中风后肌肉协同作用的方向调节

简介：中风后上肢功能受损，其特征是异常、刻板和不协调的运动模式。 受损的皮质脊髓系统中的神经驱动减少，导致激动剂运动单位放电减少、痉挛、运动协调受损。 更全面地了解我们的大脑通过脊髓控制和调节肢体运动的方式，可能会增强更先进的康复技术。

运动控制的当前概念表明，大脑皮层调节和同步脑干和脊髓内离散数量的功能单元的激活。 这些神经功能单元，即肌肉协同作用，当线性组合时有助于产生不同的肢体运动。 这种控制机制可以在很大程度上解释 CNS 将 CNS 中嵌入的大量自由度的维度降低为离散数量的肌肉协同作用的方式。 因此，运动的执行可能只需要将这些协同作用线性组合并沿时域调节其激活强度。

这种控制机制的存在引起了临床医生和科学家的关注，利用其特性来增强中风后的运动恢复。 因此，出现了研究皮质损伤如何影响协同作用的同步，以及它是否改变了协同作用的内部结构。 尽管在这一领域进行了大量研究，但对于中风如何影响这种控制机制，以及损伤水平与协同结构之间的相关程度，仍缺乏共识。 研究目标是比较中风后个体和健康个体之间多方向手伸运动的协同结构和 MAP，并将这些特性与中风后个体的运动障碍相关联。

方法：

参与者：12 名健康志愿者（对照组）和 20 名中风后患者（研究组）将参加该研究。 研究组的入选标准是 20 岁以上，患有单侧脑卒中并伴有偏瘫的个体。 该试验的排除标准是感觉性失语、单侧忽视和存在其他神经系统疾病，如帕金森病或阿尔茨海默病。

设备：伸手空间装置 (HRSD) 是一种可调节的简单工具，可使不同参与者之间的 9 个不同方向的手部指向运动标准化。 它由两根竖杆组成，上面连接着三个半圆形架子。 每个架子包含三个可移动的指点针，可以左右调整以适应每个参与者的可变臂长。 最低的架子距离桌子 10 厘米，中间的架子距离桌子 35 厘米，最高的架子距离桌子 55 厘米。 对于每个参与者，HRSD 位于被测肩部前方的最大手触及距离处。 侧销与两侧的肩关节成 45 度角。 HRSD 上的目标安排旨在涵盖大多数伸手动作。

从肩胛带和手臂的 8 块肌肉记录表面肌电图 (Trigno 8, Delsys, Boston, MA)：斜方肌 (TRS)；三角肌前部 (AD)、内侧 (MD) 和后部纤维 (PD)；和胸大肌 (PECT)；冈下肌 (IS)；二头肌（BI）；三头肌（TRI）。 电极的放置符合欧洲肌肉无创评估项目 (SENIAM) [34] 的表面肌电图指南。 在数据收集之前执行最大自主收缩 (MVC)，以验证正确的电极放置和标准化。 每个 MVC 后有一分钟的休息时间，以限制疲劳的可能性。 EMG 信号经过带通滤波 (20-450 Hz)，并以 2000 Hz 采样。

协议：MVC 是通过标准肌肉测试 [35] 测量的。 然后，参与者坐在桌子前，将前臂放在舒适的位置。 HRSD 的位置如上所述。 参与者被要求根据 EMG 软件每 10 秒激活的语音提示指向每个目标 5 次，进行 45 次指向动作。 指向目标的顺序对所有参与者都是不变的。

数据分析 EMG 预处理 使用 Matlab (The MathWorks, Inc.) 进行数据分析。 EMG 被贬低，然后使用 50 个样本的重叠窗口（每个时间点周围 25 毫秒）进行 RMS 计算。 从到达运动序列的平均数据中减去每个试验的平均基线 EMG。 因此，每个试验的 EMG 数据，一个维度为 8（记录的肌肉数量）的向量，对应于超过任何残余基线肌肉活动的主动力产生。 EMG 数据根据每块肌肉的最大等长收缩 (MVC) 进行标准化。

最初由 Lee 和 Seung（1999 年和 2001 年）使用的 NMF 算法用于识别肌肉协同作用及其激活权重。 伸手运动中记录的 EMG 模式被建模为一组 N 块肌肉协同作用的线性组合，每块肌肉指定 8 块肌肉的相对激活水平，并由随时间变化的激活系数激活：

