良好的咬合关系是维持口颌系统功能稳定的关键因素，咬合干扰作为常见的咬合异常状况，通常由错牙合畸形、牙齿磨耗不均、修复体不良等牙齿因素引起，可导致部分牙位承受异常咬合力，长期存在可造成牙周膜疼痛、咀嚼肌疲劳，甚至进展为牙齿松动、颞下颌关节功能紊乱。目前，临床上可用于检测咬合干扰的方法包括咬合纸法、咬合接触分析技术及动态咬合追踪技术等，这些技术主要从牙列形态、颞下颌关节功能状况等维度评估咬合干扰，尚缺乏从口颌面肌肉功能层面客观、定量地反映咬合干扰效应的检测手段。随着表面肌电信号(surface electromyography, sEMG)采集设备的迭代和信号处理方法的升级，sEMG正逐渐由科研工具向临床辅助诊断手段转变。系统探究咬合干扰患者sEMG指标变化，建立用于辅助诊断咬合干扰的sEMG指标体系及诊断模型受到越来越多学者们的关注。目前，关于咬合干扰与咀嚼肌电活动相关性的研究仍处于初步探索阶段。现有证据表明，咬合干扰可通过改变咬合接触状态影响咀嚼肌的收缩强度、对称性与协调性[1-3]。然而，现有研究尚存在一定局限性：(1)sEMG信号采集多集中于颞肌前束和咬肌，缺乏对降颌肌群的同步监测；(2)肌电采集的运动模式单一，未覆盖多样化的下颌功能运动[4-5]；(3)咬合干扰模型构建的标准化程度不足；(4)sEMG信号分析多局限于时域维度的少数指标，缺乏对信号的多维度深度挖掘与系统分析。因此，本研究旨在建立一种基于口颌面肌肉sEMG信号指标的咬合干扰客观评估体系，通过口内扫描、计算机辅助设计与增材制造技术，在健康志愿者口内构建标准化、可逆的单侧磨牙咬合干扰模型，并利用无线sEMG系统采集干扰前后多种下颌功能活动中的肌电信号，并在此基础上，构建用于评估口颌肌功能的多维度sEMG指标体系，通过统计建模建立咬合干扰的判别模型，以期为临床咬合异常的识别提供电生理学依据。
1 资料与方法
1.1 研究对象
本研究为小样本探索性研究，共纳入志愿者26名，其中男性12名、女性14名，年龄22~50岁，平均年龄(29±7)岁。纳入标准：(1)年龄在18岁及以上；(2)咬合关系稳定，经口内扫描证实，在牙尖交错位时，双侧后牙区咬合接触区域基本对称分布，双侧接触点数量及接触面积相差不超过1/3；前牙区呈轻接触或无接触状态；(3)能够充分理解研究内容并自愿参加研究，签署知情同意书。排除标准：(1)下颌功能运动期间存在早接触或牙合干扰者；(2)双侧下颌第一磨牙均存在大面积修复体者；(3)存在牙列中线偏移或双侧面部形态明显不对称者；(4)存在可能影响咀嚼、紧咬牙的口腔疾病(如重度牙周炎、急性牙髓炎、三叉神经痛等)者；(5)有重度深覆牙合、深覆盖等可能限制下颌前伸运动的口腔疾病者；(6)符合颞下颌关节紊乱综合征诊断标准，包括但不限于肌筋膜疼痛、关节盘移位(可复性或不可复性)、颞下颌关节关节炎、关节痛等；(7)有心脏起搏器或其他植入性医疗设备者；(8)对乙醇或凝胶电极材料存在过敏反应者；(9)有严重的神经系统疾病或运动障碍，可能影响肌肉活动者；(10)有明确自述或临床问诊证据表明存在夜磨牙、紧咬牙、偏侧咀嚼等副功能运动或异常咀嚼习惯者。
本研究开始前已经石河子大学第一附属医院科技伦理委员会和北京大学生物医学伦理委员会审查批准(KJ2024-278-01、IRB00001052-25135)，所有志愿者均签署知情同意书。
1.2 设备及软件
3shape Trios3口内扫描仪(3shape，美国)用于受试者牙列三维数据采集；逆向工程软件Geomagic Wrap 2021(3D System，美国)用于标准化咬合干扰贴片数字模型的设计；大族三维树脂打印机DLP1080E(大族激光科技产业集团股份有限公司，中国)、透明光敏树脂T-CRD-141(大族激光科技产业集团股份有限公司，中国)用于咬合干扰贴片的增材制造；暂时粘接用水门汀(松风株式会社，日本)用于咬合干扰贴片的口内粘贴；Oralmetry多通道无线肌电监测系统(课题组自主研发系统，广州析芒医疗科技有限公司)、一次性凝胶柔性双极电极(电极直径10 mm，电极间距35 mm)用于受试者表面肌电信号的采集；肌电信号的处理、指标计算及统计分析均在Visual Studio Code(Microsoft，美国) 环境中，基于Python编程语言(v3.13)完成。
1.3 标准化咬合干扰贴片设计与制造
