黃永欣,文斌,毛菁菁,姚瑞,尹孟奇,徐進(jìn)

(1. 西安交通大學(xué)生命科學(xué)與技術(shù)學(xué)院健康與康復(fù)科學(xué)研究所,710049,西安;2. 西安交通大學(xué)生物醫(yī)學(xué)信息工程教育部重點實驗室,710049,西安;3. 西安交通大學(xué)第一附屬醫(yī)院康復(fù)科,710061,西安)

肢體運(yùn)動是人體重要的生理功能之一,中樞神經(jīng)系統(tǒng)(central nervous system,CNS)通過控制相關(guān)肌肉運(yùn)動的協(xié)同,以完成日常生活中的各種運(yùn)動,由于運(yùn)動模式多樣,使得運(yùn)動控制問題變得極為復(fù)雜[1-2]。

在人體運(yùn)動控制研究中,肌肉協(xié)同學(xué)說被廣泛用于研究神經(jīng)肌肉控制問題,即CNS將相應(yīng)部位的多塊肌肉以不同強(qiáng)度的協(xié)同作用結(jié)合在一起,完成運(yùn)動控制的任務(wù)[3-4]。CNS通過肌肉協(xié)同機(jī)制實現(xiàn)對運(yùn)動控制的簡化,協(xié)同被認(rèn)為是神經(jīng)運(yùn)動模塊化控制的基本單元[5-6]。因此,研究運(yùn)動過程中相關(guān)肌肉的協(xié)同作用對于神經(jīng)肌肉控制模式研究具有十分重要的意義。

表面肌電信號(surface electromyography, sEMG)是經(jīng)皮膚表面電極采集的生物電信號,其蘊(yùn)含豐富的神經(jīng)肌肉活動和運(yùn)動意圖等信息,同時具有提取方便、準(zhǔn)確和無創(chuàng)的優(yōu)點,已經(jīng)成為分析肢體運(yùn)動過程中肌肉協(xié)同的有利手段[3,7]。

從多通道sEMG信號中獲取肌肉協(xié)同信息屬于盲源分離的過程,常見的矩陣分解算法有主成分分析(principal components analysis, PCA)、獨立成分分析(independent component analysis, ICA)和非負(fù)矩陣分解(non-negative matrix factorization, NMF)[6,8]等。因為NMF的結(jié)果具有非負(fù)約束和魯棒性強(qiáng)等優(yōu)點,使得基于NMF的肌肉協(xié)同分析更具優(yōu)勢[8]。

肌肉協(xié)同分析作為一種探索神經(jīng)肌肉控制模式的有效方法,已經(jīng)被廣泛用于臨床研究和機(jī)器人控制等領(lǐng)域。該方法可用于探索神經(jīng)功能障礙患者的肢體運(yùn)動控制模式,進(jìn)而為康復(fù)治療提供指導(dǎo)。Steele等對比腦癱患者和健康人在步態(tài)活動中提取的肌肉協(xié)同模式,發(fā)現(xiàn)腦癱患者在步態(tài)活動中的肌肉變化用較少的肌肉協(xié)同即可表示[9]。Allen等通過比較帕金森患者在短期康復(fù)治療前后的步行與平衡的肌肉協(xié)同模式,發(fā)現(xiàn)了步行與平衡存在相似的協(xié)同模式與特有的協(xié)同模式,且康復(fù)治療后相似的協(xié)同模式數(shù)量增加[10]。

肌肉協(xié)同分析可以提取運(yùn)動意圖,從而實現(xiàn)運(yùn)動控制和識別。桂奇政等利用肌肉協(xié)同理論和支持向量回歸構(gòu)建模型,實現(xiàn)了從sEMG信號到關(guān)節(jié)運(yùn)動的連續(xù)估計[11]。鄭楠等利用肌肉協(xié)同和最小二乘法構(gòu)建手勢識別算法,從神經(jīng)協(xié)同的角度提取運(yùn)動意圖,減少訓(xùn)練數(shù)據(jù)的同時提高用戶無關(guān)手勢識別的正確率[12]。

