让肌肉的变化，
有迹可循。

03 / The System

把肌肉信号，带进康复评估。

MyoSense 将可调节的佩戴装置、肌肉活动记录与数据界面放在一起，探索为康复观察提供更多可追溯的信息。

05 / Field Observation

评估之间，变化如何被记录？

在项目实验中，两位医生的评分反复出现差异，提示人工评估会受到评估者判断的影响。这成为探索辅助记录方式的一个动机。

研究关注卒中后的前臂与手部活动。医师评定的 MAS 作为参考标签，与对应的信号记录配对，用于探索肌肉信号特征与评分的关系。

MAS 依据被动牵伸时的阻力评定。评分反复出现差异是一项项目观察，未据此推断治疗结果。

07 / The Experiment

在被动牵伸中，捕捉肌肉的响应。

实验使用九通道 MMG 采集，记录腕部、四指和拇指牵伸过程中的信号，并结合时间标记与医师评分进行整理。

01

腕部牵伸

对应腕部操作的信号记录。

02

四指牵伸

观察手指相关操作中的活动变化。

03

拇指牵伸

保留独立操作的时间与评分信息。

九通道代表采集配置；各通道需结合实际位置解释，不将其直接视为九块肌肉的完全独立活动。

09 / Signal Processing

定位肌肉活动的起点与终点。

连续的 MMG 记录中，活动片段与基线波动交织在一起。预处理先减少干扰，再通过滑动窗口和双阈值检测，确定每段活动的时间范围。

1. 01

   滤波与去噪

   降低漂移与带外干扰

2. 02

   包络与窗口

   Hilbert 包络 → 窗口 MAV

3. 03

   边界检测

   开启阈值 / 关闭阈值

4. 04

   事件筛选

   峰值、峰谷差、持续时间

检测细节 / 阈值与窗口如何配合

先获得活动包络

带通滤波与小波去噪后，通过 Hilbert 变换提取幅值包络。使用 db10 小波、6 层分解和软阈值处理，以保留波动结构并降低噪声。

再沿时间滑动窗口

在包络上使用 10 个采样点的窗口，相邻窗口重叠 90%，计算每个窗口的 MAV。采样率为 200 Hz，对应 50 毫秒窗长、5 毫秒步进。

开启阈值

$${\theta }_{\text{on}}=\mu +0.15\sigma$$

活动量越过开启阈值，进入起点判断。

关闭阈值

$${\theta }_{\text{off}}=\mu$$

活动量低于关闭阈值，进入终点判断。

μ 与 σ 分别表示用于阈值计算的均值和标准差。起止检测后，还要检查事件峰值、峰谷差，并要求起点与终点至少相隔 0.1 秒，以减少短促干扰被计为活动的情况。

阈值与窗口用于该研究流程，不能直接视为适用于所有设备与参与者的通用设置。

特征工程 / 从波形到四个可比较的量

RMS / 均方根值

$$\mathrm{RMS}=\sqrt{\frac{1}{N}\sum _{i=1}^N{x_i}^2}$$

描述片段的整体幅值水平。

MAV / 平均绝对值

$$\mathrm{MAV}=\frac{1}{N}\sum _{i=1}^N\left|x_i\right|$$

描述平均幅值，也是窗口活动检测使用的指标。

ZC / 过零次数

$$\mathrm{ZC}=\sum _{i=1}^{N-1}1[x_i{x}_{i+1}<0]$$

描述波形正负变化。此式展示基本计数定义，实际判定还需考虑噪声阈值。

MPF / 平均功率频率

$$\mathrm{MPF}=\frac{\sum _k{f}_k{P}_k}{\sum _k{P}_k}$$

以功率为权重，描述频谱分布的平均频率。

N 为样本点数，xᵢ 为信号样本，fₖ 与 Pₖ 为频率及其功率。ZC 从保留正负号的波形计算；这些特征用于统计分析，不直接等同于 MAS 等级。

11 / Dual-Branch Classification

同一段肌肉信号，
两条特征路径。

波形保留活动随时间的变化，时频图展开其中的频率信息。两路 CNN 特征对齐后进入 Transformer，以医师评定的 MAS 等级为监督标签，探索肌肉信号与痉挛分级之间的关系。

