外骨骼護理機器人是典型的人機共驅動系統，為了充分發揮人的主觀控制能力與動作導向能力，需要全面分析外骨骼穿戴者在搬運患者過程中表面肌電信息的空間分布情況和內在聯系。針對肌電電極位置選擇以及各通道間的內在關系等問題，將上肢肌群復雜系統抽象為肌肉功能網絡。首先，利用互信息分析上肢各肌電通道間的關聯特性，構建肌肉功能網絡；其次，通過計算網絡的節點特性指標，分析不同運動過程中肌肉功能網絡特點；最后，利用節點收縮法確定反映用戶運動意圖的關鍵肌群，分析搬運過程各階段的肌肉功能網絡特性。實驗證明，該方法可以快速有效地確定肌電采集位置，關鍵肌群的肌肉功能網絡特性可以有效區分搬運過程的各階段，為上肢神經控制與身體運動的關系解碼提供了新思路和新方法。
引用本文： 陳玲玲, 張存, 宋曉偉, 張騰宇, 劉笑天, 楊澤坤. 面向外骨骼機器人的肌肉功能網絡構建及分析. 生物醫學工程學雜志, 2019, 36(4): 565-572. doi: 10.7507/1001-5515.201803059 復制
引言
隨著老齡化社會的到來，養老護理逐漸成為社會與家庭面臨的主要問題。由于護理工作量大且負重時間長，設計研發針對移動患者的外骨骼護理機器人[1-2]，對于減輕護理者的勞動強度和提高患者的舒適度具有重要意義。護理人員在與患者交互方面具有機器人無法替代的優勢，可以充分發揮人的主觀控制能力與動作導向能力，降低了機器人搬運患者過程中的操作難度。為了實現人機共融，其核心技術是對護理人員動作意圖的感知。
人體表面肌電信號（surface electromyography，sEMG）直接與人體的期望動作相關，為外骨骼機器人提供了一種安全、非侵入的重要信息，已成為人體運動意圖識別及人機系統協同控制的重要控制源[3-5]。日本筑波大學研制的混合助力肢體（Hybrid Assistive Limb，HAL）利用 sEMG 預測穿戴者的運動，有效地增強了其運動能力[6]。現有研究表明 sEMG 可以充分反映穿戴者的運動意圖，但是要實現完全的肌電解碼，還有很多問題沒有解決，例如肌電電極的位置選擇、各通道信號間的內在關系等。
目前研究大多通過對主要肌群進行統計學分析或實驗，確定與運動意圖識別關聯度最大的 sEMG 采集點。文獻[7]通過分析上肢主要肌肉的均方根、平均絕對值、方差等信息，選擇 3 塊肌肉的 sEMG 識別屈肘、伸肘及肩外展模式，準確率達 94%。文獻[8]采集 16 塊肌肉的 sEMG 識別上肢運動意圖，雖然包含了足夠信息，但信號處理難度較大，識別速度與效果受到明顯影響。文獻[9]通過大量實驗選用上肢 4 塊肌肉的 sEMG 來控制外骨骼機器人，發現隨著肌群和特征提取個數的增加，統計學分析的工作量會急劇上升。
護理外骨骼機器人的操作者與任務對象都是人，使得人機之間的交互關系更加復雜，要求建立可以更準確地反映人機間交互關系的肌電信息網絡。常用的主元分析法（principal component analysis，PCA）是根據各特征參數的貢獻率分析 sEMG 與不同運動模式的關聯程度[10-12]，例如文獻[10]利用 PCA 降低特征向量的維數，雖然對于特定信號效果很好，但是無法詳細描述各通道 sEMG 之間的內在聯系，不能完全揭示上肢肌肉的神經動力學關系。
搬運患者的運動是一個多肌肉協調作用的結果，各個肌群之間既能單獨作用又需相互連接共同進行信號處理，形成一個具有相似組織原則及復雜中間連接的復雜網絡系統。近年來，復雜網絡理論發展快速，其局部和全局特性能夠清晰地刻畫不同元素之間的相互關系和信息流動過程，例如將腦電信號轉換成腦網絡的研究成為近年來的研究熱點[13-14]。因此，本研究將復雜網絡理論應用于上肢肌群分析，利用各肌群的肌電信息構建復雜網絡，從全局的角度分析外骨骼穿戴者在搬運患者過程中的肌電空間分布情況及內在聯系。
本文通過分析護理人員在轉移患者過程中的上肢及軀干 sEMG，利用互信息方法分析各通道間的連接關系，將各通道信息間的復雜關系抽象為網絡，深入探討各運動狀態與節點之間的關系，綜合考慮網絡的拓撲結構和節點位置特征，利用節點收縮方法評估網絡各點的重要度，全面分析搬運受試者過程中外骨骼穿戴者的電生理空間分布情況和肌肉協調工作機制。
1 上肢肌肉功能網絡構建
1.1 網絡節點定義
為了全面分析搬運過程中上肢肌群的電生理活動，如圖 1 所示，在上肢各肌肉布置 n = 60 個表面肌電電極，記作 V1～V60。身體左右兩側 sEMG 的采集點分布情況相同，從右臂三角肌開始依次分布節點 V1～V27，從左臂三角肌開始依次分布節點 V28～V54，在胸部（V55 和 V56）、腹部（V57 和 V58）、腰部（V59 和 V60）均布置表面肌電電極。由于小臂需要在搬運過程中負重，因此內側不布置電極。定義每個電極采集通道為一個網絡節點，節點數為 n，根據各節點間的關聯特性構建網絡。
圖1
表面肌電電極分布
Figure1.
