《Frontiers in Neurorobotics》：Interpretable side-aware kinematic-sEMG gait-state representations relevant to adaptive neurorobotic assistance after stroke: a public-dataset study
编辑推荐：
背景：自适应下肢神经机器人辅助需要能够保留步行运动结构的步态状态表征，而不能仅将卒中后步行简化为单一不对称评分或不透明的潜变量嵌入。由于卒中后步态具有多模态和侧别依赖性，透明的侧别感知表征相比单模态汇总指标，更有助于未来的自适应辅助设计。
方法：本研究为二次分
背景：自适应下肢神经机器人辅助需要能够保留步行运动结构的步态状态表征，而不能仅将卒中后步行简化为单一不对称评分或不透明的潜变量嵌入。由于卒中后步态具有多模态和侧别依赖性，透明的侧别感知表征相比单模态汇总指标，更有助于未来的自适应辅助设计。
方法：本研究为二次分析，基于包含138名健康成人和50名成人卒中受试者的公共多模态步态数据集。分析空间限定于公共导出文件中共享的11个波形域：4个矢状面运动学波形和7个经存储库标准化的表面肌电（sEMG）波形，每个波形由1,001个时间归一化采样点表示。卒中受试者波形被组织为患侧、非患侧、双侧均值及侧别差值视角，其中侧别差值定义为患侧减去非患侧。采用域-视角功能主成分分析（FPCA）保留90%累计方差，每块最多保留3个成分；家族层面降维保留90%方差，最多保留8个成分。在仅运动学、仅sEMG、融合、仅患侧及排除竖脊肌的空间中，筛选2至5个状态的候选Ward层次聚类和K-means聚类方案。
结果：在严格完整病例卒中队列（n=43）中，保留的融合侧别感知方案将受试者分为3个状态：状态1（n=12）、状态2（n=18）和状态3（n=13）。最优的两状态K-means融合对照方案在紧凑性和重采样稳定性上优于三状态方案（轮廓系数0.189；Bootstrap校正兰德指数（ARI）0.876 vs 轮廓系数0.155；Bootstrap ARI 0.633）。然而，研究人员将三状态方案作为表征层面的选择予以保留，因为它避免了微小簇，保留了明确的多模态侧别感知结构，并支持更清晰的波形层面解释。敏感性分析显示，排除竖脊肌后分组完全一致（ARI=1.000），采用稳健标准化后部分一致（ARI=0.785），而将每块成分上限降至2个时分组发生显著改变（ARI=0.335）。对状态分离贡献最强的域依次为踝角度（1.000）、股外侧肌sEMG（0.898）、膝角度（0.866）、腓肠肌sEMG（0.851）和胫骨前肌sEMG（0.840）。
结论：公共波形导出文件支持构建一种内部可解释、侧别感知的多模态卒中后步态表征，这与神经机器人状态表征设计密切相关。该成果仍属于探索性与表征性工作，不涉及临床、干预、实时或控制器验证；在未来研究中，应将其视为假设生成框架。
这篇发表于《Frontiers in Neurorobotics》的研究聚焦于卒中后自适应神经机器人辅助的核心需求，针对当前步态评估与神经机器人控制之间的表征断层问题，开展了一项基于公共数据集的二次分析工作。卒中后步行并非单一损伤导致的简单行为异常，而是涉及推进力、协调性、平衡控制、肌肉募集与感觉运动适应的异质性运动模式。传统临床评估常将复杂步态简化为步速、耐力或观察性评分，无法全面反映关节与步态周期各阶段的组织方式；而不对称指标也日益被认为不能互换代表同一潜在缺陷。这种复杂性使得自适应下肢康复机器人与可穿戴外骨骼难以仅依赖固定轨迹或预设时间表，而必须基于多模态信号估计患者状态、运动意图与动态支持需求。现有文献已表明，结合sEMG、关节运动学与足底/交互信号的融合策略可显著提升步态相位分类性能，并改善下肢运动学预测。然而，这些进展仍受限于表征层的可解释性与侧别依赖性不足——黑箱模型虽可区分卒中与健康步行，却难以支持透明的人机协作监督与控制器审计。因此，研究人员提出并验证了基于公共多模态步态数据的可解释侧别感知表征框架，旨在为未来自适应辅助系统设计提供可直接追溯至生物力学波形的状态空间，而非直接开发实时控制器或临床分型工具。
