握力及捏力控制的前臂及手部多肌肉协调性递归网络分析

张 娜 李 可

(山东大学控制科学与工程学院，济南 250061)

引言

手是人体的运动执行器官之一，在人类的日常生活中发挥着非常重要的作用。手有许多自由度，这使它在与环境互动时具有灵活性，但同时也使它的控制更加复杂化[1]。大量的实验证据表明，肌肉间的协调运作模式是中枢神经系统简化手部复杂控制的一种解决方案。目前，肌肉协同或协调已广泛应用于神经肌肉控制机制或神经相关疾病的研究。例如，Wakeling等认为，肌肉协调是肢体运动功率和机械效率输出的关键[2]；Cheung等通过探究运动皮质区域病变患者上肢多个肌肉的肌肉协同模式，指出肌肉协同模式可以作为中风或创伤患者的生理标志并指导其康复[3]；此外，肌肉协调亦可应用于骨骼机器人的设计与控制[4]。但肌肉收缩是高度耦合且随机的过程，对于不同抓握类型和不同收缩力水平下多块肌肉的协调性机制仍尚未探明。

时间序列的分析，如肌电(surface electromyography, sEMG)信号，是了解神经肌肉系统本质的重要途径。但是，由于sEMG信号是一种非线性、非平稳性的时间序列，所以对其进行量化需要合适的分析工具。近些年，以时间序列为基础的复杂网络分析方法已经成为分析复杂动态系统的一种非常强大的方法[5-6]。与一般的分析方法相比，复杂网络可以对复杂动态系统的空间信息进行可视化和定量化分析，进而对动态系统的结构、行为和功能进行更加深入的探究。将时间序列转换为复杂网络方法有多种，如基于符号动力学的方法[7]、可视图网络[8-9]、循环网络[10]以及递归网络(recurrence network, RN)[11]等。其中，基于相空间轨迹递归的RN因在动态系统分析中的优良表现，被广泛应用于神经科学[12]、交通[13]、社会经济[14]以及气候[15-16]等众多领域。此外，针对多元时间序列的相空间轨迹递归性分析，Eroglu等提出了多层递归网络(multiplex recurrence network, MRN)的方法，并通过对不同植被花粉数据的分析证明了MRN的有效性[17]。同时，这一方法也使多肌肉可以作为一个整体进行协调性分析，进而进一步探究运动控制过程中神经肌肉系统的功能特性。

握力和捏力是手部最重要的两种力量产生的基本形态，但两者的任务目标、参与的关节肌肉及力量作用形式均不同，涉及的神经肌肉控制机制和感知运动融合机制也相差甚远，对于了解手部不同运动下的控制机制具有非常重要的研究价值。

本研究选取握力和捏力代表手部运动的典型运动，并设计30%、50%、70% MVC等3个力量水平，用以探究不同抓握类型和不同收缩力水平下多块肌肉的协调性机制。前臂和手部与抓握相关，且同步采集位于浅层的8块肌肉的sEMG信号，用以构建RN和MRN并进行参数分析。假设如下：握力和捏力的肌肉协调性存在显著差异；且随着力量水平的提高，肌肉间会表现出更好的协调性。

1 方法

1.1 数据采集

1.1.1受试者

受试者为24名健康青年人(男 12名，女12名)，平均值±标准差：年龄(23.29±1.68)岁，体重(60.53±12.06)kg，身高(168.58±8.90)cm，最大握力(295.41±117.22)N，最大捏力(49.76±11.07)N。受试者均为右利手者，视力、听力正常或者矫正正常，无上肢神经肌肉损伤历史，无严重的颈椎病或者神经系统疾病，无认知障碍以及抑郁症和焦虑症等病症。所有受试者自愿参与实验，并在知晓实验内容后签署知情同意书。

1.1.2实验设计

握力和捏力分别采用相应的液压测力计进行测量，如图1(a)所示。握力和捏测力计分别连接到BNC连接器上，用NI数据采集卡对力的模拟信号进行数字化，并记录在计算机上。用DELSYS 公司生产的无线表面肌电采集装置来采集SEMG信号。测试前先用磨砂膏打磨，然后用酒精擦拭肌肉肌腹，以去除皮肤表面的皮屑和油脂，然后将电极顺肌纤维方向进行粘贴。本研究同步采集了受试者右侧手部和前臂8块肌肉的肌电信号，分别为肱桡肌(brachioradialis, BR)、尺侧腕屈肌(flexor carpi ulnaris, FCU)、桡侧腕屈肌(flexor carpi radialis, FCR)、指总伸肌(extensor digitorum communis, EDC)、指浅屈肌(flexor digitorum superficialis, FDS)、拇短展肌(abductor pollicis brevis, APB)、第一骨间背侧肌(first dorsal interosseous, FDI)和小指展肌(abductor digiti minimi, ADM)，电极位置放置如图1(b)所示。其中，BR、FCU、FCR、EDC、FDS为外侧肌，APB、FDI、ADM为内侧肌。力信号和肌电信号同步采集，采样频率为1 000 Hz。数据的采集和受试者的力视觉反馈通过LabVIEW软件编程实现。

