导语

近日，康复大学周平教授团队在《Journal of Neural Engineering》上发表了一项最新研究成果，将人工神经网络应用于运动单位数量估计（MUNE），开发出名为NNEstimation的新型算法。该算法能够直接从复合肌肉动作电位扫描（CMAP scan）中快速、准确地估计运动单位数量，为脊髓损伤、肌萎缩侧索硬化等神经肌肉疾病的临床评估提供了全新高效工具。

研究背景：传统方法的局限与深度学习的新途径

运动单位数量是评估神经肌肉功能的重要指标。传统估计方法如MScanFit基于人工监督下的运动单位数学建模和数据拟合，存在耗时长、依赖人工经验、对初始参数敏感等问题，限制了其临床应用的效率与一致性。

研究概述

研究团队构建了一套基于卷积神经网络（CNN）的端到端解决方案（NNEstimation：仿真数据驱动，CNN实现端到端估计）。为了获得带有标注的训练数据，团队首先基于运动单位生理模型建立高还原度的仿真模型，通过随机生成各运动单位的振幅与激活阈值，大规模仿真生成多样化的CMAP scan数据作为训练集。在此基础上，他们开发了NNEstimation模型，该模型以原始CMAP曲线及其差分信号作为输入，直接输出运动单位数量的估计值，无需人工预设参数，实现了全自动分析。

图1：NNEstimation模型架构。

在仿真测试中，NNEstimation展现出全面优势，估计误差显著低于MScanFit，平均绝对误差与相对误差均更小；单次分析仅需约2.8毫秒，具备实时分析潜力；在重复测试中结果变异小，稳定性高；在不同噪声水平和信号振幅条件下，估计精度几乎不受影响，抗干扰能力出色。

图2： 仿真数据上的估计准确率与执行时间对。

图3：仿真参数对估计效果的影响分析。

真实数据验证其泛化能力强，与临床预期一致。尽管NNEstimation完全基于仿真数据训练，在真实人体CMAP scan中仍表现出优秀的泛化能力：其估计结果与传统方法MScanFit高度相关，并能有效区分健康受试者与脊髓损伤患者——后者运动单位数量显著下降，与临床诊断一致。

图4：NNEstimation与MScanFit在真实CMAP scan数据上估计结果的对比。

研究意义：推动MUNE进入智能分析时代

该研究证实了深度学习在运动单位数量估计中的可行性与优越性，突破了传统方法在速度与精度上的限制，将检测时间由“秒级”提升至“毫秒级”。NNEstimation提供了一种不依赖人工经验、自动化、高鲁棒性的分析工具，有望推动运动单位数量估计在临床中的标准化与广泛应用，为神经肌肉疾病的早期诊断与疗效评估开辟智能化新路径。

参考文献：Chen, J., Li, Z., Wu, L., Lu, Z., Chen, M., & Zhou, P. (2025). Motor unit number estimation based on convolutional neural network.Journal of Neural Engineering, 22(5), 056015.

原文链接：https://mp.weixin.qq.com/s/vSw18NY563GzHXmY5yBu6A