使用3shape Trios3口内扫描仪扫描受试者的上下颌牙列及其咬合关系，通过评估双侧咬合接触点分布的均匀性以筛选合格受试者，获取其上下颌牙列三维形态及咬合关系数据，并导出. stl格式文件(图 1A)。将所得的. stl数据导入Geomagic Wrap 2021软件，选择无大面积修复体的一侧下颌第一磨牙作为咬合干扰构建的目标牙位，以该牙牙体长轴方向为就位道方向，在非倒凹区域内通过“创建样条边界”功能，沿牙冠外形高点以上绘制咬合干扰贴片边缘线，并避开邻牙接触区域，以确保贴片能够在口内顺利就位。保留边缘线以上牙面部分作为咬合干扰贴片的组织面形态(图 1B)。使用软件“抽壳”功能，将组织面三维数据沿法向向外均匀加厚0.5 mm，构建出覆盖目标下颌第一磨牙牙合面、各牙尖斜面及部分颊舌面的，厚度为0.5 mm的标准化咬合干扰贴片三维数字模型(图 1C)。对设计完成的咬合干扰贴片三维数字模型进行水密性检查，并以. stl格式导出。选用透明光敏树脂T-CRD-141，使用大族三维树脂打印机增材制作咬合干扰贴片，磨除支撑并抛光，得到用于口内构建咬合干扰的树脂贴片(图 1D)。
图1 标准化咬合干扰贴片设计制作流程Figure 1 Design and fabrication process of the standardized occlusal interference patch A, three-dimensional morphological data of the maxillary and mandibular dentition; B, tissue surface morphology of the occlusal interference patch; C, views of the occlusal surface, tissue surface, mesial surface, and distal surface of the three-dimensional digital model of the occlusal interference patch; D, additively manufactured resin occlusal interference patch. |
1.4 口颌面肌肉的sEMG信号采集
1.4.1 定位颞肌前束、咬肌、二腹肌前腹
由经过培训的操作者完成双侧颞肌前束、咬肌及二腹肌前腹的体表定位及电极片粘贴。受试者取端坐位，上半身直立，双臂自然下垂，平视前方。具体电极粘贴位置：颞肌前束粘贴在眶耳平面上，外耳孔上缘前5.5 cm、垂直向上6 cm处；咬肌粘贴在外耳孔上缘沿眶耳平面向前约3.5 cm、垂直向下约4.5 cm处，沿下颌角-外眦连线方向。定位时可嘱受试者重复紧咬后放松动作，操作者通过触诊确定肌腹隆起最明显处为电极粘贴点。二腹肌前腹的电极粘贴于二腹肌窝内，可嘱受试者配合卷舌动作以辅助定位[6]。为排除毛发、皮肤油脂等对电极片粘贴及sEMG信号检测的影响[7]，应尽量避开毛发较多的区域。使用75%(体积分数)乙醇溶液对受试者电极片粘贴位置的皮肤进行消毒，以确保电极片的有效粘贴和信号的准确检测。
1.4.2 咀嚼肌活动sEMG信号的采集
使用课题组自主研发的Oralmetry多通道无线表面肌电系统进行sEMG信号采集，该系统测量的准确性及稳定性已在课题组既往研究中得到验证[8]。采集过程中，受试者在操作者指导下依次完成以下10项动作：(1)下颌息止颌位10 s；(2)牙尖交错位紧咬牙8 s；(3)在双侧下颌第一磨牙上放置1 cm厚的棉卷后紧咬牙8 s；(4)下颌前伸运动10次；(5)左侧侧方运动10次；(6)右侧侧方运动10次；(7)开闭口运动10次；(8)左侧咀嚼棉球30 s；(9)右侧咀嚼棉球30 s；(10) 牙尖交错位牙齿轻接触。受试者在正式测试前均接受标准化培训，以确保动作规范。所有采集过程均在实时信号质量监控下进行，以确保波形稳定。为减少肌肉疲劳影响，相邻动作间隔至少30 s。采集的sEMG信号均以. edf格式导出保存。首先进行自然咬合下sEMG采集，随后进行咬合干扰的构建与干扰后sEMG采集。清洁目标牙位上的唾液及其他残留物，冲洗吹干牙面后，使用棉卷隔湿。使用75%(体积分数)乙醇溶液湿巾对咬合干扰贴片消毒，口内试戴并使用暂时粘接用水门汀进行粘接。随后，受试者立即进行约5 min的适应性训练，以适应咬合改变并确保干扰贴片粘接稳固。适应性训练后，嘱受试者再次完成前述sEMG采集全流程，并将采集的sEMG信号导出保存。为在有限样本量下更有效地获取配对数据，本研究对双侧下颌第一磨牙均健康的受试者分别进行了左侧及右侧的咬合干扰构建，最终共获取40组有效的干扰前后配对数据。