图1 实验设计。(a)握力器(左)和捏力器(右); (b)电极位置放置; (c) 30% MVC的握力测试示例; (d) 50% MVC捏力测试示例; (e)视觉反馈Fig.1 Experimental setup. (a) The apparatus of grip (left) and pinch (right); (b) The location of electrodes; (c) Example 30% MVC grip-trial; (d) Example 50% MVC pinch-trial; (d) Visual feedback

受试者坐在一个高度可调的实验椅上，左手放于一固定位置，右手进行实验测试。为保证施力方式的一致性，避免测试期间手部的任意移动，将受试者的右手绑缚于固定在桌面的木板上，并按美国手部治疗师协会(American Society of Hand Therapists, ASTH)[18]提出的测试姿势进行测量。整个实验分为3个部分。第一部分是放松测试，在这一过程中采集受试者1 min静息状态下的肌电信号，用于后续实验数据的参考。第二部分是最大自主收缩力(maximum voluntary contraction, MVC)的测试，需要测定每位受试者右手握力和捏力的MVC，每位受试者进行3次MVC的测试，每次5 s，取3次实验中力量峰值的平均值作为MVC的最终值。第三部分是次最大自主收缩力的测试，受试者要按照屏幕上的视觉反馈完成10 s 的30%、50%和70% MVC的测试，在测试期间，要使施加的力尽可能与目标力吻合。具体实验内容如图1(c)～(e)所示[19]，蓝色线表示目标力，橘色线为受试者实时施加的力(见图1(e))。3个力水平的实验测试顺序随机。为防止肌肉疲劳，每个部分之间的休息时间为3 min，每次实验之间的休息时间为1 min。受试者可在正式实验开始前熟悉实验操作。

1.2 数据分析

1.2.1信号预处理

为了避免信号干扰，本研究去除了稳定收缩期间数据的前1.5 s和后1.5 s，中间7 s的数据用于接下来的计算和分析。利用FIR数字滤波器，对肌电信号分别进行了50 Hz工频陷波以及20～450 Hz的带通滤波[20]，以去除噪声干扰。

1.2.2递归网络

基于复杂网络的时间序列分析的关键是构建相应的邻接矩阵，将时间序列映射到复杂网络。构建邻接矩阵的方法很多，在本研究中选取了较为简单的一种，直接将递归矩阵看作是网络的邻接矩阵[11]，构建递归网络(RN)。递归矩阵的元素为

Rij=Θ(ε-‖xi-xj‖)

(1)

式中，Θ(·)为Heaviside 函数，‖·‖为Euclidean范数，ε为预先设定的临界距离。

ε的选取要适当，过大或者过小都会对递归结构产生影响。

显然，递归网络是未加权、无向复杂网络，且与给定时间序列密切相关。在这个网络中，为了避免自循环，要去掉递归矩阵对角线上的值。因此, RN邻接矩阵的元素为

Aij=Rij(ε)-δij

(2)

式中，δij是Kronecker函数。

将RN应用于多路肌电信号，并提取了RN参数：平均最短路径长度(average shortest path length,L)和聚类系数(clustering coefficient,C)。

L是网络中任意两点(i,j)之间最短路径长度lij的平均值[5]，公式如下：

(3)

式中，N是网络中节点的个数(i,j=1,2,…,N)。

C是局部聚类系数的平均值，表示网络中任意三元组周围三角形结构的比例[5]，公式如下：

(4)

式中，j和m是节点i的邻点，ki是节点i的度。网络越复杂，平均最短路径长度越小，聚类系数越大。

1.2.3多层递归网络

为了分析多元时间序列，本研究在多个节点数目相同的RN的基础上构建了多层递归网络(MRN)，单一RN作为MRN的不同层，层与层之间用相应的时间节点进行连接。具体的构建流程可见文献[17]，定义描述整个多路网络的巨型邻接矩阵为

