在步行过程中发现辨别高低肌肉质量的关键表面肌电特征，基于机器学习分析

为何你的步态比你想象的更有信息

大多数人将肌肉流失视为老年问题，然而我们在青年和中年时的肌肉储备，会影响日后行动能力与健康状态。标准的肌肉质量检测需要体积庞大的设备和门诊就诊。本研究探索是否能通过一次简单的步行、在腿部贴上小型传感器并由计算机分析，来识别相对较低或较高的肌肉质量人群，即便这些受试者总体上是健康的。

在运动中“聆听”肌肉

研究人员并未扫描全身，而是聚焦于肌肉收缩时天然产生的微弱电信号。这些信号通过贴在四块关键腿部肌肉表面的贴片采集，在133名年龄为20至59岁的成年人往返步行（正常与快走两种速度）时记录。同时，运动传感器帮助将每次步行分割为单步，这样团队得以逐步检查肌肉活动，而不是将整段步态视为一团模糊信号。

按肌肉大小对人群进行分类

受试者还完成了标准体成分测试，以估算手臂和腿部的肌肉量。由于对年轻成人“低肌肉”没有广泛认可的界限，研究团队采用数据驱动的分组方法，在性别和年龄带内将人群划为三类，然后将两个较高的簇合并为单一高肌肉组。这样为每位参与者建立了明确的高/低肌肉质量标签，而不依赖于任意阈值。

教计算机解读肌电信号

从每一步的记录中，研究者提取了数百个数值特征，这些特征描述了每块肌肉信号的强度、复杂性和变化速率，还包括通过高级信号处理揭示的细微模式。随后他们使用几种常见的机器学习模型来学习这些特征与高/低肌肉标签之间的关联。为检验模型对新个体的泛化能力，采用留一法：在每次循环中用除一名参与者外的所有人训练模型，再在被留出的那一位上测试，重复直到每位受试者都曾作为未见个体被测试一次。

模型学到了哪些关键肌肉信息

计算机模型在区分低肌肉与高肌肉方面表现出显著准确性，最佳方法在正常步速下约为95%，在快走时约为94%。同样重要的是，研究团队使用可解释性工具来识别对预测最重要的特征。在日常步行速度下，最具信息量的信号来自小腿前侧的肌肉（胫前肌），其峰值功率较低与整体肌肉量较高相关。在快走时，最具影响力的特征是大腿后侧一块大肌肉（股二头肌）电信号过零次数的频率，这一反映其快速放电模式的指标在肌肉量较多的人群中往往更高。

这对日常健康意味着什么

简单来说，该研究表明腿部肌肉在步行时的放电模式，携带着可读的整体肌肉量信息。借助透明的计算方法分析的快速传感器步行测试，未来可能在个体感到虚弱或行动迟缓之前，帮助早期识别趋向低肌肉质量的成年人。尽管仍需更大、更多样化的人群研究，但这项工作表明，短短一次在诊所走一段路，或可作为传统扫描的有益补充，用作肌肉健康的简便筛查。

引用: Lee, D., Konki, S.K., Jung, D. et al. Discovery of key surface electromyography features during walking for discerning high and low muscle mass using machine learning analysis. Sci Rep 16, 14867 (2026). https://doi.org/10.1038/s41598-026-45053-8

关键词: 肌肉质量, 表面肌电图, 步行分析, 机器学习, 肌少症风险