sEMG electrodes distribution
1.2 關聯特性分析
將上肢肌群系統抽象成網絡的關鍵是明確各節點間的連接關系，利用互信息法[15]分析兩兩通道間的關聯特性。任選兩個 sEMG 通道 S 和 Q，其中通道 S 的肌電數據為 s1，s2，
，sn，其概率分布依次為 Ps（s1），Ps（s2），
，Ps（sn）；通道 Q 的數據為 q1，q2，
，qn，其概率分布依次為 Pq（q1），Pq（q2），
，Pq（qn），計算兩者的聯合分布概率 Psq（s，q）。
根據 Shannon 信息理論，引入熵的分析，可以很好地解決信息量化的問題，定義 S 與 Q 兩通道的 Shannon 信息熵分別為：
 |
 |
其中，信息熵反映了各通道 sEMG 包含的信息量，計算通道 S 與通道 Q 的聯合熵為：
 |
聯合熵反映了兩個通道的聯合概率分布。計算兩個通道間的互信息為：
 |
當 MI 值等于零時，兩個通道的 sEMG 相對獨立；MI 值越大，兩個通道 sEMG 間的關聯性越強。
1.3 肌肉功能網絡構建
分析 n 通道 sEMG 兩兩間的互信息情況，構建肌肉功能網絡。
根據信號間的關聯特性構造 n × n 鄰接矩陣 A（aij），其中行和列表示節點，aij 表示通道 i 與通道 j 間的互信息。對其進行歸一化處理，通過選取合適的閾值 TH，將矩陣 A（aij）構成的復雜網絡簡化為稀疏二值無權無向形式。如果互信息值 MI 大于 TH，則 aij = 1，通道 i 與通道 j 間建立連接邊；反之 aij = 0，不建立連接邊。
其中，閾值 TH 的選取至關重要，直接影響肌肉功能網絡的統計特性和拓撲結構。TH 選取遵循以下原則：
（1）保證網絡連通，避免孤立點過多；
（2）網絡平均度 <k> 大于 2 ln n；
（3）確保網絡的小世界特性。
2 上肢肌肉功能網絡分析
分析肌肉功能網絡的節點特性[16]，有助于理解不同狀態下各網絡之間的差異性，對確定關鍵肌肉節點之間的連接關系起著重要的作用。
2.1 網絡度量指標
（1）節點度 ki：表示與節點 i 相關聯的邊的條數，節點度越大，說明該節點在網絡中重要性越強。
 |
計算所有節點的度的平均值，記為整個網絡的平均度為：
 |
（2）簇系數 Ci：用來描述網絡聚集程度。對網絡中所有的 Ci 取平均值，得到網絡集聚系數 C。
 |
 |
式中：Ei 為節點 i 與相連的 ki 個節點間實際存在的邊數。
（3）平均路徑長度 L：表示任意兩個節點間距離的平均值。
 |
式中：dij 表示連接節點 i 和節點 j 的最短路徑上的邊數，即兩個節點之間的距離。
2.2 小世界特性
經大量實驗證明，絕大部分復雜網絡都具有小世界特性。如某網絡具有與同等規模的隨機網絡相近的最短路徑長度，但是聚類系數卻明顯比同等規模的隨機網絡大，則說明其具有小世界屬性。假設此網絡的聚類系數為 Cnet，平均路徑長度為 Lnet；同等規模隨機網絡，其聚類系數為 Crand，平均路徑長度為 Lrand，則利用參數 σ 描述此網絡的小世界屬性。
 |
式中：
，
。σ 越大，小世界特性越明顯。
2.3 節點收縮法
定義網絡 M 的凝聚度為
 |
計算所有節點對之間的平均路徑長度和網絡的初始凝聚度；對節點 i 進行收縮，將網絡中節點 i 和與節點 i 直接相連的節點集合 V 合并為一個節點，所有與集合 V 相連的邊都直接連在新的節點上，計算節點 i 的重要度[17]：
 |
式中：M·i 為網絡 M 中節點 i 收縮后的新網絡。收縮的節點重要性越高，則收縮后網絡的凝聚度就越高，因此，可用來評估節點的重要程度。
3 實驗結果及分析
3.1 數據采集及關聯性計算
本次實驗由 6 名被測對象和 4 名搬運對象組成。被測對象包含男性 3 名，女性 3 名，年齡（23.8 ± 1.2）歲，身高（170.8 ± 7.9）cm，體重（70.8 ± 15.2）kg；搬運對象包含男性 2 名，女性 2 名，年齡（11.0 ± 6.2）歲，身高（141.0 ± 12.9）cm，體重（32.5 ± 9.7）kg。實驗的被測對象為在讀研究生，均為右利手，且無神經肌肉或肌肉骨骼方面疾病并提前了解實驗過程；搬運對象中有未成年人，已征求其監護人意見。實驗被測對象與搬運對象監護人均簽署了知情同意書。
為了避免外骨骼對穿戴者運動的影響，本實驗在模擬護理人員搬運患者的過程中，并未實際穿戴外骨骼機器人。由于外骨骼可以在移動患者時為護理人員提供很大的助力，穿戴者并不需要花費很大的力氣，因此考慮被測對象的負重能力，選擇體重較輕的受試者作為搬運對象。