(5)

式中，IN代表大小为N的单位矩阵，A1,A2, …Am分别代表第1, 2,…,m个RN的递归矩阵。

在本研究中，分别利用5路外侧肌(BR, FCU, FCR, EDC和FDS)肌电信号、3路内侧肌(APB, FDI和ADM)肌电信号以及全部的8路肌电信号构建了MRN，并在各网络中提取了平均层间互信息(average inter-layer mutual information,I)以及平局边缘覆盖率(average edge overlap,ω)两个参数。

层间互信息是指任意两个时间序列相应度序列之间的互信息，公式如下：

(6)

式中：P(kα)和P(kβ)分别为α层和β层的度分布，P(kα，kβ)是α层和β层的联合度分布；层间互信息衡量的是层与层之间的相似性，I是MRN中所有可能组合对之间互信息的平均值，衡量的是MRN中度分布的平均相似性[17,21]。

ω衡量的是MRN中层间相同边数的平均数量，计算公式如下：

(7)

式中，m代表的是层数；如果在MRN的第k层节点i和j之间是相连的，则aijk为1，反之则为0。一般来说，ω的范围是[1/m,1], 当边(i,j)仅存在于其中一层，ω=1/m，当边(i,j)存在于所有层，ω=1，ω的值越大，代表信号之间的同步性越高[17,21]。

1.2.4统计分析

采用SPSS 23.0 (SPSS Inc., Chicago, IL)进行统计分析，用Shapiro-Wilk (S-W)检验来检测数据是否为正态分布。采用双因素重复测量方差分析，检测握力类型(握力vs.捏力)和力量水平(30% vs. 50% vs 70% MVC)的差异性。当不符合球度假设时，采用了Huynh-Feldt进行校正。采用Bonferroni测试进行事后比较，P<0.05为有统计学差异。

2 结果

2.1 RN结果分析

表1显示了肌肉RNs的C参数结果。结果显示，握力和捏力之间的差异性主要存在于BR、FCU、FCR和FDI这4块肌肉中，具体表现为：握力期间BR、FCU和FCR的C值要明显高于捏力期间的C值(P<0.05)，而FDI表现出相反的趋势(P<0.05)。力量水平之间的差异主要体现在握力期间的BR和FCR上：BR的C值随着力量水平的增加逐渐增加(P<0.01)；FCU和FCR均有相似的增加趋势，但仅FCR在30%和70% MVC间表现出显著性(P<0.01)。

表1 肌肉网络的聚类系数(C)结果

表2显示了肌肉RNs的L参数结果。握力期间，BR (50% MVC)、FCU和FCR的L值要显著低于捏力期间的L值(P<0.05)，在FDI的L值上并没有发现握力和捏力之间的差异性。此外，BR在30% MVC下的L值显著高于50%和70% MVC下的L值(P<0.05)。捏力期间，BR在30% MVC下的L值显著高于70% MVC下的L值(P<0.05)。FCU表现出与BR相似的趋势，但未有显著性差异。

表2 肌肉网络的平均最短路径长度(L)结果

2.2 MRN结果分析

图2显示了全肌肉MRNs、外侧肌MRNs以及内侧肌MRNs的I和ω结果。可以看出，握力期间外侧肌MRNs的I和ω在50%和70% MVC力量水平下显著高于捏力期间的I和ω值(P<0.05，见图2(b))，使全肌肉MRNs也出现相似的趋势(见图2(a))。内侧肌MRNs在握力和捏力之间并未表现出显著差异(见图2(c))。

不同的力量水平会对外侧肌MRNs的I和ω结果产生影响，具体表现为：握力期间外侧肌MRNs在30% MVC下的I值要明显小于50%和70% MVC下的I值(P<0.05，见图2(b)左)，ω值呈现随着力量水平升高而不断增加的趋势(P<0.05，见图2(b)右)。此外，捏力期间外侧肌MRNs的ω值在70% MVC下显著高于50% MVC下的值(P<0.05，见图2(b)右)，内侧肌MRNs在3个力量水平之间均未发现差异性(见图2(c))。

图2 在3个力水平下3个肌肉组合MRNs的I(左)和ω(右)结果(*代表P<0.05，**代表P<0.01；误差线上端的*和**表示握力和捏力之间的差异)。(a)全肌肉MRNs; (b)外侧肌MRNs; (c)内侧肌MRNsFig.2 The results of I (left) and the ω (right) values from three muscle groups under three force levels (*P<0.05, **P<0.01; The asterisk on the error bar represents significant differences between grip and pinch). (a) All muscles MRNs; (b) Extrinsic muscles MRNs; (c) Intrinsic muscles MRNs

