.，2017）表明，健康人可以通过模拟躯干补偿来获得有价值的实验数据。

实验设置如图3B所示。健康组的每个参与者都坐在椅子上，躯干上没有任何身体约束。与会者面前摆着一张水平的桌子。桌子上固定着一块木制的手电筒，用来引导参与者的动作。用棍子，参与者以正常速度在木制手电筒上完成了三项任务（T1、T2和T3动作）。此外，根据我们研究团队的指导和演示，参与者模拟了三种类型的躯干补偿（LF、TR和SE补偿）。与健康组不同，中风组的所有参与者都用健康和受影响的手完成了三项任务。来自执行任务的健康手的数据被用作没有补偿的数据。来自执行任务的受影响的手的数据表示干线补偿数据。每个动作重复10次。为了防止疲劳，每个参与者在两个动作之间休息10秒，在五个动作之后休息1分钟。至少有一名康复治疗师参与了中风组的整个实验，帮助我们的研究团队直观地观察中风患者是否产生了躯干补偿以及躯干补偿的类型。

行李箱补偿检测程序
sEMG信号的处理是用MATLAB 2017a（美国马萨诸塞州纳蒂克市MathWorks股份有限公司）实现的（图4），包括预处理、特征提取和分类。预处理包括三个部分：滤波器去噪、分析窗口和主动分段检测。

图4
www.frontiersin。组织
图4。表面肌电信号处理程序流程图。

预处理
滤波器去噪
采集过程中的各种外部因素，如50或60 Hz的工频干扰、运动伪影和ECG干扰，很容易干扰sEMG信号（Phinyomark等人，2012；Barrios Muriel等人，2016）。为了消除心电图干扰和运动伪影，通过使用通带纹波为0.1 dB、阻带衰减为50 dB的巴特沃斯滤波器，对sEMG信号进行了20–200 Hz的带通滤波。使用巴特沃斯滤波器实现50Hz陷波滤波器以消除工频干扰。这些预处理方法旨在提高表面肌电信号的信噪比。

分析窗口
由于sEMG信号的随机性和非平稳性，在模式识别过程中，分析窗口而不是瞬时值是有用的输入（Smith等人，2010）。在本文中，我们使用了一个重叠分析窗口，其窗口长度为256ms（512个样本），窗口滑动步长为64ms（128个样本）。因此，1秒内收集的sEMG信号可以分为12个分析窗口。本文随后的活动片段检测、特征提取和分类都是基于这些分析窗口。

活动分段检测
本文提出了一种基于最优阈值的样本熵（SampEn）方法来检测表面肌电信号的活动片段。SampEn是一种基于近似熵（ApEn）测量时间序列复杂性的改进方法（Richman和Moorman，2000）。一项研究将基于固定阈值的SampEn应用于表面肌电信号的主动分割（Zhou和Zhang，2013）。固定阈值是通过实验确定的经验值。然而，很难为不同的参与者或动作选择一个通用的固定阈值。因此，我们提出了一种基于最优阈值的SampEn方法。该实现分为三个步骤：计算SampEn、基于固定阈值检测活动分段和计算最佳阈值。

在第一步骤中，计算分析窗口（M个样本，M＝512）的SampEn。9信道信号之和的时间序列sEMGsum（k）被构造如下：

sEMGsum（k）=∑i=1CsEMGi（k）（1）
其中，C是通道总数（C=9），i是通道数，k是分析窗口中的点数。

然后，将标量时间序列sEMGsum（k），k=1，2，…，M嵌入到延迟的M维空间中，以形成一组M维向量（长度为M的数据段）（Zhang和Zhou，2012；Yentes等人，2013）：

{sEMGmsum（j）=[sEMGmsum（j+p）]m负极1p=0j=1,2，…，M-M+1（2）
两个序列匹配m个点的概率Bm（r）是通过计算距离低于相似容差r的向量对的平均数量来计算的。类似地，可以计算m+1维的概率Am（r）。最后，SampEn计算为：

