基于模糊熵的高密度表面肌电信号揭示脑卒中后痉挛肌肉时空变异性的速度依赖性变化

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Changes in Spatiotemporal Variability of Muscular Response Under the Influence of Post-Stroke Spasticity

　　本研究针对脑卒中后痉挛肌肉在被动拉伸中运动单元募集模式不清的问题，通过高密度表面肌电技术结合模糊熵分析，首次系统揭示了痉挛二头肌时空变异性特征。研究发现卒中患者肌肉激活时间变异性显著低于健康人群，且随拉伸速度增加出现区域性激活增强与变异性降低的对应关系，其程度与痉挛严重程度显著相关，为临床量化评估痉挛提供了新的神经生理学标志物。

　　

当脑卒中患者试图活动肢体时，常常会遇到肌肉不自主紧绷的困扰，这种现象在医学上称为痉挛（spasticity）。它是上运动神经元综合征的典型表现，约20%-50%的卒中患者会受到其影响。痉挛不仅导致疼痛和关节挛缩，还会降低关节灵活性，严重影响患者的日常生活质量。尽管Lance早将痉挛定义为由牵张反射过度兴奋引起的肌肉不自主激活，但关于这种异常激活过程中运动单元（Motor Unit, MU）募集的时间模式和空间分布特性，至今仍缺乏直接证据。

传统观点认为，痉挛主要源于脊髓运动神经元的超兴奋性，但由于技术限制，我们难以精确捕捉肌肉在被动拉伸时的瞬时响应特征。高密度表面肌电（High-Density Surface Electromyography, HD-sEMG）技术的出现为这一领域带来了突破。这种非侵入性检测方法能同时记录多个运动单元的电信号，并量化肌肉激活的空间分布。然而，现有的分析方法多集中于时域特征，对非线性、非平稳的肌电信号解析能力有限。

正是在这样的背景下，谢天等研究人员在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了创新性研究。他们独辟蹊径地采用模糊熵（Fuzzy Entropy, FE）这一非线性分析方法，首次系统探讨了不同拉伸速度下痉挛肌肉的时空变异性特征。熵值越高代表系统随机性越强，变异性越大，而熵值降低则提示系统趋于规律和可预测。在生理系统中，变异性往往意味着系统的适应能力，因此通过分析肌肉激活的变异性，可能揭示神经系统受损后的代偿机制。

研究方法上，团队精心设计了跨组别对照实验。研究对象包括21名卒中幸存者、10名年龄匹配的老年健康对照者和10名青年健康对照者。通过等速测力系统以10°/s、60°/s、120°/s和180°/s四种速度对肘关节进行被动拉伸，同时使用8×8电极阵列采集肱二头肌的HD-sEMG信号。信号经过带通滤波（20-500 Hz）和陷波滤波（50 Hz）预处理后，分别计算各通道的模糊熵和均方根（Root Mean Square, RMS）值。模糊熵参数设置为n=2, m=2, r=20%时间序列标准差，这一组合在处理短时、含噪信号时表现出良好鲁棒性。

研究结果揭示了三个重要发现。在时间变异性方面，卒中患者表现出显著的速度依赖性降低。如图2所示，随着拉伸速度从10°/s增加至180°/s，卒中组的模糊熵值从1.01±0.26持续下降至0.58±0.10（F(3,80)=26.3, p=0.000），而两个健康对照组则保持相对稳定。特别值得注意的是，三组人群的变异性始终呈现青年对照组＞老年对照组＞卒中组的规律，提示年龄因素和病理因素均会导致神经肌肉系统复杂性的降低。

空间变异性分析则展现了更精细的病理特征。如图3所示，健康对照组的肌肉激活变异性主要集中于肌肉中部区域，而卒中患者则表现为远端和外侧区域的异常激活模式。随着速度增加，卒中患者特定区域的变异性明显降低，而激活水平同步升高，这种区域特异性变化在健康对照组中并未出现。

通过二维相关系数（2D Correlation Coefficient, 2Dcc）量化空间模式相似性发现（图4、5），卒中组在不同速度间的空间变异性差异显著大于对照组（p=0.002 vs. 青年对照；p=0.024 vs. 老年对照），表明其肌肉激活模式对速度变化更为敏感。

最具临床价值的是痉挛严重程度与电生理参数的强相关性。如图8所示，改良Ashworth量表（Modified Ashworth Scale, MAS）评分与时间变异性呈显著负相关（r=-0.72, p=0.000），与高激活区域面积呈正相关（r=0.83, p=0.000）。这意味着痉挛越严重，肌肉激活的同步化程度越高，且异常激活范围越广。

这些发现从神经生理学角度深化了对痉挛机制的理解。时间变异性的降低反映了运动单元募集的同步化，这可能源于脊髓水平抑制性控制的丧失。空间分布的异质性则提示不同运动单元亚群对病理状态的差异性响应。当神经系统受损后，可用的运动单元数量减少，导致肌肉在应对快速拉伸时缺乏足够的调控能力，从而表现出特定的区域激活模式。

该研究的创新之处在于首次将模糊熵分析应用于痉挛肌肉的HD-sEMG信号解析，突破了传统振幅测量的局限。通过量化时空变异性，为临床评估提供了更敏感、客观的生物学标志物。这种方法不仅能区分不同严重程度的痉挛，还可能用于监测康复治疗中的神经功能变化。

当然，研究也存在一些局限。例如样本来源相对单一，未区分不同卒中阶段和痉挛程度的分层分析。未来需要扩大样本量，并开展纵向研究以观察变异性的动态变化规律。此外，将这种方法推广到下肢肌肉群和其他神经系统疾病，也是值得探索的方向。

总之，这项研究为理解痉挛的神经机制提供了新的视角，建立的电生理评估方法有望改善现有临床量表的主观局限性。通过揭示运动单元募集的时空特征，不仅深化了对病理机制的认识，也为个体化康复治疗提供了潜在的评价工具。随着技术的进一步完善，这种基于熵分析的检测策略或将成为神经康复领域的重要辅助手段。