🤖 AI

How does downsampling affect needle electromyography signals? A generalisable workflow for understanding downsampling effects on high-frequency time series

本文介绍了一种结合基于形状的失真度量与机器学习分类的通用化工作流，用于系统性地评估降采样策略，证明了形状感知算法能够有效保留针式肌电信号中的诊断信息，同时显著降低近实时神经肌肉疾病检测的计算负载。

原作者： Mathieu Cherpitel, Janne Luijten, Thomas Bäck, Camiel Verhamme, Martijn Tannemaat, Anna V. Kononova

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Mathieu Cherpitel, Janne Luijten, Thomas Bäck, Camiel Verhamme, Martijn Tannemaat, Anna V. Kononova

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

侦探的困境：聆听肌肉的音乐

要理解这些研究人员做了什么，我们首先需要了解他们正在聆听什么样的“音乐”。当你移动肌肉时，你的神经会发送电火花来指挥它收缩。针式肌电图（nEMG）测试就是在聆听这些火花。这就像是在肌肉内部放置一个麦克风，去捕捉单个运动单位（一个神经及其控制的肌纤维）产生的微小电学“砰砰”声。这些声音极其快速且细节丰富，记录频率约为每秒 23,437.5 次测量。

问题在于，如此庞大的数据量对计算机来说是一个沉重的负担。如果医生想要使用计算机程序来实时辅助诊断疾病，计算机必须处理数百万个这样的数据点。这就像是试图在一秒钟内读完一整个图书馆的书籍。为了实现这一目标，科学家们使用**降采样（downsampling）**技术。把降采样想象成将一张高分辨率照片调整大小以适应手机小屏幕的过程：你通过丢弃一些像素来减小文件体积，使其更易于加载。在信号的世界里，这意味着只保留每隔 $k$ 个测量值中的一个，而丢弃其余的部分。

但这样做存在风险。如果你丢弃得太多，可能会丢失那些能告诉医生肌肉是健康还是患病的特定“音符”。某些疾病会让电信号看起来短促且带有尖峰，而另一些疾病则会让信号变得长而呈波浪状。如果你的降采样方法平滑了这些尖峰或拉长了波浪，计算机可能会产生困惑并给出错误的诊断。研究人员想要寻找那个“黄金平衡点”：即文件足够小以保证速度，同时又足够大以保证准确性。

实验：测试“缩减射线”

研究人员并非凭空猜测；他们建立了一个系统性的工作流，在来自 22 名患者的真实肌肉记录数据集上测试了五种不同的“缩减射线”（降采样算法）。这些患者分为三组：健康对照组、肌病组（肌肉疾病）和 ALS 组（神经疾病）。

他们测试了五种不同的数据缩减方法：

抽取法（Decimate）： 标准方法。它选取每隔 $k$ 个点中的一个，但在处理前会先使用一个滤波器，以防止高频噪声变成虚假的低频噪声（有点像在倒沙子之前先用筛子滤掉大石头）。
极值法（MinMax）： 该方法观察数据块，仅保留最高点和最低点，试图保留波浪的“高度”。
M4： 一种更智能的 MinMax 版本，试图更好地连接各个点，使形状看起来不那么锯齿化。
LTTB（最大三角形三桶法）： 一种尝试通过选取形成最大三角形的点，来保留信号整体“面积”或形状的方法。
MinMaxLTTB： 一种混合方法，先选取最高点和最低点，然后在剩余部分使用 LTTB 方法。

对于每种方法，他们尝试了不同的缩减比例（从 2 倍、5 倍、10 倍一直到 1000 倍）。然后，他们运行了一个计算机程序（随机森林分类器），观察在数据被缩减后，计算机是否仍能区分出健康、肌病和 ALS 的信号。

结果：速度与形状的较量

结果令人惊讶，且具有很强的实践意义。研究人员发现，**抽取法（Decimate）**是明显的赢家。它可以将数据缩减 30 倍（即每 30 个测量值中仅保留 1 个），同时仍能保持与原始全尺寸数据相同的诊断准确度。这使得特征提取时间实现了 60 倍的加速。用通俗的话说，计算机可以在不损失任何识别疾病能力的前提下，将肌肉信号的分析速度提高 60 倍。