3 讨论

本研究利用RN和MRN的拓扑结构参数，从sEMG信号的空间状态，对不同力量水平握力和捏力作用下前臂及手部多肌肉间的协调性进行了探究。研究结果显示：BR、FCU和FCR的RN参数在握力和捏力之间表现出显著性差异，且与FDI呈现相反的趋势；在中、高力水平下，握力期间外侧肌MRN参数显著大于捏力的相应参数；随着力量水平的增加，L参数减小，C、I和ω参数增加。

RNs结果显示，握力状态下的BR、FCU和FCR的C值显著大于捏力状态下相应参数的C值，而L值则显著小于捏力。这一结果表明，在握力期间BR、FCU和FCR激活程度大，相关肌肉网络更为复杂。这与前人的发现一致，即相对于捏力，在握力状态下会有更多的肌肉运动单元被激活[22]。而在捏力期间，FDI显著激活的现象也与认知相符。MRN结果显示：中高力量水平下，握力期间外侧肌网络的I和ω值显著大于捏力期间的相应值。这一结果表明，在中、高力水平握力状态下，肌肉同步性和相似性比相应的捏力水平更强。相关研究将这种现象解释为外侧肌和内侧肌下行通路的脊柱连接模式的不同[23-24]，这似乎与两组肌肉在抓握过程的作用一致。与较小的内侧肌相比，外侧肌更大，分布更为集中，是抓握的主要力量来源。支配外侧肌运动核的初级运动皮层的个体锥体束神经元通常供应多个运动核，这一分布有助于外侧肌协同力的产生；而支配内侧肌运动核的皮层神经元倾向于促进单个肌肉运动，这有利于手部与形状、大小各异的物体进行交互[23-24]。此外，功能性磁共振成像的研究也指出：捏力状态更依赖于大脑的控制[25]。在握力过程中，对侧初级感觉皮层、初级运动皮层和顶叶盖区的神经活动尤为显著，捏力过程更多地涉及双侧前额叶、后顶叶皮层以及同侧腹侧前运动皮层、吻侧扣带皮层运动区的神经活动[25]，即相对于握力，捏力激活的大脑功能区域更多且涉及两个半球的广泛激活。而在30% MVC下肌肉协调模式的相似性，可能是在较低力水平动态抓握时神经系统整体控制的相似性[26]，或由于肌肉纤维类型的非随机分布，以致于在较低的力水平下肌肉的空间激活极不均匀[27]。内侧肌MRNs并未发现握力和捏力状态下肌肉协调模式的差异性，这可能与手部肌肉高度独立的神经控制通路有关。

三个力水平之间的差异主要体现在外侧肌上，且随着力量水平的增加，L参数减小，C、I和ω参数增加。上述结果表明，力量的输出与肌肉中募集的运动单元放电的纤维数量及其放电率密切相关。力量的输出与肌肉中募集的运动单元放电的纤维数量及其放电率密切相关：当力量水平增加时，放电的纤维数量增加，放电率升高，肌肉的激活程度升高；同时因力量水平的增加，需要更多的肌肉参与来维持力量输出，致使肌肉同步性和肌间相似性升高。基于sEMG信号的肌间相干性的研究[28-29]也曾表明，外侧肌的强耦合有助于协同力的产生，这与本研究结果一致。手部并没有表现出力量任务依赖性，这可能是由手部小肌肉的运动单元募集上限所致。此外，本研究还显示，增加的力量水平并没有改变内侧肌的肌肉间协调，这与Poston等的结论[30]相似。该研究发现，在大范围的握力下，手部多肌肉的协调性是不变的，因手部肌肉相关神经输入呈非均匀分布，可能受力无关的兴奋性“默认”分布驱动。内侧肌的这一性质有助于手指的独立控制，以完成各种复杂、精细的运动任务。

4 结论

本研究利用RNs和MRNs，探究了握力和捏力控制的前臂及手部多肌肉协调性作用。结果与先前的假设一致：握力和捏力表现出不同的肌肉协调模式，外侧肌协调运作有助于协同力的产生，内侧肌则在手指的精确控制方面起着重要作用，且外侧肌随着力量水平的增加而进一步协调。这一发现揭示了肌肉与力输出之间的动态协调性，并可能为评估神经肌肉功能和肌电假体的制作提供新的策略。

(致谢：感谢参与本实验的所有志愿者)