SampEn（m，r，m）=负极ln（Am（r）Bm（r））（3）
尺寸m和类似公差r的选择决定了SampEn的计算结果。这些值有经验公式，分别为（Pincus，1991；Costa等人，2002）：m=1或2，r=（0.15–0.25）*σ。其中σ是整个数据序列sEMGsum的标准偏差。在本文中，这些值为：m=2，r=0.25*σ。

在第二步骤中，执行基于固定阈值的活动分段检测。根据第一步，获得第l个分析窗口的SampEn（l）。然后，计算第l个分析窗口的状态函数s（l）：

s（l）＝{0，SampEn（l）＜Th1，SampEn（l）≥Th（4）
其中Th是固定的阈值。基于状态函数的活动段的条件是：

是的s（l1负极1） =0和（l1）=1s（l2负极1） =1和（l2）=0 L=l2负极l1级≥L0=12×秒（5）
其中，l1和l2是活动片段的开始和结束分析窗口，L是l1和l2之间的分析窗口的数量，sec表示时间秒，L0是活动片段中预设的分析窗口数量。只有当L不小于L0时，该有源段才能被视为有效有源段。否则，该活动片段仍然被视为噪声。此外，可以在所获取的sEMG信号中检测到多个活动片段（例如n）。为了区分每个有源段，每个有源段的l1和l2分别存储在长度为n的一维阵列x1和x2中。

在第三步中，通过迭代来计算最优阈值。目标函数不仅是准确地检测已知的n0个活动片段（本文中n0=5），而且是使每个活动片段尽可能长，以便包含更多的运动信息。因此，目标函数是通过两个循环来实现的，流程图如图5所示。

图5
www.frontiersin。组织
图5。计算最佳阈值的流程图。

外循环和内循环的循环变量分别为活动段中分析窗口的数量L0（将L0替换为sec，10≥秒≥1） 以及SampEn阈值Th（0≤天≤2） 。循环体按顺序执行前两个步骤，并输出检测到的活动段的数量n，并确定其是否等于n0。如果n等于n0，则输出此时的x1、x2和Th值。以一名进行上下伸展运动的中风参与者为例，9通道sEMG信号的活动段检测结果如图6所示。

图6
www.frontiersin。组织
图6。上下运动中基于自适应SampEn阈值算法的主动分段检测。DT，斜方肌下降部分；LRA，左腹直肌；右腹直肌；LOEA，左腹外斜肌；右腹外斜肌；左胸竖脊；右胸竖脊肌；左腰竖脊肌；右腰竖脊肌。

特征提取
与频域和时频域特征相比，时域特征简单且耗时较少。因此，我们选择了五种常用的时域特征来建立特征向量。这些特征是均方根（RMS）、方差（Varrecchia et al.，2018）、MAV、波形长度（WL）和四阶自回归模型系数（4th ARMC）。

RMS是给定分析窗口中sEMG信号的平均功率的平方根。计算如下：

RMSi（t）=1M∑k=1MsEMGti（k）2��⎷�—。�6）
其中，i是通道编号（i=1，2，3，…，9），t是分析窗口编号，k是第t个分析窗口中的点数。

VAR反映sEMG信号偏离平均值的程度，并计算为：

是的平均值Ri（t）=1M∑k=1MsEMTi（k）VARi（t）=1M∑k=1M（sEMGti（k）负极AVRi（t））2（7）
在统计学中，sEMG信号被近似为平均值为零的随机信号。平均值并不反映信号特性。因此，sEMG信号的绝对值被平均，这是MAV的定义。计算如下：

