引用本文
孙勇, 夏元飞, 汤纬地, 张旭, 宋红. 利用表面肌电检测评估外伤性上肢外周神经损伤程度[J].刑事技术, 2021,46(2):201-203
SUN Yong, XIA Yuanfei, TANG Weidi, ZHANG Xu, SONG Hong. sEMG Evaluating Degree of Traumatic Injury in Peripheral Nerve of Upper Limbs[J]. Forensic Science and Technology,2021,46(2): 201-203  
Doi: 10.16467/j.1008-3650.2021.0049
Permissions
Copyright©2021, 《刑事技术》编辑部
《刑事技术》编辑部
利用表面肌电检测评估外伤性上肢外周神经损伤程度
孙勇1, 夏元飞1, 汤纬地2, 张旭2, 宋红3
1.合肥市公安局刑事科学技术研究所,合肥 230001
2.中国科学技术大学,合肥 230027
3.安徽大学,合肥 230001

第一作者简介：孙勇,男,安徽铜陵人,硕士,副主任法医师,研究方向为法医病理学、法医临床学。E-mail: 16039120@qq.com

摘要

目的 尝试利用表面肌电（surface electromyographys, sEMG）来检测评估外伤性上肢外周神经的损伤程度。方法 选取8位诊断为单侧上肢外周神经（尺神经、正中神经、桡神经）损伤的成年男性伤者,以固定姿势做指定动作,同时在其双侧前臂及手腕采集sEMG,综合分析计算所采集到的sEMG数据,评估上肢外周神经的损伤程度。结果 sEMG检测评估值与外伤性上肢外周神经损伤程度存在高度相关性。结论 可以利用sEMG检测评估外伤性上肢外周神经的损伤程度。

关键词: 表面肌电; 检测评估; 外周神经; 损伤程度
中图分类号:DF795.4 文献标志码:A 文章编号:1008-3650(2021)02-0201-03
sEMG Evaluating Degree of Traumatic Injury in Peripheral Nerve of Upper Limbs
SUN Yong1, XIA Yuanfei1, TANG Weidi2, ZHANG Xu2, SONG Hong3
1. Institute of Criminal Science and Technology of Hefei Public Security Bureau, Hefei 230001, China
2. University of Science and Technology of China, Hefei 230027, China
3. Anhui University, Hefei 230001, China
Abstract

Objective Surface electromyography (sEMG) is an examination approach that records the electrical activity signals of neuromuscular movement units through surface electrodes. With observation and analysis into the received sEMG signals, both the relevant neuromuscular motor function and rehabilitation treatment can be evaluated. This study tries to assess the degree of traumatic injury in peripheral nerve of upper limbs using sEMG.Methods 8 adult male persons wounded, who are diagnosed with unilateral injury in peripheral nerve (ulnar nerve, median nerve, radial nerve) of their upper limbs, were asked to perform specified actions with fixed postures, meanwhile having the sEMG signals collected from both the forearms and wrists. The sEMG data were analyzed and calculated into assessing the injury degree in peripheral nerve of the subjects’ upper limbs.Results There is a high correlation between the sEMG results and clinical assessment.Conclusion sEMG measurement can be adopted to evaluate the degree of traumatic injury in peripheral nerve of upper limbs.

Key words: sEMG; evaluation; peripheral nerve; traumatic degree

人体损伤程度鉴定案例中, 上肢损伤所占比例较大, 其中有相当部分涉及到上肢外周神经损伤所导致的前臂和手腕感觉与运动功能降低或丧失。据文献报道, 涉及四肢外周神经损伤导致的肢体感觉与运动功能降低或丧失的鉴定可占到所有人体损伤程度鉴定的10%左右[1], 而上肢外周神经损伤导致的前臂和手腕感觉与运动功能的降低或丧失又占其中很大比例。法医鉴定人员面对的被鉴定人往往为达到追究他人更重的刑事责任或获取更多的赔偿利益等目的, 会有伪装、夸大甚至不配合等情况, 一般的体格检查较难真实、有效地反映其神经损伤后果。目前临床电生理检测技术已广泛应用于法医临床, 但其大多数情况下仅起到辅助参考作用, 如神经损伤的定性、定位等。在对被鉴定人员行肌电图检测时往往被许多临床诊断信息所影响, 如临床表现、影像学资料、实验室检查等, 故需选择性地进行检测, 但法医鉴定人员对检测结果进行评价时则缺乏统一、规范的标准, 大多是根据经验去判断损伤程度。在人体损伤程度鉴定过程中, 法医鉴定人员需要在现有的检测条件下, 寻求并运用更为合理、客观的检测方法、指标, 以去伪存真、准确评价上肢外周神经的损伤情况。