为实现这一目标，研究人员使用了公开的多模态步态数据集（Van Criekinge等，2023），包含138名健康成人与50名成人卒中受试者。所有分析严格限制在公共电子表格导出文件与存储库文档范围内，未重新处理原始C3D文件。分析空间限定于11个共享波形域：踝、膝、髋与骨盆的矢状面角度，以及腓肠肌、股直肌、股外侧肌、股二头肌、半腱肌、胫骨前肌与竖脊肌的归一化sEMG。卒中受试者的每类波形均构建四个视角：患侧、非患侧、双侧均值及侧别差值（患侧减非患侧）。采用功能主成分分析（FPCA）进行域-视角压缩，保留90%累计方差且每块最多3个成分，随后在家族层面进一步降维至90%方差（最多8个成分）。研究人员在多种表征族（仅运动学、仅sEMG、融合、仅患侧、排除竖脊肌）中，通过Ward层次聚类与K-means算法筛选2至5个状态的候选方案，并以紧凑性、分离度、重采样稳定性与波形可解释性为标准进行选择，最终在严格完整病例队列（n=43）中保留三状态融合侧别感知方案。
研究结果部分首先明确了最终分析空间与表征逻辑。共享波形域共11个，每个波形含1,001个时间归一化采样点。所有50名卒中受试者的运动学数据完整，但配对下肢sEMG在43人中完整，竖脊肌在46人中完整，7人因缺失配对下肢sEMG被排除出融合状态发现分析。研究人员为每个域构建了四个侧别视角，并通过域内逐点标准化与FPCA压缩，形成包含44个域-视角块的融合特征空间。在候选状态发现与神经机器人相关性分析中，研究人员比较了多种表征族与聚类方案，最终选择融合侧别感知三状态方案，因其避免了微簇，保留了侧别结构与可解释性。低维组织结果显示，三状态方案虽在轮廓系数与Bootstrap校正兰德指数（ARI）上略逊于两状态对照，但能更细致地刻画组内异质性。敏感性分析证实，排除竖脊肌不影响分组（ARI=1.000），而降低成分上限或改用仅患侧表征会显著改变分组结构，说明多模态侧别融合是维持稳定表征的关键。波形层面可解释性与域贡献分析显示，状态1表现为踝受限的远端组织模式，状态2以腓肠肌活动为中心，状态3则突出胫骨前肌激活与摆动期屈膝增强。踝角度、股外侧肌sEMG、膝角度、腓肠肌sEMG与胫骨前肌sEMG是分离三个状态的最主要贡献域。
讨论部分强调，该研究的主要贡献在于展示了公共卒中步态数据可支持构建兼具内部一致性与可解释性的侧别感知多模态状态表征，而非提出新的临床亚型或验证外骨骼控制器。三状态方案的选择体现了表征效用与数值性能的权衡：两状态方案虽更稳定，但过于粗糙；三状态方案更好地保留了异质性与生物力学可读性。融合表征优于单模态与仅患侧表征的结果，印证了结合运动学与sEMG在捕捉代偿策略方面的必要性。侧别视角的引入则呼应了卒中步态中患侧、非患侧、整体模式与方向性差异共同编码运动异常的共识。研究人员指出，这些状态目前仅作为表征设计候选，可为未来自适应辅助策略提供参考，例如针对不同状态调整对远端力学、推离期肌电时机或摆动期支持的监测与辅助力度。域贡献模式还提示，未来部署时可优先考虑踝/膝角度与股外侧肌、腓肠肌、胫骨前肌sEMG构成的精简传感组合。同时，研究明确承认多项局限：样本量较小、依赖预处理波形、缺乏外部验证与实时性测试，未来需在独立队列与在线环境中验证此类表征的可用性与安全性。
结论部分重申，该工作在严格完整病例卒中队列中，通过融合运动学与sEMG的侧别感知表征获得了可解释的三状态内部组织结构，其选择是表征层面的折衷而非单纯数值最优。研究完全属于探索性与表征性范畴，不验证任何设备、解码器、实时状态估计器、临床生物标志物或控制策略，也不应将所得状态视为可泛化的表型。其转化价值在于证明公共波形层可支持透明的潜状态发现、域级解释与敏感性筛查，为后续前瞻性验证与在线测试奠定基础，以确认类似侧别感知多模态状态能否从可部署传感器中可靠估计，并在不牺牲可解释性与安全性的前提下提升人机适应能力。
