用于高密度肌电信号运动单位分解的开源软件一致性分析

利用高密度表面肌电图（HD-sEMG）进行运动单位（MU）分解，已被广泛用于神经生理学中表征MU行为，以及为可穿戴机器人构建神经—机器接口。近年来，GitHub 上出现了许多用于MU分解的开源软件工具，这有望减少该领域研究人员的工作量。然而，这些开源工具之间的一致性尚未被研究，这使研究人员在使用它们时有所顾虑。在本研究中，我们收集了 GitHub 上的7个开源软件工具，并将其应用于一个开源HD-sEMG数据集（包括11次等长收缩试验）的MU分解，以考察这些工具之间的一致性。为构建一个可供参考的综合性MU库，我们整合了7种工具识别出的所有唯一MU，对其进行目视检查并剔除质量较差的MU，同时对所有保留的MU放电序列进行了人工编辑。在11次试验中，7种工具识别出的MU数量范围为167至736。经专家检查后，有效MU的数量范围为29至210，占参考MU库的10%至72%。原始MUST与人工编辑后的MUST之间的一致率范围为0.86至0.94，而为纠正错位每个MU平均所需的编辑次数范围为14至39。结果表明，各工具在实现方式和处理流程上存在不一致性，从而导致识别出的MU数量及有效MU数量存在显著差异（29比210）。总体而言，为了开展进一步的研究分析，需要投入大量工作来处理各工具输出的原始MUST。本研究为使用开源MU分解软件工具提供了指导，并指出开发能够自动编辑MUST的工具将是有益的。

利用高密度表面肌电图（HD-sEMG）进行运动单位（MU）分解，已被广泛用于表征神经生理学中的MU行为，以及构建用于可穿戴机器人的神经—机器接口。近年来，GitHub 上已有许多用于MU分解的开源软件工具可供使用，这有望减少该领域研究人员的工作量。然而，这些开源工具之间的一致性尚未得到研究，这使研究人员在使用它们时有所顾虑。在本研究中，我们收集了 GitHub 上的7个开源软件工具，并将其应用于一个开源HD-sEMG数据集（包括11次等长收缩试验）的MU分解，以考察这些工具之间的一致性。为了构建一个用于参考的综合性MU库，我们汇总了7种工具识别出的所有唯一MU，对其进行目视检查并剔除质量较差的MU，然后对所有保留下来的MU放电序列进行了人工编辑。在针对11次试验应用7种工具的结果中，识别出的MU数量范围为167至736。经专家检查后，有效MU的数量范围为29至210，占参考MU库的10%至72%。原始MUST与人工编辑后的MUST之间的一致率范围为0.86至0.94，而为纠正错位每个MU平均需要的编辑次数范围为14至39。结果表明，各工具在实现方式和处理流程上存在不一致性，从而导致识别出的MU数量和有效MU数量不一致（29比210）。总体而言，为了开展后续研究分析，需要投入大量工作来处理各工具输出的原始MUST。本研究为使用开源MU分解软件工具提供了指导，并指出开发能够自动编辑MUST的工具将是有益的。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.737019v1?rss=1

🏷️ 高密度表面肌电图 运动单位分解 开源软件评估 一致性分析 神经机器接口