V^(M×T)≈W^(M×N)∙H^(N×T) (4) 其中V为EMG数据集矩阵，M为肌肉数量（8块肌肉）​​，T为肌肉数量的时间样本，W是协同矩阵，H是系数矩阵。 W为m×n为n个协同矩阵，m为肌肉数量，H为n×t协同激活系数矩阵。 因此，W 的每一列代表单个协同作用的每块肌肉的权重，H 的每一行代表相应的协同作用被激活或用于产生力量的程度。 在这个模型中，每块肌肉可能属于不止一种协同作用，因此任何一块肌肉的肌电图可能归因于多个肌肉协同作用的同时或顺序激活。

为了确定整个组的最佳协同作用数量，每个参与者的所有目标的 EMG 数据都被连接起来。 然后在应用 NMF 之前连接整个样本的 EMG。 协同作用的最佳数量 (d) 定义为捕获数据总方差最高的协同作用数量，这表明额外的协同作用仅捕获可归因于噪声的少量剩余变化。 这个过程使我们能够估计整个样本的最佳协同作用数量，以执行空间中的任何到达运动，而不管运动的方向如何。

NMF 算法要求在应用算法之前指定提取的协同作用的数量。 因此，对于每个数据集，在将协同作用的数量从 1 更改为 7 的同时计算 VAF。使用以下公式计算 VAF：

VAF(H)=100%×(1-(|(|V-WH|)|_2^2)/(|(|V|)|_2^2 )) (6) 其中V为原矩阵， W 和 H 是派生的因式分解矩阵。

运动方向的概括

此分析阶段的目的是确定是否存在一组离散数量的协同作用来控制空间中的任何到达运动。 因此，研究了某些方向的运动如何解释其他方向的运动。 每个运动方向的 EMG 数据分别汇集在 8 块肌肉中，并将其连接到整个样本中。 通过这种方式，衍生的协同作用集将不得不考虑不同主题之间的差异，但也将仅针对该方向。 NMF 根据以下等式分别应用于每个运动方向：

V_i≈W_i∙H_i (7) 其中i为目标数，对应空间中特定的运动方向。 在这个分析阶段，V_i（肌电图矩阵）作为每个目标的输入，i∈[1,9]，矩阵 W_i，H_i 被迭代更新。 研究程序包括到达太空中的 9 个不同目标方向，使我们能够进一步研究是否存在可以解释其他方向运动的一组协同作用。

这是通过在 V_i 矩阵和 W_j 矩阵之间使用交叉验证技术完成的，方法是应用 NMF 算法的修改版本，然后进行相应的 VAF 计算，将协同作用 (d) 的数量从仅 3 更改为 5，而不是从1 至 7 基于所有参与者和所有目标的 NMF 结果，详见结果部分。 在算法的修改版本中，V_i 和 W_j（协同矩阵）都作为输入给出。 只有目标 i 的 H_(i,j) 系数矩阵被更新和输出。

对数据矩阵 V_i（目标 i）和协同矩阵 W_j（目标 j）的每个组合执行修改后的 NMF 的交叉验证过程，得到 9×9 矩阵 H_ji。 对于每个 i,j∈[1,9]，我们分解 V_i 使得 W_j H_ji≈V_i。

通过计算每个 9×9 分解的 VAF 选择肌肉协同作用的参考集：

VAF(H_ij )=100%×(1-(|(|V_i-W_j H_ij |)|_2^2)/(|(|V_i |)|_2^2 )) (8) 假设VAF的值一致(H_ij) 对于特定的 V_i 可能表明从这个方向的运动中获得的协同作用可以准确地解释其他方向的运动。

因此，对于每个预定义数量的协同作用 (d)，都会收到一个 9×9 矩阵，其中每个单元格代表给定协同作用（行）对指定方向（列）的责任。 结果矩阵中的每一行都代表一组适当协同作用的整体“绩效”，因此选择具有最高平均 VAF 的行进行下一阶段的分析。

肌肉协同作用的方向调制一旦选择了一组协同作用（W_j），设置每个目标的激活系数（H_ij，当i∈[9,1]时），就确定了每个方向哪个协同作用占主导地位。 对于每个协同作用的数量，计算每个方向的每个协同作用的平均激活系数。 例如，将协同作用的数量设置为 4，会产生 4 个值的 9 个向量（每个运动方向一个），代表 4 个协同作用。 然后，测量每个协同作用在运动方向上的平均幅度，以及不同方向上协同作用的运动之间的平均幅度。