搬運過程中，使用 Delsys 無線采集系統（采集頻率 2 000 Hz）采集被測對象的上肢 sEMG 信號。搬運過程如圖 2 所示，模擬護理人員轉移患者的過程，被測對象將搬運對象從 75 cm 高的床上轉移到 42 cm 高的座椅上。整個過程分為四個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下），完成一次完整的搬運過程需要 6 s，0～1 s 為抱起瞬間，1～2 s 為抱起中，2～4 s 為平移，4～6 s 為放下搬運對象并結束任務。此實驗過程以相同的速度重復進行 10 次，每兩個完整搬運過程間休息 60 s，以避免肌肉疲勞對實驗的影響。實驗完成后，對采集到的 sEMG 進行 50 Hz 陷波處理，并利用巴特沃斯帶通濾波器提取 sEMG 的有效頻段（20～500 Hz）。
圖2
轉移過程表面肌電采集
Figure2.
sEMG acquisition of transfer process
記錄 60 個表面肌電電極采集到的 sEMG，計算各通道的信息熵，分析任意兩通道間的互信息，得到各階段的加權網絡鄰接矩陣，如圖 3 所示。通過分析閾值 TH 從 0 到 1 過程中肌肉功能網絡的主要特征參數，選取合適的閾值（TH = 0.50），將互信息矩陣轉換成二值矩陣，其中黑色區域表示互信息值低于閾值（網絡中相應節點之間沒有連通性），而白色區域表示互信息值高于閾值（網絡中相應節點之間相互連接）。
圖3
關聯特性矩陣
Figure3.
Correlation characteristic matrix
3.2 網絡特征分析
計算被測對象在四個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下）的網絡節點度分布 P（k），如圖 4 所示，k 表示度值，P（k）表示每個度的分布概率。在階段Ⅰ，節點主要分布在節點度較高的區域，只有少數節點的節點度較小，說明階段Ⅰ網絡節點間的連接緊密；在階段Ⅱ，抱起受試者后，網絡度分布發生明顯變化，向節點度較低的區域移動，聯系變弱；到階段Ⅲ抱起后平移，節點又向節點度較高的區域移動，聯系增強；然而，階段Ⅳ中節點分布比較均勻。為了分析四個階段的差異性，利用軟件 SPSS 19.0 對所有受試者四個階段網絡的平均度特征進行方差分析，結果表明四個階段總體間存在顯著差異（P < 0.02），四個階段兩兩分析得出前三個階段與放下過程的差異均有統計學意義（P < 0.05），說明平均度特征可以區分放下和其他運動過程。
圖4
四階段（Ⅰ～Ⅳ）的表面肌電功能網絡度分布
Figure4.
The degree distribution of sEMG functional networks for four phases (Ⅰ–Ⅳ)
為了研究左右臂在運動過程中是否存在差異性，將左右臂分為 6 個區域（見表 1），分析不同區域在四個階段下的平均節點度 <k>，如圖 5 所示。
表1
節點區域
Table1.
Node zoning
圖5
不同區域（1～6）的平均節點度
Figure5.
Average node degree in different regions（1–6）
如圖 5 所示，不同區域的平均節點度存在明顯差異，且左右臂同一區域的節點度在各階段也有所不同，表明在轉移人體過程中左右兩臂施力情況不同，與實際情況相符。
根據公式（10）計算所有受試者在四個階段的參數 σ，如圖 6 所示，所有情況 σ > 1 均成立，說明四個階段所構建的肌肉網絡均具有小世界屬性。其中，平移（階段Ⅲ）的小世界屬性最強，明顯高于抱起中和放下階段，說明平移時肌電運動單位傳導速度加強，各肌肉之間信息交流加快。
圖6
四種運動狀態下的小世界特性
Figure6.
Small world characteristics in four motion states
3.3 確定關鍵節點
對網絡中節點的重要性進行評估，發掘網絡中的重要節點，信息感知的關鍵節點不僅與其所處中心位置有關，還與其他節點信息交流的時間有關。
綜合考慮經過該節點最短路徑的數目和節點度，利用節點收縮法分析受試者四個運動階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下）的節點重要度，對各階段的重要度進行歸一化，結果如圖 7 所示。節點重要度越大，說明節點的位置越關鍵，節點收縮后網絡凝聚度就越大，對整個網絡的貢獻也越大。因此，可以通過設定一個閾值，選擇節點重要度大于此閾值的節點構造網絡。
圖7
四階段（Ⅰ～Ⅳ）的節點重要度
Figure7.