然而，其他那些旨在让信号看起来更“漂亮”或保留视觉形状的方法表现并不理想。

LTTB 和 MinMaxLTTB 方法在缩减比例达到 25 倍时，准确度就开始下降。
M4 方法失败得更早，在 20 倍时就失效了。
MinMax 方法也在 25 倍处碰壁。

为什么这种“难看”的标准方法（抽取法）会胜出？研究人员使用了一种名为 SHAP 的特殊工具来窥探计算机的“大脑”。他们发现，计算机并不那么在意波峰的精确“高度”或“形状”（这也是那些花哨方法试图保留的东西）。相反，计算机高度依赖于信号的频率——即波浪振动的快慢——以及信号穿越零线的频率。带有抗混叠滤波器的标准抽取法完美地保留了这些频率细节。而那些追求形状完美的复杂方法，却在无意中扭曲了这些频率，从而误导了计算机。

“肌病”瓶颈

研究中发现的一个有趣细节是，“肌病”组对缩减最为敏感。计算机可以承受对健康和 ALS 信号进行较大程度的缩减，但肌病信号在缩减 30 倍时就开始出现混乱。这可以理解，因为肌病信号通常非常短促且带有尖峰。如果缩减得太多，这些微小的尖峰就会丢失或合并在一起。这表明，对于肌病患者，医生需要格外小心，不要过度压缩数据。

这对未来意味着什么

研究结论认为，我们并不需要保留每一个数据点来诊断这些疾病。通过使用标准的抽取法并将数据缩减 30 倍，我们可以让自动化分析的速度提升 60 倍。这是迈向“近实时”分析的重要一步，届时计算机可以在医生持针操作的同时，立即提供辅助分析。

不过，作者也谨慎地指出，这项研究是基于特定的数据集（EMGLAB）和特定类型的肌肉收缩（低水平自主运动）。他们建议，虽然他们的工作流是测试其他信号的有力工具，但如果测试不同类型的肌肉活动（例如静止肌肉或最大力量爆发），由于它们可能包含不同的高频线索，这个“30 倍”的规则可能会发生变化。他们还强调，虽然计算机变快了，但最终的决策仍应由人类医生结合信号进行判断，确认：“是的，这看起来仍然像是一种肌肉疾病。”

简而言之，这项研究表明，有时“少即是多”。通过以聪明的方式丢弃 97% 的数据点，我们可以让医疗 AI 既更快又同样准确，让我们离即时、自动化的肌肉诊断又近了一步。

技术摘要：理解针式肌电图信号降采样效应的通用化工作流

问题陈述
自动分析针式肌电图（nEMG）信号是检测神经肌肉疾病（NMDs）的一种极具前景的工具。然而，nEMG 信号具有高时间分辨率（例如 ~23 kHz）和异质性的采样率，这为基于特征的机器学习（ML）模型带来了巨大的计算负担。这阻碍了近实时分析和临床实施。虽然降采样为减轻计算负载提供了解决方案，但其对诊断信号内容和分类性能的影响尚未得到充分理解。以往在相关生物医学领域（EEG、ECG、表面 EMG）的研究结果呈现出异质性，从性能下降到性能提升不等，且目前尚不存在标准化的工作流来系统性地评估不同降采样算法和因素下的可接受信息损失水平。

方法论
作者提出了一个五步走的通用化工作流，用于系统性地评估高频时间序列中降采样引起的信息损失。该工作流应用于 EMGLAB 数据集，该数据集包含 22 名患者，分为三个诊断类别：对照组（Control）、肌病组（Myopathic）和肌萎缩侧索硬化症组（ALS）。

