从主观量表走向客观量化：HD‑sEMG肌力估计用于脑瘫手功能评估
研究背景
脑瘫（Cerebral Palsy，CP）是儿科最常见的严重致残性疾病之一，由胎儿期至婴儿期的多种病因导致非进行性脑损伤引起。患者常表现为肌张力异常、肢体畸形和运动功能障碍，其中手部精细运动能力的受损，极大影响生活质量和社会参与度。在临床康复中，医生主要依靠粗大运动功能测量（GMFM）、手功能分级系统（MACS）等量表对患者进行评估。然而，这些评估结果高度依赖康复医师的临床经验和主观判断，难以做到真正的客观量化。如何客观、定量地评估脑瘫患者的手功能，成为康复医学领域亟待解决的难题。
论文概要
来自中国科学技术大学和安徽医科大学第一附属医院的研究团队，提出了一套基于高密度表面肌电（HD-sEMG）的肌力估计新框架，尝试用深度学习技术为脑瘫手功能障碍评估提供量化工具。研究成果发表于《Frontiers in Bioengineering and Biotechnology》期刊，题为“Feasibility study on the application of HD-sEMG-based force estimation technology in the assessment of hand dysfunction in cerebral palsy”。该研究利用深度学习与迁移学习技术，构建了一套可适配多种手势的肌力估计模型，并将其应用于脑瘫患儿的评估实验。结果发现，脑瘫患儿组的肌力估计误差显著高于同龄健康儿童，且误差程度与手功能分级及上肢症状类型密切相关。
文章信息
研究方法
本研究共纳入16名脑瘫患者（CP组）和16名同龄健康儿童（HC组），两组间年龄无显著差异（p > 0.05）。根据临床评估需求，研究选取了五种与手功能康复密切相关的目标手势，分别为二指捏（G1）、五指捏（G2）、握拳（G3）、四指按压（G4）和扭转（G5）。实验中，脑瘫组与健康组均需在规定手势下完成发力任务。HD-sEMG信号采集采用定制的64通道高密度柔性电极阵列（4片×4行×4列，电极间距14 mm，电极直径3.5 mm），分别贴于肱二头肌、肱三头肌及前臂伸肌、屈肌群。同时，根据手势类型配置五种不同的力传感器，同步记录扭矩信号，所有信号采样率均为2kHz。
图1 （A）5种目标手势和力度传感器实验设置（B）高密度电极阵列示意图
研究用健康成人多模式数据集训练 LSTM 源网络，对比网络层数、神经元数、dropout，选出最优模型。设置 3 种迁移学习策略微调源网络，以直接使用源网络作为对照；设置多组训练‑测试受试者配比，验证迁移学习在小样本下的效果。
将两组受试者数据输入手势专属目标网络，分别开展 CP‑HC 组间对比、MACS 分级亚组分析、上肢症状分型亚组分析；对 2 名患者做间隔 6 个月的康复追踪实验；采用适合样本分布的非参数检验进行统计学分析。
研究结果
1. 源网络：最优为三层 LSTM（256‑128‑64 单元，dropout=0.4），多发力模式下肌力估计 RMSE=6.31%。
表1 对于不同层数、单元数组合和丢弃率的源网络的力估计结果（RMSE %）
2. 迁移学习效果：三种迁移策略的 RMSE、(R2)均优于直接使用源网络。仅用 1 名儿童数据微调，模型 RMSE 仍＜10%；无迁移学习时，训练样本减少则模型性能明显变差，适合儿科小样本场景。
图3 三种迁移学习策略与直接使用源网络的RMSE与R²对比
图4 不同训练测试比例下迁移学习策略和非迁移学习策略的力量估计结果
3. 组间对比：全部 5 个手势中，CP 组肌力估计误差显著高于 HC 组，误差均值高出 2.5‑4.4%，且波动更大，说明脑瘫患儿肌电‑肌力对应关系紊乱、个体差异大。
图 5 健康组与脑瘫组在G1-G5手势下肌力估计结果的箱线图
4.MACS 分级：MACS 等级越高（手功能越差），肌力估计误差越大。仅 G2（五指捏）在不同分级间无差异，该动作对精细运动要求低。
5. 不同上肢症状亚组
Ⅰ 型（肌张力异常、肌肉僵硬）：整体误差高，肌肉激活从前臂转移至上臂，出现异常代偿；不自主运动会进一步增大误差；
图 8 HD-sEMG热图：HC2（A）与CP1（B）在G1手势下的对比（C）“M”形震颤示例（D）CP14在G3手势下的肌力估计示例
Ⅱ 型（手功能较好）：误差接近健康儿童，但部分患儿存在发力 “M” 形震颤，精细控制力不足（图8C）；
Ⅲ 型（腕下垂、手指交锁）：除 G2 外误差普遍偏高，需全上肢代偿发力；
Ⅳ 型（尺‑桡分离差）：G2、G3 受影响小，G1、G5 因手指代偿弯曲导致误差升高；
6. 康复追踪：CP6 经过 6 个月康复，代偿减轻，肌力估计误差明显下降；长期康复的 CP7 手功能稳定，误差无明显变化，证明模型可评估康复效果。
