《Array》：Deep lumbar condition representation based on multi-operating-system compatible sEMG transmission and expert knowledge integration
编辑推荐：
腰椎状态严重威胁躯体功能与活动能力，凸显了通过表面肌电信号（surface electromyography, sEMG）监测进行日常腰椎状态评估的必要性。然而，现有的sEMG采集系统依赖底层操作系统支持并需要主机通信，导致多平台部署成本过高。分析方法通常涉及
腰椎状态严重威胁躯体功能与活动能力，凸显了通过表面肌电信号（surface electromyography, sEMG）监测进行日常腰椎状态评估的必要性。然而，现有的sEMG采集系统依赖底层操作系统支持并需要主机通信，导致多平台部署成本过高。分析方法通常涉及专家手工设计特征（expert handcrafted features）或自动提取表征的深度学习模型。深度模型虽具备强大的建模能力，但需要大量数据，这阻碍了其在低数据量日常监测场景中的部署。为解决这些问题，研究人员开发了具有多操作系统兼容sEMG传输与专家先验引导时序特征学习的深层腰椎状态表征框架。在系统层面，研究人员构建了便携式传输模块以支持跨主流操作系统的稳定sEMG采集。在表征层面，研究人员提出了调制专家门控长短期记忆网络（Modulated Expert Gated LSTM），将手工先验投影到潜在时序空间，并通过门控残差融合机制（gated residual fusion mechanism）自适应地将其注入深度时序特征中。实验结果表明，该传输模块在各类主流操作系统上稳定运行，提升了部署适应性。研究人员所提取的表征较基线实现了72.25%的相对提升。在异常检测方面，该方法达到0.7200 ± 0.0430的检测率，从而确认了其优异的判别能力。该工作通过提升跨平台兼容性、实现基于领域先验的深度学习，推动了实用的基于sEMG的腰椎状态检测从实验室向实际应用的转化。
本研究旨在解决日常腰椎状态监测中的两大核心瓶颈：sEMG采集系统的跨操作系统（operating system, OS）兼容性不足，以及低数据条件下深度模型表征能力弱的问题。现有sEMG采集系统依赖C/C++语言处理底层细节，跨系统扩展性差，导致平台切换成本高；同时，传统手工特征依赖专家经验且特征空间有限，线性方法难以描述肌肉协同激活的非线性动力学，而非线性深度方法在小样本场景下面临表征能力不足的挑战。基于上述背景，研究人员开发了深度腰椎状态表征框架（Deep Lumbar Condition Representation framework），该论文发表于《Array》期刊。
在技术方法层面，研究人员主要采用了以下关键技术：基于开源PySerial库构建多操作系统兼容传输模块，通过通用异步收发传输器（universal asynchronous receiver transmitter, UART）异步通信框架实现主机指令—微控制器单元（microcontroller unit, MCU）响应的主从式交互协议，并设计分段传输模块将sEMG样本按通道和数据段划分为多个小包进行有序传输；在表征学习方面，构建了包含专家特征提取、序列深度特征表示与专家深度特征融合三个模块的整合表征方法，具体采用调制专家门控LSTM（Modulated Expert Gated LSTM）实现专家先验与深度时序特征的自适应融合，其中专家特征选取均值绝对值（mean absolute value, MAV）、均方根（root mean square, RMS）、方差（variance, VAR）等8维时域特征，深度特征通过32维隐单元的LSTM网络提取，并采用自回归预训练任务学习sEMG内在动态模式；融合阶段通过门控向量生成与调制残差融合机制实现样本依赖式的专家知识注入，并通过缩放因子α平衡融合稳定性。样本队列方面，内部数据集包含27名健康受试者的160条原始记录，外部验证数据集包含17名额外健康受试者的102条记录，用于受试者隔离的5折交叉验证与独立验证。
研究结果部分，论文设置了系统传输评估与表征效果评估两个维度。在多操作系统兼容传输评估中，研究结果表明该传输模块支持Windows、Linux、macOS和Android四种主流操作系统，仅需MCU→Python两步转换，而对比方法Arduino中介接口支持3种OS但需4步转换，手机APP中介接口仅支持Android且需3步转换，验证了该方法在多平台兼容性与流程效率方面的优势。在腰椎状态分类任务中，调制专家门控LSTM方法在5折交叉验证中平均受试者工作特征曲线（receiver operating characteristic, ROC）下面积（area under the curve, AUC）达到0.894，较基线最佳非线性方法TCN-LSTM提升72.25%（相对提升），外部验证AUC为0.8549；消融研究表明，直接拼接专家特征与LSTM的基线AUC为0.8893 ± 0.0237，无缩放因子的门控融合为0.8589 ± 0.0123，而完整模型达到0.8943 ± 0.0156，证实了残差门控融合与自适应缩放设计的有效性。在模拟痉挛异常检测中，基于NEUSPA（spike-based neuromorphic model of spasticity）方法论生成轻度痉挛样异常信号，研究人员的方法在五组局部离群因子（local outlier factor, LOF）参数配置下检测率分别为0.7500、0.7000、0.7750、0.7250和0.6500，均高于其他对比方法，平均检测率达0.7200 ± 0.0430，较基线DBN绝对提升0.445，消融研究中直接拼接基线为0.6800 ± 0.0332，无缩放门控融合为0.6150 ± 0.0464，完整模型表现最优。
在讨论与结论部分，研究人员指出该框架从部署适应性与模型学习两个角度解决了日常腰椎sEMG监测的挑战：其一，通过构建集成多OS接口的传输模块实现跨平台稳定数据传输；其二，通过整合先验特征与深度特征的优势，在低数据条件下提升表征学习的数据效率与专家知识驱动设计。这些特性拓展了腰椎深度表征在低数据场景中的适用边界，丰富了专家先验融合sEMG建模的分析范式。研究的局限性包括：基于短期受控环境数据收集，尚需验证长期稳定性与现实场景抗干扰性；当前框架仍处于实验阶段，康复场景中的实用价值有待评估；小样本场景中显式正则化项的添加可能导致优化困难，故当前门控结构隐式充当约束而未在损失函数中添加复杂项。未来工作将聚焦于：开发配套移动应用以实现实时数据可视化与风险预警；整合惯性测量单元（inertial measurement unit）等多模态信号构建更全面的腰椎功能评估模型；开展大规模验证研究以评估该系统在预防腰椎损伤中的实际应用价值。研究结论总结为：该提出的方法解决了日常腰椎sEMG监测在框架部署和模型学习方面的挑战，为多平台兼容传输与专家知识融合表征提供了可行的技术路径，具有将腰椎状态预警从实验室推向日常环境的潜力。