配置定义： 测试了五种降采样算法：Decimate（带有抗混叠滤波的均匀欠采样）、MinMax、M4、最大三角形三桶法（LTTB）以及 MinMaxLTTB。这些算法应用于 26 个降采样因子（ $k$ ），范围从 2 到 1000。
距离度量计算： 为每种配置计算了原始信号与降采样信号之间的距离度量。这些指标包括时域指标（RMSE、相关系数、过零率、峰值计数、偏度、峰度）、频域指标（对数谱距离）以及信息论指标（归一化压缩距离、Jensen-Shannon 散度）。
分类流水线： 执行了一个监督分类任务，该任务采用包含 tsfresh 特征提取和随机森林分类器的流水线。性能评估指标包括平衡准确率、每类 F1 分数、特异性、敏感性和 ROC AUC，并利用基于患者层面的 5 次重复 3 折分层组交叉验证进行评估。
排序模型： 训练了一个配对排序模型（XGBoost），旨在将距离度量与分类性能联系起来。该模型能够仅基于距离度量预测哪种配置会产生更好的准确率。研究提取了 SHAP（SHapley Additive exPlanations）值，以识别哪些信号特征（如频率内容 vs. 幅度分布）对分类器最为关键。
特征空间与成本分析： 研究通过 k-means 聚类和降维（MDS）分析了特征重要性的偏移，以可视化特征相关性如何随降采样演变。此外，还测量了特征提取时间，以量化计算加速的权衡。

关键结果

算法性能： 在 EMGLAB 数据集上，Decimate（带有抗混叠滤波）表现出最高的韧性，在降采样因子高达 30 的情况下仍能维持分类性能。形状感知算法（LTTB、MinMaxLDTB、MinMax）在降采样因子为 25 时达到其关键性能退化点，而 M4 在因子为 20 时退化更为显著。
关键限制因素： 肌病（Myopathic） 类对降采样最为敏感，是所有策略的限制因素。这在临床上是合理的，因为肌病型运动单位动作电位（MUAPs）通常持续时间短且具有多相性，需要更高的采样频率来解析。
信号特征： SHAP 分析表明，分类性能高度依赖于保留频域特征（特别是对数谱距离和过零率），而非严格保留幅度分布（偏度和峰度）。这表明，优先考虑幅度极值的形状感知算法可能无法保留此类背景下进行 NMD 诊断所需的特定信号属性。
计算权衡： 降采样提供了显著的计算增益。最优配置（因子为 30 的 Decimate）在不产生与原始信号相比统计学显著准确率损失的情况下，实现了特征提取时间约 60 倍的加速。特征提取时间在因子达到 50 之前呈指数级下降，之后收益趋于平缓。
特征空间稳定性： 在低降采样因子（最高 5）下，各算法的特征重要性轨迹相似。超过此范围后，Decimate 与形状感知方法出现明显分歧。高降采样因子增加了跨交叉验证折叠的特征重要性方差，表明模型稳定性降低。

意义与主张
本文声称填补了文献中的关键空白，提供了一个标准化、可重复的工作流，用于平衡数据缩减与模型性能在高频时间序列应用中的关系。作者断言，其研究结果为选择降采样配置提供了实践指导，使近实时 nEMG 分析成为可能，且不会牺牲诊断效用。

具体而言，研究证明了：

过采样假设： 结果表明，对于使用 tsfresh 和随机森林进行自动化分类的特定任务，标准的 nEMG 信号可能存在过采样现象，因为即使有效奈奎斯特频率降低到 ~390 Hz（降采样因子为 30），诊断性能依然保持稳定。
算法选择： 与直觉相反（即认为通过 LTTB/MinMax 保留视觉形状至关重要），研究发现，带有抗混叠滤波的均匀抽取（Decimate）能更好地保留该特定数据集和特征集中的诊断信息内容。
临床实施： 该工作流为开发满足实时处理要求的临床可用 nEMG 分析流水线奠定了基础。

局限性与未来方向
作者谦逊地承认，其结果针对 EMGLAB 数据集具有特殊性，该数据集仅包含受控条件下的中等强度自主收缩数据，缺乏静息段或现实世界的临床噪声。因此，所确定的最优因子可能无法推广到所有 nEMG 模态或具有不同采样频率的数据集。研究呼吁在进行更广泛的临床建议之前，需在独立数据集上进行验证，并由专家进行临床评估。该工作流被提议作为一个通用的工具，可以适配于评估其他信号变形技术（如压缩），并应用于其他高频生物医学时间序列。