研究特定肢體運(yùn)動下的肌肉協(xié)同模式和不同肢體運(yùn)動間肌肉協(xié)同模式的相似性以及差異,將能夠更好地了解、掌握肢體運(yùn)動中的神經(jīng)肌肉控制模式。Saito等研究健康人在不同速度和坡度的跑步機(jī)上跑步的肌肉協(xié)同差異,發(fā)現(xiàn)不同條件下的跑步均可由4個肌肉協(xié)同來解釋并存在相似的肌肉協(xié)同模式[13]。

與下肢運(yùn)動相比,上肢運(yùn)動模式多樣且復(fù)雜,運(yùn)動控制問題更為復(fù)雜。上肢運(yùn)動的肌肉協(xié)同分析開展較少,且已有研究大多是針對簡單運(yùn)動。謝平等在研究健康人的腕屈伸運(yùn)動的肌肉協(xié)同中發(fā)現(xiàn)了與腕部運(yùn)動相關(guān)肌群的協(xié)同關(guān)系、共享的基本肌肉協(xié)同模式以及同一肌肉協(xié)同模式中協(xié)同性較高的肌肉間耦合關(guān)系較強(qiáng)[14]。Tang等通過對健康人的肘關(guān)節(jié)和肩關(guān)節(jié)的3個相似運(yùn)動的肌肉協(xié)同分析,發(fā)現(xiàn)了3個相似運(yùn)動中存在共享的基本肌肉協(xié)同模式[15]。王洪安等在伸手運(yùn)動的肌間神經(jīng)耦合關(guān)系研究中發(fā)現(xiàn),卒中患者的肌肉協(xié)同數(shù)下降、β頻段內(nèi)肌間耦合強(qiáng)度具有顯著差異以及γ頻段內(nèi)大部分協(xié)同肌肉的耦合關(guān)系較強(qiáng)[16]。

此外,協(xié)同模式的關(guān)聯(lián)性研究較少。Cheung等在卒中患者的上肢健側(cè)運(yùn)動與患側(cè)運(yùn)動的肌肉協(xié)同模式關(guān)聯(lián)性研究中,通過構(gòu)建協(xié)同模式的線性模型并利用非負(fù)最小二乘法求解模型系數(shù),發(fā)現(xiàn)了肌肉協(xié)同模式的保存、合并和分離[17]。Hashiguchi等利用相同方法研究亞急性期卒中患者在康復(fù)過程中的步態(tài)活動,發(fā)現(xiàn)肌肉協(xié)同模式的合并可以作為亞急性期卒中患者運(yùn)動協(xié)調(diào)異常的重要標(biāo)志[18]。

迄今,復(fù)雜運(yùn)動的肌肉協(xié)同模式研究較少,上肢簡單運(yùn)動和復(fù)雜運(yùn)動的肌肉協(xié)同模式之間的關(guān)聯(lián)性研究缺乏,給上肢運(yùn)動的神經(jīng)肌肉控制機(jī)制的全面掌握帶來困難。

因此,本文分別設(shè)計了上肢簡單和復(fù)雜運(yùn)動范式,采集不同運(yùn)動執(zhí)行過程中的sEMG信號,通過肌肉協(xié)同分析探究簡單運(yùn)動和復(fù)雜運(yùn)動執(zhí)行過程中肌肉協(xié)同模式之間的關(guān)聯(lián)性,從而為肢體運(yùn)動的神經(jīng)肌肉控制模式和肌-機(jī)接口技術(shù)研究提供參考。

1 實驗設(shè)計和信號采集

1.1 實驗設(shè)計

選擇日常生活中常見的上肢動作設(shè)計簡單和復(fù)雜運(yùn)動范式。簡單運(yùn)動范式包括:手伸展(HE)和手屈曲(HF)、腕屈曲(WF)和伸展(WE)、肘屈曲(EF)和伸展(EE)、肩前屈(SF)和外展(SA);復(fù)雜運(yùn)動包括兩個,復(fù)雜運(yùn)動Ⅰ(ComplexF)主要由肩前屈、肘屈伸和手屈曲組成,復(fù)雜運(yùn)動Ⅱ(ComplexA)主要由肩外展、肘屈伸和手屈曲組成,如圖1、圖2所示。