01 / 提取

波形与时频图各走一路。

1D CNN 提取时域特征，2D CNN 提取时频特征。

02 / 融合

对齐后，再建立关联。

将两路特征对齐、拼接，交由 Transformer 编码器建模。

03 / 分类

输出对应的 MAS 等级。

最后一个时间步的表示经全连接层与 Softmax 进入分类输出。

频率时间

低幅值高幅值

输入与网络 / 从信号片段到分类输出

统一输入长度

信号按 1 秒长度整理：不足部分补零，较长部分截断。STFT 使用 50 点窗口、1 点步长；频谱按 20 个区间取平均幅值，再进行对数幅值变换与显示映射。

两路卷积特征

1D CNN 使用两层卷积池化模块，配合 LeakyReLU、批归一化和最大池化。2D CNN 使用两层卷积池化、ReLU 与批归一化，并输出 256 维特征向量。

对齐与自注意力

时频向量重复扩展到与时域序列一致的 12 个时间步，再拼接输入两层 Transformer 编码器。自注意力与前馈网络共同建模，模块后接层归一化。

分类输出

取编码器最后一个时间步，经全连接层与 Dropout，再由 Softmax 输出各类别概率，对应 MAS 分类结果。

Training Process

让信号特征，逐步对应临床分级。

以医师评定的 MAS 等级作为监督标签，同时学习波形与时频特征。训练中处理类别不均衡，并持续监测验证损失。

1. 01

   整理带标签的活动片段

   将信号整理为 1 秒输入，生成对应时频图；通过数据增强与类别权重，应对不同等级样本数量的差异。

2. 02

   联合训练两条特征路径

   采用 Adam 优化器，初始学习率为 10⁻⁴，以交叉熵衡量预测类别与监督标签之间的差异。

3. 03

   监测验证表现，调整训练

   配合自动学习率调整与早停机制，观察训练和验证损失的变化，而非只追求训练集上的拟合。

Classification Results

四个等级，哪些更容易分辨？

在筛选后的数据上，对 MAS 0、1、1+、2 进行四分类评估。混淆矩阵呈现每个等级的正确识别与误分类分布。

四分类验证准确率

67.38%

2,695 / 4,000 个预测样本分类正确

各等级召回率

MAS 076.5%

MAS 162.0%

MAS 1+58.5%

MAS 272.5%

MAS 0 与 MAS 2 的识别相对更好。MAS 1 与 MAS 1+ 之间的双向误分类最突出，是后续需要重点改善的区间。

预测等级

医师标注等级

MAS	0	1	1+	2
0	765	103	79	53
1	125	620	152	103
1+	103	172	585	140
2	61	98	116	725

这里的样本是信号片段层面的预测记录，并非 4,000 位参与者。结果仅对应筛选后的四分类验证集；按参与者独立划分的验证尚待确认，不能据此推断对新患者的分类表现。

评估过程 / 分类范围与数据筛选

六分类探索35%

MAS 0、1、1+、2、3、4

初步评估的总体准确率为 35%，MAS 3 与 MAS 4 的识别表现较弱，高等级样本覆盖不足。

缩小分类范围58%

MAS 0、1、1+、2

排除 MAS 3 与 MAS 4 后，四分类评估准确率为 58%。此时任务范围已发生变化。

筛选数据后评估67.38%

四分类 · 4,000 个样本

结合临床判断与波形检查，进一步人工筛除异常记录后，2,695 个样本分类正确。

三个阶段的类别范围或数据条件不同，数值不能作为同一固定测试集上的直接性能对比。筛选标准、数据划分和新参与者验证仍需进一步完善。

13 / Wearability Iteration

从多条固定带，到分组定位。

不同固定方式，各有代价。比较适配、调节和穿戴过程后，最终选择按位置分组的结构。

网格式

结构直接，但难以适应不同尺寸的手臂。

缠绕式

可以包覆前臂，但单个传感器不易精细调节。

多线式

提供更多定位方式，穿戴与调整也更复杂。

15 / Sensor Unit

贴合皮肤，允许细微移动。

沿导轨找到位置，以弹性锁扣固定；贴肤端保留伸缩余量，接触部件可拆下清洁。四项功能，围绕同一个传感器单元展开。

01

沿轨调整

内部弹簧配合导轨，让传感器移动至合适的采集位置并固定。

02

弹性锁定

侧面弹性锁扣限制锁定后的上下位移，保持已调整的位置。

03

伸缩贴合

贴肤端可上下伸缩，为局部接触高度的变化留出余量。

04

拆卸与清洁

接触部件可独立拆卸，便于清洁与日常维护。

17 / Patient Experience

每次记录，都能回看。

查看肌肉张力的评估记录，回顾每次采集，并确认设备状态。让患者在下一次与医护沟通前，对自己的记录有所了解。

19 / Design Reflection

把看不见的变化，留下来。

MyoSense 将信号采集、佩戴机构与信息界面放进同一个设计问题中：怎样让肌肉活动更容易被记录，也更有依据地被理解。