MAVi（t）=百万∑k=1百万ŞŞsEMGti（k）ŞŞ（8）
WL是sEMG信号长度的简单累积，其可以反映sEMG的信号波形的复杂性。其定义为：

WLi（吨）=∑k=1百万ŞŞsEMGti（k+1）负极sEMGti（k）ŞŞ（9）
AR模型是用于sEMG信号的时间序列分析的线性模型。其定义为：

sEMGti（k）=∑j=1qajsEMGti（k负极j） +eti（k）（10）
其中q是AR模型的阶数（q=4），aj是第j阶AR系数，eti（k）
是白噪声残差。

从单通道sEMG信号中的每个分析窗口提取五个时域特征。在本文中，收集了9通道sEMG信号，因此1*45（5*9） 从每个分析窗口中提取一维特征向量。然而，中风患者的患侧可能是左手或右手。不同的受影响侧导致SE和TR补偿方向相反。这导致了四对肌肉（LRA/RRA、LOEA/ROEA、LTES/RTES和LLES/RLES）的相反效果。相应地，从后验8通道sEMG信号中提取的特征向量的一致性较差甚至相反，这不利于分类。因此，为了减少不同受影响手的影响，我们将后部8通道sEMG信号的五个时域特征重构为：

{feat′i（t）=feati（t）+feati+1（t）feat′i+1（t）=腹肌（feati（t）负极feati+1（t））i=2,4,6,8（11）

其中，i是第i个通道，t是分析窗口数，feati（t）代表上述五个时域特征（RMS、VAR、MAV、WL和第四个ARMC）中的任何一个。特征重构只改变了特征值，但没有改变特征维度，因此每个分析窗口提取1*45维特征向量。此外，考虑到该方法在临床应用中的便利性，连续减少了四对躯干肌肉的数量，最终研究了9、7、5和3个通道。相应地，每个分析窗口提取的特征向量维度为1*45，1*35，1*25和1*分别为15。

分类
由于SVM算法实现了结构风险最小化的原理（Burges，1998），它在解决小样本、非线性和高维模式识别方面具有独特的优势。一些研究（例如，Bellingegni等人，2017；Quittamo等人，2017）也表明SVM具有更高的分类性能。因此，我们选择了支持向量机分类器。支持向量机的目的是找到一个最优的超平面来分割样本。分割的原理是最大化区间，并最终将其转化为凸二次规划问题（Scholkopf和Smola，2001），表示为：

{min12||w||2s.t.yt（w*文本+b）负极1.≥0（12）
其中（xt，yt）是第t个数据点，（w，b）是超平面参数。拉格朗日乘子被用来解决这个问题。

TCD模型是一个四类模型（NC、LF、TR和SE），因此使用一对一策略进行多分类。我们使用了LIBLINER（Fan et al.，2008）工具包进行SVM分类器。当使用L2正则化L2损失支持向量分类时，只需要搜索惩罚因子C（Hsu等人，2003）。在本文中，交叉验证用于将参数C从小调整到大。当增加的C对分类结果没有太大改变时，调试结束，并选择相对较小的C值来提高模型的收敛速度（最终，C=1）。此外，使用保持方法来评估分类器的性能。具体来说，为了尽可能保持数据分布的一致性，将一个训练子集和一个测试子集随机分为每个类特征集的80:20%。将四个类的训练子集和测试子集分别组合起来形成训练集和测试集。此外，我们使用了100次保持法来获得稳定可靠的评估结果。此外，我们选择分类准确度、F1评分、受试者工作特性（ROC）曲线和曲线下面积（AUC）作为模型评估参数。分类准确度是最常用的分类模型评估指标，指的是正确分类的样本数量与总样本的比例。F1分数是精确性和回忆性的调和平均值。ROC曲线是以假阳性率（FPR）为横轴、以真阳性率（TPR）为纵轴的评价曲线。AUC定义为ROC曲线和坐标轴所包围的面积。

结果和讨论
后果
分类准确性
为了研究所提出方法的可行性，我们在健康组数据集和中风组数据集的基础上建立了两个躯干补偿模型。首先，研究了通道数量对分类的影响。从图7中可以看出，通道越少，平均精度越低。基于最佳精度原则，以下仅报告了九个通道的详细检测结果。