(a)手伸展

(a)復(fù)雜運(yùn)動Ⅰ

實驗利用Matlab軟件和Psychtoolbox工具箱呈現(xiàn)運(yùn)動指示圖片以規(guī)范數(shù)據(jù)采集流程,如圖3所示。

首先在屏幕上出現(xiàn)一個“+”注視點,持續(xù)2 s;當(dāng)運(yùn)動指示圖片出現(xiàn)后,根據(jù)圖片提示做相應(yīng)的動作并保持到圖片結(jié)束,簡單運(yùn)動圖片持續(xù)10 s,復(fù)雜運(yùn)動圖片持續(xù)7 s;間隔休息30 s。每個動作完成之后,必須恢復(fù)初始位置狀態(tài)再進(jìn)行下一個動作。每種動作會重復(fù)3次,然后換下一種動作,每種動作結(jié)束后,間隔30 s用于休息和切換采集姿態(tài),再繼續(xù)進(jìn)行實驗。

另外,采集尺側(cè)腕屈肌(flexor carpi ulnaris,FCU)、指淺屈肌(superficial flexor digitorum,SFD)、橈側(cè)腕伸肌(extensor carpi radialis,ECR)、指伸肌(extensor digitorum,ED)、肱二頭肌(biceps brachii,BB)、肱三頭肌(triceps brachii,TB)、三角肌前束(anterior bundle of deltoid,ABD)和三角肌中束(middle bundle of deltoid,MBD)8個與運(yùn)動相關(guān)肌肉的最大自主收縮(maximal voluntary contraction, MVC),用于后續(xù)肌電信號的MVC歸一化,MVC動作模式如圖4所示。

(a)尺側(cè)腕屈肌

1.2 表面肌電信號采集

使用美國Delsys公司的無線肌電信號采集系統(tǒng)進(jìn)行8通道肌電信號采集,采樣頻率為1 259 Hz。傳感器順著肌肉纖維的方向,貼附于肌腹隆起處。同步采集實驗過程中右側(cè)上肢的8通道sEMG信號,肌電電極位置及相關(guān)肌肉如圖5所示。

圖5 上肢運(yùn)動相關(guān)肌肉與肌電采集位置Fig.5 Related muscles of the movements of upper limbs and electrode position of sEMG signal

來自西安交通大學(xué)的20名健康青年參加了實驗,實驗參與者均無上肢肌肉和中樞神經(jīng)等疾病,受試前24 h未進(jìn)行劇烈運(yùn)動,均為右利手,男女比例為11∶9,年齡為25.1±3.093(均值±標(biāo)準(zhǔn)差)。

2 基于非負(fù)矩陣分解的肌肉協(xié)同分析

2.1 信號預(yù)處理

為了更好地分析數(shù)據(jù),首先,提取sEMG原始信號進(jìn)行預(yù)處理并提取信號包絡(luò)[19-21],具體步驟如下:①通過截止頻率為20 Hz的4階巴特沃斯高通濾波器,用于去除信號的運(yùn)動偽跡和基線漂移;②進(jìn)行全波整流,使得信號滿足非負(fù)要求,符合生理上的肌肉激活度;③信號通過截止頻率為5 Hz的4階巴特沃斯低通濾波器去除高頻噪聲,完成信號包絡(luò)的提取。

其次,為了避免肌電幅值個體差異對肌肉協(xié)同分析的影響,對sEMG信號進(jìn)行MVC歸一化處理[6,19]。MVC歸一化反映了該位置肌肉的激活程度,且保留了各通道之間的比例關(guān)系[22-23]。

MVC歸一化的具體步驟為:對被試者M(jìn)VC動作時的sEMG信號做上述的提取包絡(luò)處理,然后計算滑動窗內(nèi)最大平均值,窗長設(shè)置為250 ms。