1.5 sEMG信号的处理与指标体系构建
1.5.1 sEMG信号的预处理
本研究使用python编程语言进行sEMG信号的预处理，设置20~200 Hz带通滤波器以消除直流偏移并抑制噪声干扰，同时使用50 Hz和100 Hz陷波滤波器用于排除工频干扰。对滤波后信号进行信号缺失值与异常值的检测及处理，并结合人工核查充分排除运动伪影等因素干扰，得到滤波后数据。本研究沿用课题组既往建立的静态信号选取方法及sEMG标准化处理流程[8]：针对静态信号，采用包络线提取结合标准差计算的方法，量化选取波动最平稳的3 s时段；动态信号则通过人工核查过滤不稳定波段。参照Ferrario等[9]提出的sEMG标准化处理方法，以受试者紧咬棉卷时的肌肉平均振幅作为标准化基准，将各项功能活动下的sEMG信号转化为相对于基准的百分比形式数值，以确保不同受试者之间数据可比性。为满足部分时域指标计算要求，对所有信号段按照50 ms窗长进行无重叠滑窗，计算各通道的电位值的均方根(root mean square，RMS)值，得到标准化RMS数据。为消除咬合干扰侧别不同对分析结果的影响，对所有sEMG信号通道进行了标准化，即将干扰侧与非干扰侧的肌肉信号通道予以对应匹配，以利于后续的指标计算与统计学分析。
1.5.2 口颌面肌肉多维度sEMG指标体系构建
纳入既往研究常用的用于评价颞肌、咬肌肌电活动在左右侧对称性的颞肌百分比重叠系数(percentage overlapping coeffificient_TA，POC_TA)和咬肌百分比重叠系数(percentage overlapping coeffificient_MM，POC_MM)[10]，参照其计算方法计算得到二腹肌百分比重叠系数(percentage overlapping coeffificient_DA，POC_DA)，并得到平均百分比重叠系数(mean percentage overlapping coeffificient，POC_mean)。同时纳入反映颞肌前束与咬肌活动协同性的指标活动指数(activity index，Ac)[11]、扭矩系数(torque coeffificient，TC)[10]，并对Naeije等[11]提出的不对称指数进行适应性改进，形成改良不对称指数(modified asymmetry index，mAI)，共计7项肌肉功能评价指标。在信号时频特征方面，提取了各通道的平均整流值(average rectified value, ARV)、中位频率(median frequency, MF)及平均功率频率(mean power frequency, MPF)[12]，并分别从通道、侧别(干扰侧/非干扰侧)、同名肌肉组及全通道均值四个层面进行统计汇总，得到共计36项时频指标。通过引入变异系数(coefficient of variation, CV)作为肌肉活动稳定性的量化指标，系统构建了涵盖各通道、两侧别、同名肌肉组和整体均值共计12项指标的稳定性评价体系。此外，提出肌肉协同指数(muscle synergy index, MSI)，用于定量评估六块肌肉在功能活动中的整体协调性。本研究所构建的指标体系共包含56项参数，各项指标的具体分类与计算方法详见表 1。
表1 本研究构建的口颌面肌肉sEMG指标体系Table 1 sEMG parameter system for orofacial muscles established in this study |
| Category | Indicator name | Data source | Formula |
| Common sEMG indicators for muscle function assessment in oral medicine | Percentage overlapping coeffificient，POC | Normalized RMS data | |
| Modified asymme- try index，mAI | Normalized RMS data | ||