图7
www.frontiersin。组织
图7。由不同通道数建立的健康和中风组模型的平均准确度。

结果显示，健康组模型和患者组模型的平均准确率分别为95.0%和83.1%（图7）。两个模型的混淆矩阵以灰度图像的形式给出（图8）。混淆矩阵中的对角元素（n，n）（n=1，2，3，4）表示每个类别的分类精度，而其他元素表示错误分类率。

图8
www.frontiersin。组织
图8。干线补偿检测模型的混淆矩阵。（A） 健康群体。（B） 笔划组。NC，无补偿；LF，身体前倾；TR，躯干旋转；SE，路肩高程。

ROC和F1成绩
由于每个参与者的运动功能不同，四个类别的样本分布略有不平衡。因此，我们还选择了F1评分、ROC和AUC作为模型评估参数。这些参数通常用于不平衡分布的二元分类。然而，本文建立的模型是四类模型，因此需要进行转换才能获得这些参数。我们将当前类视为正类，将其余类视为负类。通过这种方式，获得了四类ROC和AUC（图9）。在ROC曲线中，左上角的曲线越凸，模型性能越好。AUC越接近1，模型性能越好。本文中单个类别的AUC达到1，表明模型在检测这些类别时表现出所需的识别性能。

图9
www.frontiersin。组织
图9。躯干补偿检测模型的ROC曲线。（A） 健康组。（B） 笔划组。NC，无补偿；LF，身体前倾；TR，躯干旋转；SE，路肩高程。

F1分数是精确性和回忆性的调和平均值。F1分数越接近1，模型性能越好。我们使用相同的转换方法来计算每节课的F1分数，结果如图10所示。

图10
www.frontiersin。组织
图10。每一类健康和中风组模型的F1分数。NC，无补偿；LF，身体前倾；TR，躯干旋转；SE，路肩高程。

讨论
本文提出了sEMG-bTCD方法，并验证了其可行性。据我们所知，这是第一项基于九块浅表躯干肌肉的表面肌电信号检测健康参与者的模拟躯干补偿和中风参与者的真实躯干补偿的研究。此外，提出了一种基于最佳SampEn阈值的主动分段检测方法，并分别用于检测健康组和中风组sEMG信号的主动分段。提取活动段中每个通道的五个复合时域特征，形成特征向量空间，包括RMS、VAR、MAV、WL和4th ARMC。使用SVM分类器，建立、训练和测试了两个用于检测三种躯干补偿（LF、TR和SE补偿）和NC运动的四类模型，包括健康检测模型和中风检测模型。此外，还研究了通道数量对分类的影响，结果表明，基于九个通道的两种检测模型都达到了最佳的精度。因此，以下仅分析了九个通道的实验结果。

首先，基于健康组的表面肌电信号建立健康检测模型。测试结果表明，每一类的准确率均大于90%（平均95.0%）。与88.6（Ranganathan et al.，2017）和85.9%（Taati et al.，2012）的准确度相比，使用本文提出的方法获得了更高的检测准确度。我们还选择了AUC和F1分数作为模型评估参数。SE补偿（AUC=1.00，F1=1.00）获得最佳检测性能，其次是TR补偿（AUC=0.99，F1=0.96），最后是LF补偿（AUD=0.97，F1=0.94）。与结果（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补偿的检测性能相当外，本文中SE和TR补偿的检测效果显著提高。

此外，在与健康组相同的过程中，基于健康组的sEMG信号建立了中风检测模型。结果表明，该模型的平均准确率为83.1%。具体而言，NC和SE补偿实现了高精度（超过90%），其次是LF补偿（74.8%），最后是TR补偿（67.1%）。使用AUC和F1评分来评估模型，结果显示NC检测性能最好（AUC=1.00，F1=1.00），其次是SE补偿（AUC=0.98，F1=0.90），然后是LF补偿（AUC=0.90，F1=0.73），最后是TR补偿（AUC=0.85，F1=0.71）。同样，招募了9名中风受试者参与实验（Zhi et al.，2017）。与他们的结果（SE:AUC=0.27，F1=0.07；LF:AUC=0.77，F1=0.17；TR:AUC=0.81，F1=0.27）相比，发现三种躯干补偿的AUC和F1值通常更高。