最后,利用Teager-Kaiser能量算子[24]自動檢測運(yùn)動起始點和終止點,提取sEMG信號片段,降采樣到200 Hz,并將處理后的片段進(jìn)行串聯(lián)。

2.2 肌肉協(xié)同提取

1999年,Lee和Seung提出了NMF算法,該算法在非負(fù)的約束下可以實現(xiàn)非線性的降維[25]。因為NMF的分解結(jié)果具有非負(fù)約束性,其分解的結(jié)果更具實際意義[26]。因此,本文選擇NMF算法進(jìn)行肌肉協(xié)同分析。

對于預(yù)處理后的sEMG信號X,肌肉協(xié)同提取算法需要找到r個肌肉協(xié)同及其對應(yīng)的線性加權(quán)系數(shù),使之能較好地重構(gòu)信號X,即

Xm×n=Wm×rHr×n+Em×n

(1)

式中:W是肌肉協(xié)同矩陣;H是肌肉協(xié)同的加權(quán)系數(shù)矩陣;E是誤差矩陣;r為肌肉協(xié)同數(shù);m是肌電導(dǎo)聯(lián)數(shù);n為肌電信號長度。

NMF是一個最值優(yōu)化問題,在肌肉協(xié)同研究中的求解算法主要有基于歐式距離的乘性迭代算法、基于交替非負(fù)最小二乘法的算法和基于梯度下降的加性算法[27]等?；跉W氏距離的乘性迭代算法具有較優(yōu)的分解效果,但收斂性不穩(wěn)定,可能陷入局部最優(yōu);基于梯度下降的加性算法雖然簡單但收斂速度慢,迭代過程易受迭代參數(shù)影響;基于交替非負(fù)最小二乘法的算法即固定一個矩陣對另一個矩陣進(jìn)行優(yōu)化,不斷交替進(jìn)行,可收斂至穩(wěn)定點[28]。

因此,為了避免陷入局部最優(yōu),本文使用了由兩步驟組成的NMF算法,具體如下。

(1)隨機(jī)選擇W和H,并重復(fù)使用20次基于歐式距離的乘性迭代算法運(yùn)行NMF(假設(shè)噪聲符合高斯分布),選擇初步收斂最好的結(jié)果作為矩陣分解結(jié)果。

(2)使用初步收斂結(jié)果最好的W和H作為第二輪NMF分解的初始值,使用基于交替非負(fù)最小二乘法的算法運(yùn)行NMF。

2.3 肌肉協(xié)同數(shù)確定

矩陣X經(jīng)NMF后得到W和H矩陣,但NMF算法需要確定肌肉協(xié)同數(shù)r。通常計算原始矩陣X和重構(gòu)矩陣X′=WH的變異性占比(RVAF)[9,16,29-30]來確定協(xié)同數(shù)r,計算公式為

(2)

RVAF越大,表示重構(gòu)矩陣X′與原始矩陣X越接近。計算不同協(xié)同數(shù)r下的所有被試者平均的RVAF,具體結(jié)果如圖6所示,圖6中誤差線為標(biāo)準(zhǔn)差,Th為閾值。

圖6 不同動作下r與RVAF之間的關(guān)系Fig.6 The relationship between r and RVAF under different movements

以往的研究確定肌肉協(xié)同數(shù)時,RVAF閾值常設(shè)在0.80～0.95之間[21]。因此,為了更好地重構(gòu)信號并保留原始信息,本文設(shè)定當(dāng)滿足RVAF的均值大于等于95%,且隨著協(xié)同數(shù)r的增加RVAF的增量小于等于1%時[26],所分解的肌肉協(xié)同數(shù)r作為最佳分解數(shù)。滿足上述條件,得到簡單、復(fù)雜運(yùn)動的最佳分解數(shù)和模式,見表1、表2,以手伸展分解出的協(xié)同模式HE-1為例進(jìn)行解釋,其中HE表示手伸展,1為編號,其他類同。

