赢富仪器深耕心理学、认知科学、脑科学、运动科学、生物力学、人因工效、人机交互、用户体验、医疗康复、汽车交通、机器人、工业检测等学科领域。2026年7-9月，我们将聚集运动科学研究，为您带来专业干货分享。

标题: ML-based electromyography signal analysis for assessing rehabilitation exercise execution quality

作者：Finn Siegel, Andreas Hein, Matthias Maszuhn, Anna Schumacher

出版年份： 2026

期刊名称：Scientific Reports

扫描上方二维码获取原文

下肢创伤后的骨科康复，对恢复身体功能至关重要。康复干预的效果高度依赖患者对处方动作的执行，而依从性差可能带来延迟愈合、身体机能退化、血栓栓塞风险增加等严重后果。随着康复进入居家阶段，专家监督减少，"越练越不标准"的风险显著上升。

现有的动作评估技术各有局限：

• 惯性测量单元（IMU）：可分类动作，但存在传感器漂移、放置敏感、家庭场景可行性差等问题

• 拉伸传感器：特定动作监测精度高，但适用范围有限，常需专业人员配置

• 基于标记的运动捕捉：精度高，但成本高、设备复杂，不适合家庭使用

因此，本研究把目光转向表面肌电（sEMG）：不再直接"看动作"，而是"听肌肉"。肌电信号反映肌肉深层的神经肌肉激活模式，能够捕捉到非常细微的动作偏差。支持向量机（SVM）在肌电分类任务中表现稳定，因此被选为主分类器；同时以 FreshPRINCE 流水线作为基准，并用单类 SVM（OC-SVM）和孤立森林（Isolation Forest, IF）探索半监督新颖性检测。

研究围绕两个核心科学问题展开：

• 假设 1：同一动作的不同变体，其肌电记录中存在可被机器学习识别的模式；训练后，模型能够把未见过的肌电记录判为"标准"或"偏离标准"

• 假设 2：仅用标准动作的肌电记录训练模型，也能检测出未见动作中的偏差，从而避免收集大量"错误动作"标注数据

研究经 OFFIS e. V. 伦理委员会批准（伦理编号：2025G003），遵循《赫尔辛基宣言》。共纳入 19 名健康成年人（18-65 岁），排除对胶带/银过敏或植入电子设备的个体。为保护匿名性，未收集年龄、性别和体重信息。参与者均签署知情同意，并同意进行视频记录；出现在图片中的参与者同意开放获取发布其影像。

• 高密度表面肌电（HD-EMG）：TMSi 传感器，32通道，采样率 4 kHz，参考电极放置在膝关节骨突上；

• 肌肉选择：股外侧肌（VL）与股内侧肌（VM），电极放置遵循 SENIAM 推荐方案；贴片前进行剃毛、酒精清洁和磨砂膏处理

• 动作标定：使用开源视频分析工具 KINOVEA 逐帧复核，由两名研究者独立标注，分歧时共同回看并达成一致；无法可靠归类的 11 次重复被排除

每个动作包含 1 个标准版本和 3 个临床安全变体，每个版本执行 10 次，动作顺序随机化以降低疲劳和顺序效应：

图2左图：研究期间拍摄的照片，显示了传感器在股外侧肌与股内侧肌上的放置位置；

右图：通过 OpenSim绘制的股外侧肌与股内侧肌位置示意图。

图3：本研究中的代表性图像，展示了一名受试者进行最佳锻炼动作的情景。(1)脚跟与脚趾抬升（摆动式）；(2)深蹲；(3)髋关节外展；(4)腿部抬升。（注：帧中可见的蓝色圆点为录制软件界面产生的伪影，与运动学分析或研究方法无关）。

• 滤波：Butterworth 带通滤波，10-500 Hz

• 分段：原始信号取绝对值后生成包络并平滑，先尝试峰值检测；当肌电峰值与动作中心不对齐时，改用 Arduino 微控制器 + 外部按钮生成的同步信号完成精确分段

• 每段长度：峰值/同步点前后各 4000 个数据点

• 单次动作样本量：每个受试者、每个动作共 32（传感器）× 4（变体）× 10（重复）× 2（肌肉）= 2,560 个段

• 特征：每段提取 P = 50 个特征（时域、频域、时频、谱/窗、Hjorth 参数、非线性与统计特征）

• 数据清洗：参与者 4 因多通道信号丢失被整体排除

图4. 对同一项运动进行十次重复试验时所采用的不同峰值检测方法的对比。两幅图中，蓝色曲线表示滤波后的肌电图信号，橙色曲线表示提取出的包络函数。（左图）采用算法式峰值检测方法识别出的峰值（红色）；（右图）采用基于按钮状态的同步信号识别出的峰值（灰色）。

• 监督分类（假设 1）：SVM 与 FreshPRINCE 两个流水线；采用留一重复交叉验证（LORO，10 折），SVM 超参数通过 5 折网格搜索优化（核函数、C、gamma、coef0）