总体而言，使用sEMG-bTCD方法，我们在健康组和中风组中都获得了更好的TCD表现。结果表明了该方法的可行性和有效性。然而，我们发现中风检测模型的TCD表现通常低于健康组。造成这种结果的原因可能有很多。首先，中风组中实际的躯干补偿是多个肌肉组的关节运动，这使得区分躯干补偿更加困难。第二，抓住木制手电筒上的棍子进行康复训练，中风患者由于远端（手腕）肌肉无力，使用近端（肩部）肌肉进行辅助。这种动作使DT肌肉在各种康复训练任务中异常激活，而不仅仅是在SE补偿中。此外，尽管进行了皮肤预处理，但sEMG信号的收集（尤其是来自LRA、RRA、LOEA和ROEA肌肉的信号）受到传感器位置和人体软脂肪组织的影响。这种观察结果可能是LF和TR补偿的低检测性能的原因之一。而且，恢复较好或受轻伤的中风患者有足够的运动能力产生较少的补偿，这不利于躯干补偿的检测。最后，中风患者的运动策略不能得到精确控制，可能会导致同时进行多种躯干补偿，而不是健康组模拟的单一类型的补偿。

未来的工作应该集中在提高中风患者的检测性能上。考虑到中风患者可能同时进行多个躯干补偿，将建立、训练和测试多标签分类模型。此外，闭环方法，例如使用滑动导轨机构而不是开环的木制手电筒，可以减少甚至消除棍子对中风患者近端肌肉的影响。更重要的是，多个传感器，如表面肌电、摄像头和惯性传感器，应该融合用于TCD。最后，尽管使用较少的通道实现了较低的检测精度，但我们将尝试采用一些新方法，如深度学习，以确保准确性，同时减少肌肉数量。

未来的工作还应认识到所提出的方法的潜在医学价值，并为姿势矫正提供反馈。研究表明，sEMG信号可用于肌肉痉挛的定量评估（Zhang et al.，2019），也可用于机器人（Koh et al.，2017）或假肢的反馈控制（Zhai et al.，17）。因此，未来的工作应该使用sEMG信号来定量评估躯干补偿，并作为机器人康复训练的反馈控制来纠正姿势。

结论
在本文中，我们提出了sEMG-bTCD方法，并研究了该方法的可行性。健康组（5名受试者）和中风组（9名受试人）被招募参加实验。所有受试者都完成了三项康复训练任务。在三次无补偿和三次共同躯干补偿的康复训练任务中，收集了9块浅干肌的表面肌电信号。进行了滤波、活动片段检测等预处理，提取了五个时域特征。使用SVM分类器获得的四类模型在健康参与者中具有优异的检测性能（LF：准确率=94.0%，AUC=0.97，F1=0.94；TR：准确率95.8%，AUC=0.099，F1=0.96；SE：准确率100.0%，AUC=1.00，F1=1.00）。中风参与者也获得了良好的检测性能（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）。结果表明sEMG-bTCD方法是可行的。这种方法有助于促使患者纠正错误的姿势，从而提高康复训练的有效性。为了提高中风患者的检测性能，应检测复合躯干补偿，而不是单一躯干补偿。此外，多个传感器，如表面肌电、摄像头和惯性传感器，应融合用于TCD。

数据可用性声明
支持本文结论的原始数据将由作者提供给任何合格的研究人员，没有任何不当保留。

道德声明
获得所有参与者的伦理批准和参与同意书（即书面知情同意书），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。