上述结果的神经生理机制具有明确的临床解释。脑瘫患者因上运动神经元损伤导致肌肉异常共激活和代偿性协同收缩，其执行精细手势时的肌肉激活模式从健康儿童的特异性分布转向全上肢的弥散性激活。激活模式的空间弥散度越高，肌电与力输出之间的线性对应关系越差，反映为力估计误差的显著升高。MACS分级越高、症状类型越复杂，肌电-力关系的偏离程度越大，说明肌电-肌力关系的异常程度可以作为量化评估手功能障碍的有效指标。
总结与讨论
随着高密度肌电与深度学习技术的深度融合，脑瘫手功能评估正从经验判断迈向数据驱动。本研究以其创新的“预训练+微调”技术路线和临床适配的评估方案，展现出HD-sEMG结合迁移学习在脑瘫康复评估中的巨大潜力。研究证实，肌电-肌力关系的异常程度并非随机噪声，而是与MACS分级、上肢症状类型及康复进程密切相关的客观指标，为长期以来依赖主观量表的评估方式提供了量化指标。
在技术创新方面，本研究解决了肌力估计技术走向临床的两大瓶颈：泛化性与数据依赖。与近年代表性研究对比（表2）可以发现，多数已有方法通常受限于固定发力模式或依赖同一受试者的训练数据，难以推广至临床场景。本研究整合多数据集训练高泛化性源网络，并通过迁移学习仅需少量健康儿童数据即可适配五种康复手势，受试者独立模式下RMSE为7.03%–9.19% ，大幅降低了对新受试者数据的依赖，对配合度有限的脑瘫患儿群体尤为适用。
表2 近年基于sEMG的肌力估计研究对比
原文信息链接
Zhang X, Wang K, Wu D, Zhang X, Chen X. Feasibility study on the application of HD-sEMG-based force estimation technology in the assessment of hand dysfunction in cerebral palsy. Frontiers in Bioengineering and Biotechnology. 2025;13:1580098.
doi:10.3389/fbioe.2025.1580098
作者及团队介绍
论文通讯单位分别是中国科学技术大学微电子学院和安徽医科大学第一附属医院，通讯作者为中国科学技术大学微电子学院Chen Xiang教授。研究工作得到国家自然科学基金项目（82272113、61871360）的资助。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
脑瘫（Cerebral Palsy，CP）是儿科最常见的严重致残性疾病之一，由胎儿期至婴儿期的多种病因导致非进行性脑损伤引起。患者常表现为肌张力异常、肢体畸形和运动功能障碍，其中手部精细运动能力的受损，极大影响生活质量和社会参与度。在临床康复中，医生主要依靠粗大运动功能测量（GMFM）、手功能分级系统（MACS）等量表对患者进行评估。然而，这些评估结果高度依赖康复医师的临床经验和主观判断，难以做到真正的客观量化。如何客观、定量地评估脑瘫患者的手功能，成为康复医学领域亟待解决的难题。
论文概要
来自中国科学技术大学和安徽医科大学第一附属医院的研究团队，提出了一套基于高密度表面肌电（HD-sEMG）的肌力估计新框架，尝试用深度学习技术为脑瘫手功能障碍评估提供量化工具。研究成果发表于《Frontiers in Bioengineering and Biotechnology》期刊，题为“Feasibility study on the application of HD-sEMG-based force estimation technology in the assessment of hand dysfunction in cerebral palsy”。该研究利用深度学习与迁移学习技术，构建了一套可适配多种手势的肌力估计模型，并将其应用于脑瘫患儿的评估实验。结果发现，脑瘫患儿组的肌力估计误差显著高于同龄健康儿童，且误差程度与手功能分级及上肢症状类型密切相关。
文章信息
研究方法
本研究共纳入16名脑瘫患者（CP组）和16名同龄健康儿童（HC组），两组间年龄无显著差异（p > 0.05）。根据临床评估需求，研究选取了五种与手功能康复密切相关的目标手势，分别为二指捏（G1）、五指捏（G2）、握拳（G3）、四指按压（G4）和扭转（G5）。实验中，脑瘫组与健康组均需在规定手势下完成发力任务。HD-sEMG信号采集采用定制的64通道高密度柔性电极阵列（4片×4行×4列，电极间距14 mm，电极直径3.5 mm），分别贴于肱二头肌、肱三头肌及前臂伸肌、屈肌群。同时，根据手势类型配置五种不同的力传感器，同步记录扭矩信号，所有信号采样率均为2kHz。
图1 （A）5种目标手势和力度传感器实验设置（B）高密度电极阵列示意图
研究用健康成人多模式数据集训练 LSTM 源网络，对比网络层数、神经元数、dropout，选出最优模型。设置 3 种迁移学习策略微调源网络，以直接使用源网络作为对照；设置多组训练‑测试受试者配比，验证迁移学习在小样本下的效果。