Node importance of four motion states (Ⅰ–Ⅳ)
綜合考慮網絡規模及節點重要度分布，分別選取閾值為 0.8 和 0.4，得到各階段網絡中重要度較大的節點，如表 2 所示。
表2
重要節點
Table2.
Important nodes
（1）選取節點重要度大于閾值 0.8 的節點，得到各階段重要度最大的節點。如圖 7 和表 2 所示，在階段Ⅰ中，只有節點 V12 的節點重要度大于 0.8，四個階段共得到 6 個重要度最大節點（V12，V23，V16，V20，V45 和 V43）。利用重要度最大的節點構造肌肉功能網絡，如圖 8 所示。發現搬運過程中的前三個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移），重要節點間的連接具有一定的相似性，網絡間連接變化不明顯，而放下過程中節點間的聯系減弱，與前文中度分布的研究結果一致。
圖8
重要度最大節點的肌肉功能網絡
Figure8.
Muscle functional network of the nodes with biggest importance
（2）為了體現各階段肌肉功能網絡間的差異性，選取節點重要度大于閾值 0.4 的節點，得到各階段重要度次大的節點，如表 2 所示。對所有次重要度節點進行平均重要度方差分析，選取 5 個差異顯著的節點（V2，V6，V26，V28，V57），與重要度最大的節點共同構建各階段的肌肉功能網絡，如圖 9 所示，各階段網絡具有明顯的差異性，有助于各節點信息的進一步分析與應用。
圖9
關鍵節點的肌肉功能網絡
Figure9.
Muscle functional network of key nodes
如圖 8 所示，重要度最大的節點均分布在雙臂的后側肌肉，且節點分布不均勻，其中右臂較多。說明在轉移過程中，左右臂發力存在差異，以右臂為主，左臂起輔助作用，與被測對象均為右利手的實際情況相符。如圖 9 所示，四個階段的網絡連接具有明顯差異，在平移階段網絡中各節點間的連接最緊密，抱起瞬間和抱起中階段次之，而放下階段聯系最弱，與上一小節網絡特征分析的結果相同。
在轉移人體的過程中，關鍵節點主要分布在肱二頭肌、肱三頭肌、三角肌和指伸肌。
階段Ⅰ：由靜息態開始運動，肌肉收縮最強烈，其中肱二頭肌、三角肌及指伸肌收縮尤為明顯。
階段Ⅱ：手指和腕部配合運動，肱二頭肌和指伸肌起主要作用。
階段Ⅲ：三角肌和肱三頭肌同時作用，平移過程需要較大的力，肌肉處于相對穩定的狀態。
階段Ⅳ：僅肱三頭肌作用，放下搬運對象過程需要的力較小，肌肉收縮強度明顯減弱。
3.4 階段差異化分析
為了量化各個階段存在的差異，針對圖 9 所示關鍵節點的肌肉功能網絡進行分析，依次計算四個階段網絡的聚類系數 C 以及平均節點度 <k>，結果如表 3 所示。
表3
關鍵節點的肌肉功能網絡特性
Table3.
Muscle functional network characteristics of key nodes
聚類系數越高，表明網絡的連通性越好；平均節點度越大，表明各通道之間關聯性越強，以及網絡拓撲結構對合作行為的促進作用越明顯。由表 3 可知，各階段關鍵節點的肌肉功能網絡特性存在明顯差異，抱起階段，各肌肉由靜息態逐漸收縮，隨著抱起過程（階段Ⅰ、Ⅱ）的進行，上肢各肌肉逐漸適應運動負荷并調整其狀態，抱起準備階段的網絡特性大于抱起中階段；平移階段，肌肉保持相對穩定的水平，產生更穩定的運動狀態，與其他三個運動階段相比，聚類系數 C 和平均節點度 <k> 達到最大（P < 0.001）；相比于抱起和平移階段，放下階段聚類系數 C 和平均節點度 <k> 明顯降低，各肌肉之間的關聯性減弱，信息在肌肉功能網絡中傳遞速率減慢，網絡的 C 和 <k> 達到最小（P < 0.001）。
利用網絡特性對四個運動階段進行聚類分析，聚類結果如圖 10 所示，其中橫坐標表示階段變量，縱坐標表示相似性的大小，取相似度為 0.6，可將其分為 3 類，聚類結果為：{Ⅰ，Ⅱ}，{Ⅲ}，{Ⅳ}，即利用網絡特征可將搬運過程劃分為抱起、平移、放下三個階段。
圖10
階段聚類分析樹狀圖
Figure10.