作者贡献
KM构思了这项研究，并参与了整个研究过程，包括实验、数据处理、结果分析以及手稿起草和修订。YC和LX构思了这项研究，并参与了手稿的实验和修订。XZ和HZ参与了实验并对结果进行了分析。SY和SC参与了实验和数据处理。

基金
这项工作得到了国家自然科学基金（批准号：51575188）、国家重点研发计划（批准号2018YFB1306201）、广东省研究基金（批准编号：2016A030313492和2019A050505001）和广州市研究基金（资助号：201903010028）的部分支持。

利益冲突
作者声明，该研究是在没有任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

参考文献
Bakhti，K.、Laffont，I.、Muthalib，M.、Froger，J.和Mottet，D.（2018）。基于Kinect的评估中风后不使用近端手臂。J.神经能。康复。15时104分。doi:10.1186/s12984-018-0451-2

PubMed摘要| CrossRef全文|谷歌学者

Barrios Muriel，J.、Romero，F.、Alonso，F.J.和Gianikelis，K.（2016）。一种简单的基于SSA的去噪技术，用于去除EMG信号中的ECG干扰。生物识别。信号处理。对照30117-126。doi:10.1016/j.bspc。2016年6月01日

CrossRef全文|谷歌学者

Bellingegni，A.D.、Gruppioni，E.、Colazzo，G.、Davalli，A.、Sachetti，R.、Guglielmelli，E.等人（2017）。NLR、MLP、SVM和LDA：对经桡侧截肢患者肌电图数据的比较分析。J.神经能。康复。14时82分。doi:10.1186/s12984-017-0290-6

PubMed摘要| CrossRef全文|谷歌学者

Burges，C.J.（1998年）。模式识别的支持向量机教程。数据挖掘知识。圆盘2121-167页。

谷歌学者

Burhan，N.和Ghazali，R.（2016）。“表面肌电（sEMG）的特征提取和小波变换中的信号处理技术：综述”，2016年IEEE国际自动控制和智能系统会议（I2CACIS），（新泽西州皮斯卡塔韦：IEEE），141–146。

谷歌学者

Burton，J.K.、Ferguson，E.E.、Barugh，A.J.、Walesby，K.E.、Maclulich，A.M.、Shenkin，S.D.等人（2018）。预测卒中后出院到机构长期护理：一项系统综述和荟萃分析。J.美国。老年人。索克。第66161-169页。doi:10.111/jgs。15101

PubMed摘要| CrossRef全文|谷歌学者

Chowdhury，R.、Reaz，M.、Ali，M.、Bakar，A.、Chellappan，K.和Chang，T.（2013）。表面肌电信号处理和分类技术。传感器13、12431–12466。doi:10.3390/s130912431

PubMed摘要| CrossRef全文|谷歌学者

Cirstea，M.和Levin，M.F.（2000）。中风患者的补偿策略。大脑123940–953。doi:10.1093/brain/123.5.940

PubMed摘要| CrossRef全文|谷歌学者

Costa，M.，Goldberger，A.L.和Peng，C.-K.（2002）。复杂生理时间序列的多尺度熵分析。物理。修订。莱特。89:068102。

PubMed摘要|谷歌学者

Dolatabadi，E.、Zhi，Y.X.、Ye，B.、Coahran，M.、Lupinaci，G.、Mihailidis，A.等人（2017）。“多伦多康复中风姿势数据集，用于检测中风康复治疗期间的补偿”，载于《第11届EAI医疗保健普及计算技术国际会议论文集》（纽约，NY:ACM），375–381。

谷歌学者

Duff，M.、Chen，Y.、Attygalle，S.、Herman，J.、Sundaram，H.、Qian，G.等人（2010）。一种用于中风康复的自适应混合现实训练系统。IEEE传输。神经的系统。康复。工程师18531-541。doi:10.109/tnsre。2010.2055061

PubMed摘要| CrossRef全文|谷歌学者