表1 簡單運(yùn)動的最佳分解數(shù)和協(xié)同模式

表2 復(fù)雜運(yùn)動的最佳分解數(shù)和協(xié)同模式

2.4 協(xié)同模式排序

對同一動作下不同被試者提取到了類似的協(xié)同矩陣W,但提取的協(xié)同模式Wi,j以隨機(jī)順序出現(xiàn),因此需要對協(xié)同模式根據(jù)相似度進(jìn)行排序,具體步驟如下。

(1)選取被試者k的協(xié)同模式作為初始模板,其順序為Wk,1,Wk,2,…,Wk,r。

(2)計算每個被試者提取的協(xié)同模式與初始模板的余弦相似度[30],計算公式為

(3)

式中:Wi,j為第i個被試者提取的第j個協(xié)同模式;Wk,r為初始模板的第r個協(xié)同模式;cosθi,k,j,r為Wi,j與Wk,r的余弦相似度。

(4)從相似度矩陣Ri,k找到最大值maxj,r,即第i個被試者提取的協(xié)同模式Wi,j的順序位置為初始模板中的協(xié)同模式Wk,r的位置,并將相似度矩陣對應(yīng)的第j行和第r列置為0,重復(fù)步驟(4),依次確定其他協(xié)同模式順序。

(5)計算所有被試者排序后的協(xié)同模式與該初始模板的平均相似度,選擇其他被試者作為初始模板并重復(fù)步驟(2)～(5)。

(6)找出平均相似度最高的初始模板作為最終排序模板。

2.5 關(guān)聯(lián)性分析

為了研究簡單、復(fù)雜運(yùn)動肌肉協(xié)同模式的關(guān)聯(lián)性,首先構(gòu)建線性組合模型如下式

(4)

其次,利用非負(fù)最小二乘法[17,31]求解系數(shù)mi,k,并對求解后的系數(shù)mi,k進(jìn)行標(biāo)準(zhǔn)化,并選取0.2作為貢獻(xiàn)度閾值[17,31]。

最后,選取大于0.2閾值的非負(fù)線性系數(shù)及其對應(yīng)的簡單運(yùn)動協(xié)同模式構(gòu)建重構(gòu)運(yùn)動模式,并通過余弦相似度量化重構(gòu)運(yùn)動模式與復(fù)雜運(yùn)動協(xié)同模式之間的相似性,以探討簡單運(yùn)動和復(fù)雜運(yùn)動的關(guān)聯(lián)性。

3 結(jié)果及討論

3.1 簡單運(yùn)動與復(fù)雜運(yùn)動的協(xié)同模式

基于排序后的協(xié)同模式,將所有被試者在簡單運(yùn)動和復(fù)雜運(yùn)動協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)進(jìn)行平均,并對簡單運(yùn)動和復(fù)雜運(yùn)動的協(xié)同模式進(jìn)行分析。

3.1.1 簡單運(yùn)動分析

(1)手部動作。手部動作協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)(均值±標(biāo)準(zhǔn)差),如圖7所示。手部動作分解的協(xié)同主要由FCU、SFD、ECR、ED 4塊肌肉構(gòu)成。手伸展動作主要分解為一個協(xié)同,模式HE-1以ED為主,ED為前臂后群肌,其可以使得后四指掌指關(guān)節(jié)伸展,同時HE-1中顯示了FCU、SFD、ECR和ED 4塊肌肉的協(xié)同配合。手屈曲動作分解為兩個協(xié)同,HF-1以SFD為主,SFD為前臂前群肌,負(fù)責(zé)第2～5指的掌指關(guān)節(jié)和近側(cè)指骨間關(guān)節(jié)的屈曲;HF-2中FCU激活度最高,表明FCU對手屈曲也有一定作用。簡單手部動作的協(xié)同模式中均顯示了4塊肌肉的協(xié)同關(guān)系,表明主要屈肌和主要伸肌會相互配合。

