康复训练中基于表面肌电的躯干补偿检测

柯玛1、闫晨2、张小雅3、郑海清3*、宋宇2、蔡思奇2、谢龙汉2*

1华南理工大学机械与汽车工程学院，广州，中国

2谢明武，华南理工大学智能工程学院，广州，中国

3中山大学附属第三医院康复医学科，广州，中国

中风患者在上肢康复训练中经常使用躯干来补偿受损的上肢运动功能，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。招募了五名健康受试者和九名具有认知和理解能力的中风受试者参加实验。在三项康复训练任务（向前-向后伸展、左右伸展和向上-向下伸展运动）期间，采集了九块浅部躯干肌肉的表面肌电信号，无需补偿，并使用三种常见躯干补偿[向前倾斜（LF）、躯干旋转（TR）和肩部抬高（SE）]。进行滤波、活动段检测等预处理，并从采集的表面肌电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（LF：准确度=94.0%，AUC=0.97，F1=0.94；TR：准确度=95.8%，AUC=0.99，F1=1.96；SE：准确度=100.0%，AUC=1.00，F1=2.00），健康受试者的TCD表现优异。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=0.85，F1=1.71；SE：准确度=91.3%，AUC=0.98，F1=2.90）。与基于摄像机或惯性传感器的方法相比，健康和中风参与者都获得了更好的检测性能。研究结果证明了表面肌电bTCD方法的可行性，有助于促使脑卒中患者纠正其错误姿势，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等人，2018年），约80%的中风患者伴有上肢运动功能障碍（如肌无力、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等人，2016）。许多临床实践表明，康复训练可以有效促进上肢运动功能障碍的恢复（Zhang等人，2015）。然而，在康复训练期间，患者通常通过招募完整的躯干肌肉和关节来补偿受损的上肢（Cirstea和Levin，2000）。这种补偿运动称为躯干补偿。根据躯干的不同运动特征，有三种常见的躯干补偿：前倾（LF）、躯干旋转（TR）和肩部抬高（SE）（Dolatabadi等人，2017）。无论补偿类型如何，躯干补偿都会降低康复训练的效果，并阻碍上肢运动功能障碍的恢复（Levin等人，2009年）。

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，物理约束（Michaelsen和Levin，2004年；Pain等人，2015年；Greisberger等人，2016年）应用于中风患者的躯干，使用带子或特殊线束，将患者的躯干约束在椅子上，而无需补偿。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，对患者的康复训练是重复和密集的。长期的身体限制会导致不适和焦虑。此外，一旦康复训练超出了患者的运动范围，很可能会导致患者的疲劳。因此，在不受躯干约束的情况下，通过检测技术检测躯干补偿对中风患者更为合适和有效。

目前，可穿戴惯性传感器（Najafi等人，2003年）或摄像机（Bakhti等人，2018年）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等人，2012年；Urbin等人，2015年），但初步研究表明，可以通过惯性传感器确定补偿策略（Salazar等人，2014年）。例如，Ranganathan等人（2017年）使用了两个可穿戴惯性传感器例如，Ranganathan等人（2017年）在模拟躯干补偿时，使用两个可穿戴惯性传感器收集20名健康参与者的运动数据。使用朴素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。简言之，基于惯性传感器的躯干补偿检测（TCD）方法实现了不令人满意的检测精度（<90%），并且在中风患者中缺乏TCD。此外，为了减少测量误差，需要进行一些动作，如手臂水平外展，以校准惯性传感器，但中风患者很难执行这些动作。此外，由于人体皮肤的柔韧性，惯性传感器的位置可能在运动期间发生变化，导致数据采集的有效性降低。

目前，基于摄像机的检测方法已得到广泛普及（Duff等人，2010；Subramanian等人，2013）。例如，Taati等人（2012年）使用深度相机从模拟LF、TR、SE和懒散补偿的七名健康参与者那里捕获视频数据。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，作者实现了每帧85.9%的平均准确率。随后，Zhi等人（2017）利用Kinect v2摄像机不仅捕获了10名健康参与者的模拟LF、TR和SE补偿的视频数据，还捕获了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（RNN）分类器，作者实现了类似的分类性能。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=0.77，F1=1.57），最后是SE补偿（AUC=0.66，F1=2.07）。相反，在中风患者的实际躯干补偿数据集中，检测性能较低，即：左心室补偿（AUC=0.77，F1=0.17）、TR补偿（AUC=0.81，F1=1.27）和SE补偿（AUD=0.27，F1=2.07）。我们发现，检测性能并不理想，特别是在检测中风参与者的躯干补偿时。此外，由于对照明的依赖，基于摄像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，特别是对于中风患者。由于上述两种方法的缺点，需要一种方便、独立于环境且准确的检测方法来检测干线补偿。

表面肌电图（sEMG）信号是包含肌肉运动信息的生物电信号。与摄像机和惯性传感器相比，表面肌电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应运而生并迅速发展。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广泛用于表面肌电信号的分析和处理（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，如支持向量机、人工神经网络（ANN）和线性判别分析（LDA）（Chowdhury等人，2013年；Nazmi等人，2016年）。由于各种特征和分类器，基于表面肌电的模式识别技术已广泛用于上肢运动模式识别（Lucas等人，2008；Yang和Chen，2016；Lu等人，2017）和上肢连续运动估计（Liu等人，2017；Zhang等人，2016）。然而，它尚未用于TCD。

因此，本文提出了基于表面肌电的TCD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5名健康参与者来验证该方法的实际可行性，然后招募9名中风参与者来验证其临床可行性。具体而言，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表面肌电信号。然后，我们从采集的表面肌电信号中提取了五个时域特征，并使用支持向量机分类器进行了TCD，取得了良好的检测性能。本文其余部分的结构如下。“材料和方法”部分介绍了参与者和实验方案。“干线补偿检测程序”一节详细介绍了TCD程序，特别是改进的活动段检测方法。“结果和讨论”部分分析了实验结果和讨论。