将两组受试者数据输入手势专属目标网络，分别开展 CP‑HC 组间对比、MACS 分级亚组分析、上肢症状分型亚组分析；对 2 名患者做间隔 6 个月的康复追踪实验；采用适合样本分布的非参数检验进行统计学分析。
图2 整体研究路线
研究结果
1. 源网络：最优为三层 LSTM（256‑128‑64 单元，dropout=0.4），多发力模式下肌力估计 RMSE=6.31%。
表1 对于不同层数、单元数组合和丢弃率的源网络的力估计结果（RMSE %）
2. 迁移学习效果：三种迁移策略的 RMSE、(R2)均优于直接使用源网络。仅用 1 名儿童数据微调，模型 RMSE 仍＜10%；无迁移学习时，训练样本减少则模型性能明显变差，适合儿科小样本场景。
图3 三种迁移学习策略与直接使用源网络的RMSE与R²对比
图4 不同训练测试比例下迁移学习策略和非迁移学习策略的力量估计结果
3. 组间对比：全部 5 个手势中，CP 组肌力估计误差显著高于 HC 组，误差均值高出 2.5‑4.4%，且波动更大，说明脑瘫患儿肌电‑肌力对应关系紊乱、个体差异大。
图 5 健康组与脑瘫组在G1-G5手势下肌力估计结果的箱线图
4.MACS 分级：MACS 等级越高（手功能越差），肌力估计误差越大。仅 G2（五指捏）在不同分级间无差异，该动作对精细运动要求低。
图 6 不同MACS分级的肌力估计结果
5. 不同上肢症状亚组
图 7 根据上肢症状进行肌力估计结果
(A) I型(B)Ⅱ型(C)Ⅲ型(D)Ⅳ型
(A) I型(B)Ⅱ型(C)Ⅲ型(D)Ⅳ型
Ⅰ 型（肌张力异常、肌肉僵硬）：整体误差高，肌肉激活从前臂转移至上臂，出现异常代偿；不自主运动会进一步增大误差；
Ⅱ 型（手功能较好）：误差接近健康儿童，但部分患儿存在发力 “M” 形震颤，精细控制力不足（图8C）；
Ⅲ 型（腕下垂、手指交锁）：除 G2 外误差普遍偏高，需全上肢代偿发力；
Ⅳ 型（尺‑桡分离差）：G2、G3 受影响小，G1、G5 因手指代偿弯曲导致误差升高；
6. 康复追踪：CP6 经过 6 个月康复，代偿减轻，肌力估计误差明显下降；长期康复的 CP7 手功能稳定，误差无明显变化，证明模型可评估康复效果。
图 9 CP6（A）与CP7（B）两次实验的肌力估计结果对比
上述结果的神经生理机制具有明确的临床解释。脑瘫患者因上运动神经元损伤导致肌肉异常共激活和代偿性协同收缩，其执行精细手势时的肌肉激活模式从健康儿童的特异性分布转向全上肢的弥散性激活。激活模式的空间弥散度越高，肌电与力输出之间的线性对应关系越差，反映为力估计误差的显著升高。MACS分级越高、症状类型越复杂，肌电-力关系的偏离程度越大，说明肌电-肌力关系的异常程度可以作为量化评估手功能障碍的有效指标。
总结与讨论
随着高密度肌电与深度学习技术的深度融合，脑瘫手功能评估正从经验判断迈向数据驱动。本研究以其创新的“预训练+微调”技术路线和临床适配的评估方案，展现出HD-sEMG结合迁移学习在脑瘫康复评估中的巨大潜力。研究证实，肌电-肌力关系的异常程度并非随机噪声，而是与MACS分级、上肢症状类型及康复进程密切相关的客观指标，为长期以来依赖主观量表的评估方式提供了量化指标。
在技术创新方面，本研究解决了肌力估计技术走向临床的两大瓶颈：泛化性与数据依赖。与近年代表性研究对比（表2）可以发现，多数已有方法通常受限于固定发力模式或依赖同一受试者的训练数据，难以推广至临床场景。本研究整合多数据集训练高泛化性源网络，并通过迁移学习仅需少量健康儿童数据即可适配五种康复手势，受试者独立模式下RMSE为7.03%–9.19% ，大幅降低了对新受试者数据的依赖，对配合度有限的脑瘫患儿群体尤为适用。
表2 近年基于sEMG的肌力估计研究对比
原文信息链接
Zhang X, Wang K, Wu D, Zhang X, Chen X. Feasibility study on the application of HD-sEMG-based force estimation technology in the assessment of hand dysfunction in cerebral palsy. Frontiers in Bioengineering and Biotechnology. 2025;13:1580098.
doi:10.3389/fbioe.2025.1580098
作者及团队介绍
论文通讯单位分别是中国科学技术大学微电子学院和安徽医科大学第一附属医院，通讯作者为中国科学技术大学微电子学院Chen Xiang教授。研究工作得到国家自然科学基金项目（82272113、61871360）的资助。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