• 半监督新颖性检测（假设 2）：OC-SVM 与 IF 仅使用标准动作训练；OC-SVM 优化 kernel、nu、gamma，IF 优化 n_estimators、contamination、max_samples、max_features，使用 Optuna 进行 300 次贝叶斯调参

• 评估指标：四分类用准确率与 F1；二分类用平衡准确率（TPR+TNR）/2 与 ROC-AUC

• 统计学：Wilcoxon 符号秩检验（SciPy），显著性水平 α = 0.05

基于 VL 肌电信号，SVM 对"标准 + 3 种变体"的四分类平均准确率为 83.3%（± 8.8%），显著高于 25% 的随机水平：

其他关键结果：

• FreshPRINCE 基准准确率 83.2%（± 8.6%），与 SVM 无显著差异（p = 0.580）

• VM 信号结果略低：SVM 81.3%（± 8.8%），FreshPRINCE 82.2%（± 8.4%）

• 压缩为二分类（标准 vs 非标准）后，SVM 平均准确率升至 90.1%（± 7.9%）

• 单传感器消融分析：随机抽取单个传感器时，VL 为 80.1%（± 4.9%），VM 为 79.4%（± 4.6%），确认 HD-EMG 阵列具有更好的泛化性，但单传感器也已具备基本可用性

• F1 结果：明显偏离的动作变体分类更稳（约 0.70-0.93），与标准动作高度相似的变体更难识别（标准动作 F1 约 0.66-0.86）

表1：基于 SVM 评估方法对各类运动动作变体进行分类时（四类问题：一种正常执行方式及三种变体）每位受试者的准确率与标准差。本研究对深蹲及其变体、髋关节外展动作及其变体、抬腿动作及其变体以及脚趾-脚跟抬升动作及其变体的运动记录进行了分析。各运动项目的平均准确率与标准差列于下表。

表2：各训练项目对应的F1分数及标准差（基于来自 SVM 评估中所有参与者的数据计算得出，用于分类不同训练变体——四类问题：一种正常执行方式及三种变体）。

仅用标准动作训练、基于 VL 信号的检测结果：

分动作看，OC-SVM 的平衡准确率：深蹲 71.1%（± 7.7%）、髋外展 79.1%（± 4.8%）、仰卧抬腿 78.7%（± 4.2%）、足跟-足尖交替 77.5%（± 7.2%）。IF 的对应结果为 73.2%、80.5%、78.6%、83.3%。

关键统计发现：

• IF 在 VL 数据上显著优于 OC-SVM（p = 0.034），但绝对差距仅约 2.3%

• VL 信号整体优于 VM：OC-SVM（p < 0.001）、IF（p = 0.010），但差异幅度较小

• 阈值启发式评估显示，约 80% 情况下 ROC-AUC 与平衡准确率差距小于 20%，提示无需"错误动作"标注也能获得较稳健的检测效果

在肌电驱动的动作质量评估中，本研究验证了两条路径的可行性：

• 监督分类：SVM 能以 83.3% 平均准确率区分标准动作与三种变体，二分类场景下准确率超过 90%，说明肌电模式确实携带可学习的动作质量信息

• 半监督新颖性检测：仅用标准动作训练的 OC-SVM 和 IF，能在未见过错误样本的情况下识别异常执行（平衡准确率 76.6%-78.9%），大幅降低了真实临床场景中数据标注的难度

• HD-EMG 的泛化优势：全阵列 32 通道比单传感器准确率更高，但差距不大；单传感器方案可能已经足以支撑基本的家庭动作质量监测

这套"先在医院监督下采集训练数据，再在家庭中自动分析"的流程，直接针对康复依从性和动作规范性两大痛点。实时反馈有望帮助患者保持正确动作、提升依从性，并为医生提供客观、可量化的居家康复监测数据。

• 本研究为健康人群的可行性研究，患者群体可能存在疼痛、肌萎缩或代偿性运动控制差异，需要在真实患者人群中验证

• 每个动作仅包含 3 个预先定义的变体，无法完全代表临床中复杂多样的真实错误动作

• 数据在实验室连续采集，未评估反复穿戴传感器带来的跨 session 变异性

• 未来需要测试无结构化的真实世界动作偏差，并建立跨 session 稳健性评估方案

TMSi 高密度肌电系统拥有 4000Hz 的高采样率、32 导联/传感器垫、单极参考配置，能够在有限重复次数下提供丰富的空间激活模式。

从"看得见动作"到"读得懂肌肉"——肌电信号与机器学习的结合，为居家康复中自动、客观、个性化的动作质量评估开辟了新的方向。这项研究也提醒我们：评估康复质量，不仅看患者是否做了，更要看肌肉是否"做得对"。

赢富仪器是TMSi的中国区官方代理，欢迎有需要的用户拨打4006-111-556详询！