Dendrograms of the clustering for phases
4 結論
本研究基于互信息方法對多通道 sEMG 進行非線性時域關聯特性分析，將上肢肌群復雜系統抽象為肌肉功能網絡；分析抱起瞬間、抱起中、平移及放下四階段的肌肉功能網絡特點；利用節點收縮法對不同階段的肌肉網絡進行節點重要性評估，實現了對人體運動信息的準確解碼，提高了感知功能網絡的實時性及準確性。
研究結果表明不同運動階段間存在一定的差異性，左右臂施力不同，起關鍵作用的肌肉也不同。該方法可以快速有效地確定護理外骨骼機器人的肌電采集位置，避免了以節點度、橋系數衡量節點重要度的片面性以及節點介數評估代價太高的問題。通過分析關鍵肌群的肌肉功能網絡特性，可以準確區分搬運過程的各階段，為外骨骼機器人控制提供狀態識別結果或觸發命令。上肢肌電功能網絡的建立與分析，為神經控制與身體運動的關系解碼提供了新思路和新方法，同時也可將此方法用于腦卒中、運動障礙等疾病的病理研究和臨床診斷，具有很好的理論意義。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
隨著老齡化社會的到來，養老護理逐漸成為社會與家庭面臨的主要問題。由于護理工作量大且負重時間長，設計研發針對移動患者的外骨骼護理機器人[1-2]，對于減輕護理者的勞動強度和提高患者的舒適度具有重要意義。護理人員在與患者交互方面具有機器人無法替代的優勢，可以充分發揮人的主觀控制能力與動作導向能力，降低了機器人搬運患者過程中的操作難度。為了實現人機共融，其核心技術是對護理人員動作意圖的感知。
人體表面肌電信號（surface electromyography，sEMG）直接與人體的期望動作相關，為外骨骼機器人提供了一種安全、非侵入的重要信息，已成為人體運動意圖識別及人機系統協同控制的重要控制源[3-5]。日本筑波大學研制的混合助力肢體（Hybrid Assistive Limb，HAL）利用 sEMG 預測穿戴者的運動，有效地增強了其運動能力[6]。現有研究表明 sEMG 可以充分反映穿戴者的運動意圖，但是要實現完全的肌電解碼，還有很多問題沒有解決，例如肌電電極的位置選擇、各通道信號間的內在關系等。
目前研究大多通過對主要肌群進行統計學分析或實驗，確定與運動意圖識別關聯度最大的 sEMG 采集點。文獻[7]通過分析上肢主要肌肉的均方根、平均絕對值、方差等信息，選擇 3 塊肌肉的 sEMG 識別屈肘、伸肘及肩外展模式，準確率達 94%。文獻[8]采集 16 塊肌肉的 sEMG 識別上肢運動意圖，雖然包含了足夠信息，但信號處理難度較大，識別速度與效果受到明顯影響。文獻[9]通過大量實驗選用上肢 4 塊肌肉的 sEMG 來控制外骨骼機器人，發現隨著肌群和特征提取個數的增加，統計學分析的工作量會急劇上升。
護理外骨骼機器人的操作者與任務對象都是人，使得人機之間的交互關系更加復雜，要求建立可以更準確地反映人機間交互關系的肌電信息網絡。常用的主元分析法（principal component analysis，PCA）是根據各特征參數的貢獻率分析 sEMG 與不同運動模式的關聯程度[10-12]，例如文獻[10]利用 PCA 降低特征向量的維數，雖然對于特定信號效果很好，但是無法詳細描述各通道 sEMG 之間的內在聯系，不能完全揭示上肢肌肉的神經動力學關系。
搬運患者的運動是一個多肌肉協調作用的結果，各個肌群之間既能單獨作用又需相互連接共同進行信號處理，形成一個具有相似組織原則及復雜中間連接的復雜網絡系統。近年來，復雜網絡理論發展快速，其局部和全局特性能夠清晰地刻畫不同元素之間的相互關系和信息流動過程，例如將腦電信號轉換成腦網絡的研究成為近年來的研究熱點[13-14]。因此，本研究將復雜網絡理論應用于上肢肌群分析，利用各肌群的肌電信息構建復雜網絡，從全局的角度分析外骨骼穿戴者在搬運患者過程中的肌電空間分布情況及內在聯系。
本文通過分析護理人員在轉移患者過程中的上肢及軀干 sEMG，利用互信息方法分析各通道間的連接關系，將各通道信息間的復雜關系抽象為網絡，深入探討各運動狀態與節點之間的關系，綜合考慮網絡的拓撲結構和節點位置特征，利用節點收縮方法評估網絡各點的重要度，全面分析搬運受試者過程中外骨骼穿戴者的電生理空間分布情況和肌肉協調工作機制。
1 上肢肌肉功能網絡構建
1.1 網絡節點定義
為了全面分析搬運過程中上肢肌群的電生理活動，如圖 1 所示，在上肢各肌肉布置 n = 60 個表面肌電電極，記作 V1～V60。身體左右兩側 sEMG 的采集點分布情況相同，從右臂三角肌開始依次分布節點 V1～V27，從左臂三角肌開始依次分布節點 V28～V54，在胸部（V55 和 V56）、腹部（V57 和 V58）、腰部（V59 和 V60）均布置表面肌電電極。由于小臂需要在搬運過程中負重，因此內側不布置電極。定義每個電極采集通道為一個網絡節點，節點數為 n，根據各節點間的關聯特性構建網絡。
圖1
表面肌電電極分布
Figure1.
