肌电图检测
可穿戴电子设备可以捕获皮肤表面不同类型的信号，用于健康监测和人机交互。例如，肌电图（electromyography,EMG）可以测量肌肉活动过程中运动单元产生的局部场电位。然而，EMG信号的稳定性、空间分辨率和信噪比较低。电机单元点火的不规则幅度和频率、点火电机单元的随机数量以及不同电机单元之间的低同步水平可能会导致测量结果不一致。从特定肌肉纤维接收EMG信号是随机发生的，因此无法根据到达时间推断信号源。此外，来自多个肌肉纤维的EMG信号被混合；因此，很难分离出特定肌肉纤维的贡献。此外，在正常肌肉活动期间，EMG信号本质上很弱，这降低了信噪比和检测精度，需要大电极进行补偿。然而，大电极平均了其面积下的局部场电位，降低了空间分辨率。
相比较而言，回/超声肌描记术（EcMG）可以使用超声波来感知肌肉骨骼系统的活动。传统的EcMG使用刚性阵列的换能器元件进行空间波束形成，以实现B模式成像，但这需要复杂的布线、庞大的控制系统和大量的功率。虽然人们开发了用于空间波束形成的具有换能器元件阵列的软超声贴片，用于B模式成像和用于监测肌肉活动的弹性成像。然而，当集成在弯曲的动态皮肤表面上时，软换能器阵列的形态不确定，换能器元件的位置和方向未知。这可能会导致波束形成不准确。此外，阵列仍然需要将电线连接到后端系统进行电源和数据传输，这可能会限制参与者的运动性。
可穿戴EcMG
在此，加州大学圣地亚哥分校Sheng Xu等人报告了一种完全集成的可穿戴回声肌描记系统，该系统由一个定制的单换能器、一个用于数据处理的无线电路和一个用于供电的车载电池组成。该系统可以附着在皮肤上，并对肌肉进行准确的长期无线监测。为了说明它的功能，作者使用这个系统来检测横膈膜的活动，从而可以识别不同的呼吸模式。此外，作者还开发了一种深度学习算法，将前臂肌肉的单传感器射频数据与手势相关联，以准确连续地跟踪13个手关节，平均误差仅为7.9°。相关工作以“A wearable echomyography system based on a single transducer”为题发表在Nature Electronics。
【文章要点】
EcMG可以与单个换能器一起工作。单换能器射频（RF）信号（即在组织界面反射的波）不能支持空间波束形成，但可以揭示组织厚度和活动。与EMG（电极被动收集信号）相比，单换能器EcMG主动传输强度可控的超声波，并收集携带来自深层组织信息的RF信号，使其更稳定。此外，RF信号的到达时间由换能器和组织界面之间的距离决定。因此，基于超声窗口内组织的空间分布，RF信号是确定的，并且可以捕捉到该分布的任何变化。主动传输的强超声波也具有很高的信噪比。然而，这种设备太大，无法佩戴进行连续、长期的监测。在此，作者在柔性印刷电路板（fPCB）上定制了一个无线电路，该电路具有低系统复杂性和低功耗，可以控制单换能器（图1）。fPCB有两个带有可折叠连接器的部分：模拟前端（AFE），用于用高压脉冲驱动传感器并放大接收到的RF信号，数字前端（DFE），用于记录传感器的数据并将其无线传输到计算机。
图1 全集成可穿戴单换能器EcMG系统
在附着在胸部用于隔膜监测的EcMG系统中，作者在设备和皮肤之间涂了一层粘性硅弹性体，以避免使用超声波凝胶。与传统的笨重超声探头不同，该系统在操作过程中不需要手动固定到位，因此不会限制正常活动。而在不同手腕角度下前臂上的超声系统中，蛇形连接器可以在活动期间将单个传感器与fPCB和电池的运动解耦，从而确保测量稳定性。对于系统工作流程来说，fPCB激活单换能器，该换能器发射超声脉冲波，然后接收来自目标组织的回波。fPCB记录信号并将数据无线传输到后端系统进行处理。由于单换能器RF信号不涉及波束形成，因此该系统不需要任何昂贵的专业图像处理站，就像通常用于超声换能器阵列一样。系统每次测量只采集一个超声RF信号，因此可以直接使用超声RF信号来监测隔膜厚度，或者可以开发一个深度学习模型，将RF信号与代表不同手势的复杂肌肉配置相关联（图2）。
图2 声-电表征
研究通过使用EcMG系统来感知横膈膜和前臂肌肉，分别检测呼吸和手势模式来说明这一点。与测量肌肉产生的力的EMG相比，EcMG直接测量肌肉分布的状态。因此，EcMG系统可能在两个方面有益于临床研究。首先，它提供了一种连续监测呼吸系统疾病患者的方法。EcMG系统可以通过检测早期生理变化并向医疗服务提供者或患者提供实时数据来预测病情恶化并指导个性化预防治疗。其次，该系统可能有助于临床医生找到启动和拔管机械通气的最佳时机。大多数肺部疾病（图3）。
图3 使用射频信号直接连续膜监测
结论与展望
最后，作者指出，未来关于EcMG技术的工作可以着眼于解决以下问题。首先，对隔膜厚度变化的分析是手动完成的，这很耗时，容易出现操作错误，不适合长期监测。可以开发图像分割方法来跟踪M模式图像，从而自主计算隔膜厚度和相关参数。其次，自由度的数量受到用于获取地面实况的商业开发套件中应变和惯性测量单元传感器数量的限制。添加更多的换能器将进一步提高手势跟踪的准确性。第三，将EcMG系统应用于新的人和新的前臂位置进行手势识别是具有挑战性的。潜在的解决方案包括开发自适应学习算法和采用迁移学习来减少再训练负荷。第四，该研究使用了4MHz的换能器中心频率，其受到微控制器单元的采样率（12MHz）的限制。高速ADC芯片将采样率提高到几十兆赫，从而提高监测肌肉活动的准确性。第五，目前的系统集成了许多商用现成芯片，这占了设备的尺寸。用专用集成电路芯片取代这些芯片可以进一步降低外形尺寸和功耗。最后，对于手势跟踪，当前的系统必须连接到计算机才能访问神经网络。机器学习算法可以在完全集成的可穿戴系统（即边缘计算）内的芯片上运行，以消除对庞大后端系统的需求。
文献链接：
https://www.nature.com/articles/s41928-024-01271-4
来源：BioMed科技
主编微信
（商务合作，重要事宜）
注：添加微信请备注昵称+单位+研究
生命科学综合交流QQ群:681341860
微信学科群：病毒学群，神经科学群、临床医学、肿瘤学科群、硕博交流群和医药投资交流群（微信群审核要求较高，请各位添加赵编后主动备注单位研究方向）