(a)手伸展

(2)腕部動作。腕部動作協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)(均值±標(biāo)準(zhǔn)差),如圖8所示。腕部動作分解的協(xié)同也主要涉及FCU、SFD、ECR、ED 4塊肌肉。腕伸展動作主要分解為兩個協(xié)同,模式WE-1以ED為主,體現(xiàn)該模式與手伸展運(yùn)動有關(guān),表明ED除了參與四指掌指關(guān)節(jié)的伸展,還參與腕關(guān)節(jié)的伸展運(yùn)動;模式WE-2以ECR和ED為主,ECR為前臂后群肌,其主要功能就是伸展腕關(guān)節(jié)。腕屈曲動作分解為兩個協(xié)同,模式WF-1主要由SFD、FCU和ED貢獻(xiàn),尤其是SFD,體現(xiàn)該模式與手屈曲運(yùn)動有關(guān),表明SFD雖然主要負(fù)責(zé)指關(guān)節(jié)屈曲,但是也會支持腕部屈曲;模式WF-2以FCU為主,FCU為前臂前群肌,是腕關(guān)節(jié)屈曲的主要肌肉之一。

(a)腕伸展

(3)肘部動作。肘部動作協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)(均值±標(biāo)準(zhǔn)差),如圖9所示。

(a)肘伸展

肘伸展動作分解為兩個協(xié)同,模式EE-1以TB為主導(dǎo),TB屬于上臂后側(cè)肌群,主要負(fù)責(zé)伸肘;模式EE-2中ED存在較大的肌肉激活度,表明ED對肘伸展也有一定作用。在肘屈曲動作中,模式EF-1中以ECR、FCU、ED和BB為主,表明4塊肌肉協(xié)同配合完成曲肘;模式EF-2以BB為主,BB位于上臂前側(cè),當(dāng)BB收縮時會使肘關(guān)節(jié)屈曲。

(4)肩部動作。肩部動作協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)(均值±標(biāo)準(zhǔn)差),如圖10所示。在肩前屈動作的協(xié)同模式SF-2中,體現(xiàn)了ABD在肩前屈運(yùn)動中起到的重要作用。與此類似,在模式SA-2中,表明MBD在肩外展動作起到了主要作用,同時TB和ABD協(xié)同配合進(jìn)行肩部外展。此外,在簡單肩部動作的協(xié)同模式SF-1和SA-1中表現(xiàn)出MBD、ABD和TB等肌肉之間的協(xié)同關(guān)系。

(a)肩前屈

3.1.2 復(fù)雜運(yùn)動分析

復(fù)雜運(yùn)動協(xié)同模式下相關(guān)肌肉的權(quán)值系數(shù)(均值±標(biāo)準(zhǔn)差),如圖11所示。復(fù)雜運(yùn)動Ⅰ分解出3個協(xié)同模式,模式ComplexF-1中FCU、SFD、ECR和ED有較大貢獻(xiàn),體現(xiàn)了4塊肌肉之間的協(xié)同配合,反映了該范式主要與手部動作或腕部動作有關(guān);模式ComplexF-2體現(xiàn)了FCU、ECR、ED和ABD的主要作用,表明與手部動作、腕部動作和肩部動作有關(guān);模式ComplexF-3中ABD和MBD貢獻(xiàn)較大,尤其是ABD,說明該模式與簡單運(yùn)動的肩前屈有關(guān)。

復(fù)雜運(yùn)動Ⅱ分解出3個協(xié)同模式,模式ComplexA-1中FCU、SFD、ECR和ED有較大貢獻(xiàn),尤其是FCU,表明與手屈曲、腕屈曲動作有關(guān);模式ComplexA-2和模式ComplexA-3體現(xiàn)了MBD、ED、FCU和SFD等肌肉的主要作用,尤其是MBD,說明這兩個模式與手部動作、腕部動作和肩外展動作有關(guān)。

3.2 關(guān)聯(lián)性研究

通過線性擬合,并對系數(shù)進(jìn)行標(biāo)準(zhǔn)化,線性組合的關(guān)系如圖12所示。以復(fù)雜運(yùn)動模式ComplexF-1為例,其可以由非零系數(shù)(0.19、0.06、0.51、0.05、0.04、0.04和0.11)及對應(yīng)的簡單運(yùn)動模式(HF-2、WE-2、WF-1、EE-1、EF-2、SF-2和SA-2)構(gòu)成。同理,可以得到其他復(fù)雜運(yùn)動協(xié)同模式的構(gòu)成。之后,選取大于0.2的系數(shù)及其對應(yīng)的簡單運(yùn)動協(xié)同模式,用于后續(xù)構(gòu)建重構(gòu)運(yùn)動模式。