sEMG electrodes distribution
1.2 關聯特性分析
將上肢肌群系統抽象成網絡的關鍵是明確各節點間的連接關系，利用互信息法[15]分析兩兩通道間的關聯特性。任選兩個 sEMG 通道 S 和 Q，其中通道 S 的肌電數據為 s1，s2，，sn，其概率分布依次為 Ps（s1），Ps（s2），，Ps（sn）；通道 Q 的數據為 q1，q2，，qn，其概率分布依次為 Pq（q1），Pq（q2），，Pq（qn），計算兩者的聯合分布概率 Psq（s，q）。
根據 Shannon 信息理論，引入熵的分析，可以很好地解決信息量化的問題，定義 S 與 Q 兩通道的 Shannon 信息熵分別為：
|
|
其中，信息熵反映了各通道 sEMG 包含的信息量，計算通道 S 與通道 Q 的聯合熵為：
|
聯合熵反映了兩個通道的聯合概率分布。計算兩個通道間的互信息為：
|
當 MI 值等于零時，兩個通道的 sEMG 相對獨立；MI 值越大，兩個通道 sEMG 間的關聯性越強。
1.3 肌肉功能網絡構建
分析 n 通道 sEMG 兩兩間的互信息情況，構建肌肉功能網絡。
根據信號間的關聯特性構造 n × n 鄰接矩陣 A（aij），其中行和列表示節點，aij 表示通道 i 與通道 j 間的互信息。對其進行歸一化處理，通過選取合適的閾值 TH，將矩陣 A（aij）構成的復雜網絡簡化為稀疏二值無權無向形式。如果互信息值 MI 大于 TH，則 aij = 1，通道 i 與通道 j 間建立連接邊；反之 aij = 0，不建立連接邊。
其中，閾值 TH 的選取至關重要，直接影響肌肉功能網絡的統計特性和拓撲結構。TH 選取遵循以下原則：
（1）保證網絡連通，避免孤立點過多；
（2）網絡平均度 <k> 大于 2 ln n；
（3）確保網絡的小世界特性。
2 上肢肌肉功能網絡分析
分析肌肉功能網絡的節點特性[16]，有助于理解不同狀態下各網絡之間的差異性，對確定關鍵肌肉節點之間的連接關系起著重要的作用。
2.1 網絡度量指標
（1）節點度 ki：表示與節點 i 相關聯的邊的條數，節點度越大，說明該節點在網絡中重要性越強。
|
計算所有節點的度的平均值，記為整個網絡的平均度為：
|
（2）簇系數 Ci：用來描述網絡聚集程度。對網絡中所有的 Ci 取平均值，得到網絡集聚系數 C。
|
|
式中：Ei 為節點 i 與相連的 ki 個節點間實際存在的邊數。
（3）平均路徑長度 L：表示任意兩個節點間距離的平均值。
|
式中：dij 表示連接節點 i 和節點 j 的最短路徑上的邊數，即兩個節點之間的距離。
2.2 小世界特性
經大量實驗證明，絕大部分復雜網絡都具有小世界特性。如某網絡具有與同等規模的隨機網絡相近的最短路徑長度，但是聚類系數卻明顯比同等規模的隨機網絡大，則說明其具有小世界屬性。假設此網絡的聚類系數為 Cnet，平均路徑長度為 Lnet；同等規模隨機網絡，其聚類系數為 Crand，平均路徑長度為 Lrand，則利用參數 σ 描述此網絡的小世界屬性。
|
式中：，。σ 越大，小世界特性越明顯。
2.3 節點收縮法
定義網絡 M 的凝聚度為
|
計算所有節點對之間的平均路徑長度和網絡的初始凝聚度；對節點 i 進行收縮，將網絡中節點 i 和與節點 i 直接相連的節點集合 V 合并為一個節點，所有與集合 V 相連的邊都直接連在新的節點上，計算節點 i 的重要度[17]：
|
式中：M·i 為網絡 M 中節點 i 收縮后的新網絡。收縮的節點重要性越高，則收縮后網絡的凝聚度就越高，因此，可用來評估節點的重要程度。
3 實驗結果及分析
3.1 數據采集及關聯性計算
本次實驗由 6 名被測對象和 4 名搬運對象組成。被測對象包含男性 3 名，女性 3 名，年齡（23.8 ± 1.2）歲，身高（170.8 ± 7.9）cm，體重（70.8 ± 15.2）kg；搬運對象包含男性 2 名，女性 2 名，年齡（11.0 ± 6.2）歲，身高（141.0 ± 12.9）cm，體重（32.5 ± 9.7）kg。實驗的被測對象為在讀研究生，均為右利手，且無神經肌肉或肌肉骨骼方面疾病并提前了解實驗過程；搬運對象中有未成年人，已征求其監護人意見。實驗被測對象與搬運對象監護人均簽署了知情同意書。
為了避免外骨骼對穿戴者運動的影響，本實驗在模擬護理人員搬運患者的過程中，并未實際穿戴外骨骼機器人。由于外骨骼可以在移動患者時為護理人員提供很大的助力，穿戴者并不需要花費很大的力氣，因此考慮被測對象的負重能力，選擇體重較輕的受試者作為搬運對象。
搬運過程中，使用 Delsys 無線采集系統（采集頻率 2 000 Hz）采集被測對象的上肢 sEMG 信號。搬運過程如圖 2 所示，模擬護理人員轉移患者的過程，被測對象將搬運對象從 75 cm 高的床上轉移到 42 cm 高的座椅上。整個過程分為四個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下），完成一次完整的搬運過程需要 6 s，0～1 s 為抱起瞬間，1～2 s 為抱起中，2～4 s 為平移，4～6 s 為放下搬運對象并結束任務。此實驗過程以相同的速度重復進行 10 次，每兩個完整搬運過程間休息 60 s，以避免肌肉疲勞對實驗的影響。實驗完成后，對采集到的 sEMG 進行 50 Hz 陷波處理，并利用巴特沃斯帶通濾波器提取 sEMG 的有效頻段（20～500 Hz）。
圖2
轉移過程表面肌電采集
Figure2.
