康复大学神经肌肉康复工程团队包括高层次海外引进人才周平、路知远、陈茂启、黄成君、鲍天哲等人。团队致力于表面肌电技术创新及其在神经肌肉康复中的应用，在高密度表面肌电分解领域取得新的突破，提出了一种全新的高密度表面肌电分解算法——2CFastICA，并提供了开源Matlab代码。相关成果发表于IEEE Transactions on Neural System and Rehabilitation Engineering上，并被BME康复工程分会报道，原文如下：

研究背景

  快速独立分量分析（FastICA）作为一种常用的盲源分离算法，现已成为高密度表面肌电分解的主流方法之一。但是，FastICA应用于表面肌电分解上存在局部收敛问题从而影响分解出的运动单位个数及其准确性。陈茂启等人前期提出了Progressive FastICA Peel-off （PFP）算法，通过引入“Peel-off”（剥离）策略，很好地解决了FastICA的局部收敛问题。在2023年11月康复大学主办的表面肌电学术论坛上，陈茂启副教授主持了PFP表面肌电分解算法工作坊，和128位学员分享了PFP算法应用程序。“Peel-off”策略在提出后也被后续很多研究团队所效仿，在平稳表面肌电信号分解上取得了很好的效果。值得注意的是，PFP引入剥离策略在解决FastICA局部收敛问题的同时也带来了相应的局限性。比如，运动单位的逐步剥离一定程度上降低了算法的效率，此外，尽管PFP算法在“Peel-off”过程中提出了严格的质量控制策略，但如果缺少这些策略，运动单位的逐级剥离造成的累积误差会对分解的准确率产生一定的影响。因此，克服这些问题对实现准确、鲁棒和高效的表面肌电分解至关重要。

研究概述

  在该研究中，研究团队尝试解释了FastICA应用在表面肌电分解上存在局部收敛问题的原因，并基于此提出了全新的2CFastICA分解框架。之所以叫2CFastICA，是因为该框架主要由两个带约束的FastICA算法构成，即核约束FastICA （Kernel Constrained FastICA）和 相关约束FastICA（Correlation Constrained FastICA）。前者通过限制在利用已经分解出来的结果所构造的核空间中搜索新的运动单位来解决FastICA的局部收敛问题；后者是PFP框架中的constrained FastICA的改进版本，用来进一步修正Kernel Constrained FastICA的输出中可能的错误或缺少的发放，以保证分解结果的可靠性。两者的有机结合实现了高效、可靠的表面肌电分解。 研究团队通过仿真的肌电信号以及双源法验证（包括利用插入式肌电信号（图1）和利用肌萎缩侧索硬化患者表面肌电信号（图2）两种方式），对2CFastICA的分解效果进行了一系列测试，结果均表明2CFastICA框架能够实现与PFP算法相似的分解效果，但由于其避免了“Peel-off”策略带来的一系列复杂步骤，分解的效率得到了极大的提高。

图1. 利用插入式肌电信号进行双源法验证：比较同时采集的表面肌电和插入式肌电的分解结果，识别出共同运动单位发放序列（MU3）。

图2. 利用肌萎缩侧索硬化患者肌电信号的稀疏性进行双源法验证：将患者的多通道表面肌电信号分成稀疏集与干扰集，证明算法能从混叠的干扰集中分解出稀疏集中的运动单位。

研究意义

  该研究阐述了将FastICA算法应用在表面肌电分解上存在局部收敛问题的原因，并基于此提出了更加高效可靠的高密度表面肌电分解算法2CFastICA，该算法的提出为更好地解决表面肌电分解这一难题提供了一个新的思路。同时，研究团队在论文中提供了2CFastICA的开源Matlab源代码下载地址，为高密度表面肌电的使用者提供了有力的分解工具（仅限于科研或非商业用途）。

参考文献：

Chen M and Zhou P (2024) 2CFastICA: A Novel Method for High Density Surface EMG Decomposition Based on Kernel Constrained FastICA and Correlation Constrained FastICA.   IEEE Transactions on Neural Systems and Rehabilitation Engineering 32: 2177-2186. doi: 10.1109/TNSRE.2024.3398822.

康复大学在高密度表面肌电分解领域取得新的突破（转载）