紅色方框中數(shù)據(jù)為大于0.2閾值的非負(fù)線性系數(shù)圖12 肌肉協(xié)同模式的線性組合關(guān)系Fig.12 Linear combination of muscle synergy patterns

在以往協(xié)同模式的相似性研究中,余弦相似度大于0.75定性為相似,大于0.9定性為非常相似[17,30]。

通過復(fù)雜運(yùn)動協(xié)同模式與重構(gòu)運(yùn)動模式之間的相關(guān)性分析,發(fā)現(xiàn)了協(xié)同模式的保留和合并,如圖13所示。

(a)復(fù)雜運(yùn)動Ⅰ(Fi,i=1,…,5,Fi為大于0.2閾值的非負(fù)線性系數(shù))

在復(fù)雜運(yùn)動Ⅰ中,模式ComplexF-1與對應(yīng)的重構(gòu)運(yùn)動模式的余弦相似度為0.899,具有較高的相似度,同時,該重構(gòu)運(yùn)動模式僅由WF-1與非線性系數(shù)構(gòu)成。因此,模式ComplexF-1可以由WF-1構(gòu)成,體現(xiàn)了協(xié)同模式的保留;模式ComplexF-2與對應(yīng)的重構(gòu)運(yùn)動模式非常相似,兩者的余弦相似度為0.984,因此模式ComplexF-2可以通過組合HF-2、WE-1和SF-2來重構(gòu),體現(xiàn)了復(fù)雜運(yùn)動協(xié)同模式為簡單運(yùn)動協(xié)同模式的合并;同樣,模式ComplexF-3與對應(yīng)的重構(gòu)運(yùn)動模式的相似度為0.957,說明模式ComplexF-3可以由SF-2來重構(gòu),體現(xiàn)了復(fù)雜運(yùn)動協(xié)同模式為簡單運(yùn)動協(xié)同模式的保留。

重構(gòu)運(yùn)動模式與復(fù)雜運(yùn)動Ⅱ的肌肉協(xié)同模式也具有很高的相似度(在0.909～0.995之間)。在復(fù)雜運(yùn)動Ⅱ中,模式 ComplexA-1主要由HF-2和WF-1組成,表明與手部屈曲和腕部屈曲運(yùn)動有關(guān);模式ComplexA-2由HF-2、WE-1和SA-2組成,體現(xiàn)了協(xié)同模式的合并;模式 ComplexA-3主要由HF-2、WF-1和SA-2組成,表明與手部屈曲、腕部屈曲和肩部外展運(yùn)動的組合有關(guān),體現(xiàn)了復(fù)雜運(yùn)動協(xié)同模式為簡單運(yùn)動協(xié)同模式的線性組合。

4 結(jié) 論

本文基于表面肌電信號,通過采用非負(fù)張量分解和余弦相似度分析等方法,分別對簡單運(yùn)動和復(fù)雜運(yùn)動執(zhí)行過程中的肌肉協(xié)同狀況進(jìn)行比較分析。研究發(fā)現(xiàn)復(fù)雜運(yùn)動中存在明顯的簡單運(yùn)動肌肉協(xié)同模式的保留和合并過程。從肌肉協(xié)同的角度證明了人體復(fù)雜運(yùn)動模式是從簡單運(yùn)動提取的基本肌肉協(xié)同模式的基礎(chǔ)上線性組合而來,復(fù)雜運(yùn)動與簡單運(yùn)動之間還存在共享的基本肌肉協(xié)同模式。本文研究結(jié)果有助于進(jìn)一步增強(qiáng)對神經(jīng)肌肉運(yùn)動控制機(jī)制的認(rèn)識,為肌-機(jī)控制技術(shù)相關(guān)領(lǐng)域研究提供理論基礎(chǔ)。