sEMG acquisition of transfer process
記錄 60 個表面肌電電極采集到的 sEMG，計算各通道的信息熵，分析任意兩通道間的互信息，得到各階段的加權網絡鄰接矩陣，如圖 3 所示。通過分析閾值 TH 從 0 到 1 過程中肌肉功能網絡的主要特征參數，選取合適的閾值（TH = 0.50），將互信息矩陣轉換成二值矩陣，其中黑色區域表示互信息值低于閾值（網絡中相應節點之間沒有連通性），而白色區域表示互信息值高于閾值（網絡中相應節點之間相互連接）。
圖3
關聯特性矩陣
Figure3.
Correlation characteristic matrix
3.2 網絡特征分析
計算被測對象在四個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下）的網絡節點度分布 P（k），如圖 4 所示，k 表示度值，P（k）表示每個度的分布概率。在階段Ⅰ，節點主要分布在節點度較高的區域，只有少數節點的節點度較小，說明階段Ⅰ網絡節點間的連接緊密；在階段Ⅱ，抱起受試者后，網絡度分布發生明顯變化，向節點度較低的區域移動，聯系變弱；到階段Ⅲ抱起后平移，節點又向節點度較高的區域移動，聯系增強；然而，階段Ⅳ中節點分布比較均勻。為了分析四個階段的差異性，利用軟件 SPSS 19.0 對所有受試者四個階段網絡的平均度特征進行方差分析，結果表明四個階段總體間存在顯著差異（P < 0.02），四個階段兩兩分析得出前三個階段與放下過程的差異均有統計學意義（P < 0.05），說明平均度特征可以區分放下和其他運動過程。
圖4
四階段（Ⅰ～Ⅳ）的表面肌電功能網絡度分布
Figure4.
The degree distribution of sEMG functional networks for four phases (Ⅰ–Ⅳ)
為了研究左右臂在運動過程中是否存在差異性，將左右臂分為 6 個區域（見表 1），分析不同區域在四個階段下的平均節點度 <k>，如圖 5 所示。
表1
節點區域
Table1.
Node zoning
圖5
不同區域（1～6）的平均節點度
Figure5.
Average node degree in different regions（1–6）
如圖 5 所示，不同區域的平均節點度存在明顯差異，且左右臂同一區域的節點度在各階段也有所不同，表明在轉移人體過程中左右兩臂施力情況不同，與實際情況相符。
根據公式（10）計算所有受試者在四個階段的參數 σ，如圖 6 所示，所有情況 σ > 1 均成立，說明四個階段所構建的肌肉網絡均具有小世界屬性。其中，平移（階段Ⅲ）的小世界屬性最強，明顯高于抱起中和放下階段，說明平移時肌電運動單位傳導速度加強，各肌肉之間信息交流加快。
圖6
四種運動狀態下的小世界特性
Figure6.
Small world characteristics in four motion states
3.3 確定關鍵節點
對網絡中節點的重要性進行評估，發掘網絡中的重要節點，信息感知的關鍵節點不僅與其所處中心位置有關，還與其他節點信息交流的時間有關。
綜合考慮經過該節點最短路徑的數目和節點度，利用節點收縮法分析受試者四個運動階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移、Ⅳ放下）的節點重要度，對各階段的重要度進行歸一化，結果如圖 7 所示。節點重要度越大，說明節點的位置越關鍵，節點收縮后網絡凝聚度就越大，對整個網絡的貢獻也越大。因此，可以通過設定一個閾值，選擇節點重要度大于此閾值的節點構造網絡。
圖7
四階段（Ⅰ～Ⅳ）的節點重要度
Figure7.
Node importance of four motion states (Ⅰ–Ⅳ)
綜合考慮網絡規模及節點重要度分布，分別選取閾值為 0.8 和 0.4，得到各階段網絡中重要度較大的節點，如表 2 所示。
表2
重要節點
Table2.
Important nodes
（1）選取節點重要度大于閾值 0.8 的節點，得到各階段重要度最大的節點。如圖 7 和表 2 所示，在階段Ⅰ中，只有節點 V12 的節點重要度大于 0.8，四個階段共得到 6 個重要度最大節點（V12，V23，V16，V20，V45 和 V43）。利用重要度最大的節點構造肌肉功能網絡，如圖 8 所示。發現搬運過程中的前三個階段（Ⅰ抱起瞬間、Ⅱ抱起中、Ⅲ平移），重要節點間的連接具有一定的相似性，網絡間連接變化不明顯，而放下過程中節點間的聯系減弱，與前文中度分布的研究結果一致。
圖8
重要度最大節點的肌肉功能網絡
Figure8.