近年来, 随着肌电信号测量技术的提高, 肌电分析与处理技术得到了快速发展, 除常被用于肌力、肌张力的评估外, 肌电分解技术、肌电模式识别技术和肌肉协同机制等研究也都取得了进展[2]。表面肌电(surface electromyographys, sEMG)是一种通过表面电极记录肌肉运动单元电活动信号并对其进行定量观察分析的检查方法, 主要应用于神经肌肉运动的功能评价和康复治疗[3]。本文报道尝试使用sEMG对外伤性上肢外周神经损伤程度进行检测与评估。该方法突出优点是采集电极可直接置于皮肤表面, 能提供安全、简便、无创、无痛、可靠的客观指标。另外, sEMG还可以通过无线信号传导实现长时间不间断的检测, 具有远程监控的潜能。

1 对象及方法
1.1 临床诊断结果

选取8名成年男性伤者, 根据其临床症状与体征, 结合相关临床检测诊断报告, 对其上肢外周神经损伤程度进行临床诊断描述, 如表1所示。

表1 伤者上肢外周神经损伤临床诊断结果（n=8） Table 1 Clinical diagnosis of nerve injury in upper limbs of 8 subjects (n=8)
1.2 采集方式及动作

双臂同时进行试验, sEMG采集电极连接如图1所示, 双手及手腕分别做握拳、伸掌、尺偏、桡偏、抬腕、曲腕、食指外展和小拇指外展等8个动作, 每个动作分别做3次, 每次保持3 s。

图1 双臂表面电极分布Fig.1 Electrodes’ contact and distribution onto the skin surface of subject’ s both arms

1.3 数据采集

利用一款定制的128通道信号采集系统采集数据, 其采样率为1 kHz。将获得的数字信号经USB接口输入计算机, 以Matlab软件完成后续数据处理。先用一个通带为20~500 Hz的零滞后四阶巴特沃斯带通滤波器对所采集的sEMG进行滤波处理, 以去除低频运动伪迹和高频干扰; 再对滤波后的信号进行有效活动段的切割和特征提取。将每个通道的滤波后信号作切割, 使之成为若干个不重叠的100 ms小信号段, 对这些小信号段提取4种不同的时域特征从而得到特征矩阵, 分别为：平均绝对值、波形长度、过零点数和斜率符号变化数[4] 。依据这些通过数据预处理得到的信号段或特征进行神经损伤判定和损伤程度评估。有研究发现, 得到的平均绝对值与波形长度信号段所对应特征的可区分度最高[5], 故本研究选择以波形长度作为上肢是否发生神经损伤的判断基础。对于存在神经损伤的上肢, 为了确定是哪根或哪几根神经损伤, 根据不同的神经支配的肌肉和功能的解剖学知识, 可针对性地选择对应的动作任务和肌肉（信号通道）作为观测对象。本研究选择尺偏动作下的小鱼际肌作为判断尺神经损伤的观测肌肉对象, 桡偏动作下的大鱼际肌作为判断正中神经损伤的观测对象, 以及桡偏动作下的大鱼际肌与桡侧手臂肌肉作为判断桡神经损伤的混合观测对象。对于这些被确定为观测对象的肌群, 检测其肌电信号有效活动段中是否包含自主发放的肌电信号、判断是否存在束颤现象以及对比健侧与伤侧上肢相同动作下所提取的波形长度是否有明显差异来评分。具体采用扣分法, 原始分为10分, 根据下述规则对发现的损伤或异常进行扣分。

1) 肌肉在静息状态下的基线信号应具有较低的振幅和能量, 有效的肌电信号相对于基线会呈明显的大幅值信号状态。因此, 可利用能量阈值检验法判定是否具有随意肌电信号并以此判断肌肉随意收缩的能力。若没有随意肌电信号, 则可认为支配肌肉的神经受到了严重的损伤。故若未检测到与健侧神经相同的随意肌电信号则对其相对应的神经减去5分。