Muscle functional network of the nodes with biggest importance
（2）為了體現各階段肌肉功能網絡間的差異性，選取節點重要度大于閾值 0.4 的節點，得到各階段重要度次大的節點，如表 2 所示。對所有次重要度節點進行平均重要度方差分析，選取 5 個差異顯著的節點（V2，V6，V26，V28，V57），與重要度最大的節點共同構建各階段的肌肉功能網絡，如圖 9 所示，各階段網絡具有明顯的差異性，有助于各節點信息的進一步分析與應用。
圖9
關鍵節點的肌肉功能網絡
Figure9.
Muscle functional network of key nodes
如圖 8 所示，重要度最大的節點均分布在雙臂的后側肌肉，且節點分布不均勻，其中右臂較多。說明在轉移過程中，左右臂發力存在差異，以右臂為主，左臂起輔助作用，與被測對象均為右利手的實際情況相符。如圖 9 所示，四個階段的網絡連接具有明顯差異，在平移階段網絡中各節點間的連接最緊密，抱起瞬間和抱起中階段次之，而放下階段聯系最弱，與上一小節網絡特征分析的結果相同。
在轉移人體的過程中，關鍵節點主要分布在肱二頭肌、肱三頭肌、三角肌和指伸肌。
階段Ⅰ：由靜息態開始運動，肌肉收縮最強烈，其中肱二頭肌、三角肌及指伸肌收縮尤為明顯。
階段Ⅱ：手指和腕部配合運動，肱二頭肌和指伸肌起主要作用。
階段Ⅲ：三角肌和肱三頭肌同時作用，平移過程需要較大的力，肌肉處于相對穩定的狀態。
階段Ⅳ：僅肱三頭肌作用，放下搬運對象過程需要的力較小，肌肉收縮強度明顯減弱。
3.4 階段差異化分析
為了量化各個階段存在的差異，針對圖 9 所示關鍵節點的肌肉功能網絡進行分析，依次計算四個階段網絡的聚類系數 C 以及平均節點度 <k>，結果如表 3 所示。
表3
關鍵節點的肌肉功能網絡特性
Table3.
Muscle functional network characteristics of key nodes
聚類系數越高，表明網絡的連通性越好；平均節點度越大，表明各通道之間關聯性越強，以及網絡拓撲結構對合作行為的促進作用越明顯。由表 3 可知，各階段關鍵節點的肌肉功能網絡特性存在明顯差異，抱起階段，各肌肉由靜息態逐漸收縮，隨著抱起過程（階段Ⅰ、Ⅱ）的進行，上肢各肌肉逐漸適應運動負荷并調整其狀態，抱起準備階段的網絡特性大于抱起中階段；平移階段，肌肉保持相對穩定的水平，產生更穩定的運動狀態，與其他三個運動階段相比，聚類系數 C 和平均節點度 <k> 達到最大（P < 0.001）；相比于抱起和平移階段，放下階段聚類系數 C 和平均節點度 <k> 明顯降低，各肌肉之間的關聯性減弱，信息在肌肉功能網絡中傳遞速率減慢，網絡的 C 和 <k> 達到最小（P < 0.001）。
利用網絡特性對四個運動階段進行聚類分析，聚類結果如圖 10 所示，其中橫坐標表示階段變量，縱坐標表示相似性的大小，取相似度為 0.6，可將其分為 3 類，聚類結果為：{Ⅰ，Ⅱ}，{Ⅲ}，{Ⅳ}，即利用網絡特征可將搬運過程劃分為抱起、平移、放下三個階段。
圖10
階段聚類分析樹狀圖
Figure10.
Dendrograms of the clustering for phases
4 結論
本研究基于互信息方法對多通道 sEMG 進行非線性時域關聯特性分析，將上肢肌群復雜系統抽象為肌肉功能網絡；分析抱起瞬間、抱起中、平移及放下四階段的肌肉功能網絡特點；利用節點收縮法對不同階段的肌肉網絡進行節點重要性評估，實現了對人體運動信息的準確解碼，提高了感知功能網絡的實時性及準確性。
研究結果表明不同運動階段間存在一定的差異性，左右臂施力不同，起關鍵作用的肌肉也不同。該方法可以快速有效地確定護理外骨骼機器人的肌電采集位置，避免了以節點度、橋系數衡量節點重要度的片面性以及節點介數評估代價太高的問題。通過分析關鍵肌群的肌肉功能網絡特性，可以準確區分搬運過程的各階段，為外骨骼機器人控制提供狀態識別結果或觸發命令。上肢肌電功能網絡的建立與分析，為神經控制與身體運動的關系解碼提供了新思路和新方法，同時也可將此方法用于腦卒中、運動障礙等疾病的病理研究和臨床診斷，具有很好的理論意義。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