2) 神经损伤后其所支配的肌肉易产生自发电位, 尤其是自发性运动单元动作电位, 也即束颤现象, 最易由sEMG观测到[6]。本研究采用寻峰法寻找束颤尖峰, 并根据尖峰能量与周围平均能量的比例判定是否为束颤尖峰, 尖峰出现一定频率被认定为存在束颤现象。对于存在束颤现象的信号, 可认为支配肌肉的神经受到了严重的损伤, 在其健侧神经没有检测到相同束颤现象的情况时则对其相对应的神经减去5分。

3) sEMG在不同个体或者正常人双侧都会有一些细微差异, 为了排除个体与自身的差异性, 更好地确定伤者的损伤程度, 本研究将伤者的伤侧与健侧选定观测信号通道的有效信号段的波形长度值进行对比。两侧差异越大意味着损伤越严重, 差异越小意味着损伤越小或者基本正常, 根据差异大小对相应的神经扣1~5分。

2 结果

根据综合分析计算得到sEMG检测评估结果, 将其按“ 0~10” 统计。其中, “ 10” 表示正常, “ 7~9” 表示存在轻度损伤, “ 0~6” 表示存在严重损伤。结果如表2。

表2 表面肌电信号检测结果（n=8） Table 2 The obtained sEMG results (n=8)
3 讨论

sEMG检测评估方法的有效性, 由其评估结果与临床诊断的相对比而定。对于临床诊断和sEMG检测评估两种不同的评估方法, 受试者1号、4号、5号、7号和8号有着高度一致的评估结果。对于2号和3号, sEMG检测评估结果和临床诊断结果基本保持一致。其中sEMG检测评估比临床评估给出了更多的存在损伤的神经状态, 这可能是因为sEMG进行的检测评估更多地注重整体运动功能的评价而非单根神经是否存在生理伤害。对于6号受试者, 临床诊断结果显示其存在桡神经严重损伤, 但是sEMG检测评估结果显示其不存在神经损伤, 这可能是因为损伤部位为控制皮肤感觉的桡神经浅支或有其他外周神经代偿以完成相关的动作功能。

本组资料8例受试者sEMG检测评估结果和临床诊断结果具有较高一致性, 这说明该检测方法具有效性, 其与外伤性上肢外周神经损伤程度存在高度相关性, 因此利用sEMG检测评估外伤性上肢外周神经的损伤程度具可行性。本研究在一定程度上解决了利用sEMG辅助完成外伤性上肢外周神经损伤程度鉴定的问题, 提供了一个检测外伤性上肢外周神经损伤程度的便利手段。同时, 通过检测特定姿势下的特定肌群的sEMG, 可以克服法医鉴定人员依据经验判断的主观性问题。此外, sEMG更能反映整体运动功能而非单根神经的生理完整性, 这在一定程度上也使得该检测评估方法较之于临床检测有着天然的优势。不过, 诸如对一些伤者无法实现有效的判断等类问题依旧存在, 故选用新的信号特征、新的检测评估方法应值得期待和探索。

参考文献
[1] 陈国栋, 周法元, 张建峰. 法医伤情鉴定中应注意的几个问题[J]. 延安大学学报, 2006, 4(4): 65-66.
(CHEN Guodong, ZHOU Fayuan, ZHANG Jianfeng. Several problems that should be paid attention in forensic injury evaluation[J]. Journal of Yan’an University, 2006, 4(4): 65-66. ) [本文引用:1]
[2] HUANG Y H, ENGLEHART K B, HUDGINS B. A Gaussian mixture model-based classification scheme for myoelectric control of powered upper limb prostheses[J]. IEEE Transactions on Biomedical Engineering, 2005, 52(11): 1801-1811. [本文引用:1]
[3] LI Y, ZHANG X, GONG Y, et al. Motor function evaluation of hemiplegic upper-extremities using data fusion from wearable inertial and surface EMG sensors[J]. Sensors, 2017, 17: 582. [本文引用:1]
[4] ZENG Y, YANG J T, PENG C, et al. Evolving Gaussian process autoregression-based learning of human motion intent using improved energy kernel method of EMG[C]//Proceedings of the IEEE Transactions on Biomedical Engineering. Piscataway, 2019. [本文引用:]
[5] WANG D, ZHANG X, CHEN X, et al. Wavelet packet feature assessment for high-density myoelectric pattern recognition and channel selection toward stroke rehabilitation[J]. Frontiers Neurology, 2016, 7: 197. [本文引用:]
[6] CHEN B, ZHOU P. Detection of fasciculation potentials in amyotrophic lateral sclerosis using surface EMG[C]//Frontier and Future Development of Information Technology in Medicine and Education, 2014. [本文引用:]