| Activity index，Ac | Normalized RMS data | ||
| Torque coeffifi- cient，TC | Normalized RMS data | ||
| Time-frequency domain sEMG indicators | Average rectified value, ARV | Filtered data | |
| Median frequency, MF | Filtered data | ||
| Mean power fre- quency, MPF | Filtered data | ||
| Novel sEMG indicators | Coefficient of variation, CV | Normalized RMS data | |
| Muscle synergy in- dex, MSI | Normalized RMS data | Calculation of the Pearson correlation matrix from six-channel RMS data, extraction of the fifteen off-diagonal elements from its upper triangular part, and computation of the arithmetic mean of their absolute values. |
MM represents the masseter muscle, TA represents the temporal muscle, DA represents the digastric muscle; NIS represents the non-interference side, IS represents the interference side; the subscript j denotes the j-th channel, the subscript i denotes the i-th data point; xi represents the EMG amplitude at the i-th sampling point, and n represents the total number of sampling points; fmedian represents the median frequency, P(f) represents the power spectral density of the surface electromyography (sEMG) signal, fmax represents the maximum frequency. |
1.6 统计学分析
采用Python编程语言，先针对每种下颌功能活动，对干扰前后各项sEMG指标进行配对显著性检验，根据差值是否服从正态分布，选用配对t检验或Wilcoxon符号秩检验，筛选在干扰前后差异具有统计学意义(α=0.05)的指标用于后续分析。对筛选出的显著指标进行标准化处理以消除量纲影响，并进行主成分分析(principal component analysis，PCA)，以降低数据维度。基于累积方差贡献率，选择累计解释方差达到预定阈值(≥85%)的主成分(principal component，PC)作为特征变量。以所选主成分作为自变量，组别(无干扰/有干扰)作为因变量，建立逐步Logistic回归模型。采用步进法筛选最优模型，变量进入标准为P=0.05，剔除标准为P=0.1。为获得模型泛化性能估计，借助随机化参数进行样本随机分组，进行30次十折分层交叉验证，在每一折的内部训练集中独立进行特征选择，以避免数据泄露，统计各主成分在每一折内部训练中的纳入频次及频率。基于全部交叉验证结果计算模型平均性能指标，包括平均准确率、灵敏度、特异度及受试者操作特征曲线(receiver operating characteristic，ROC)的曲线下面积(area under the curve，AUC)等指标。模型最终输出包括各变量的回归系数、优势比(odds ratio，OR)及其95%CI和P值。
2 结果
2.1 口颌面肌肉sEMG指标体系构建及咬合干扰前后的显著性检验
共纳入26名健康志愿者作为受试者，构建了40例有效的单侧磨牙咬合干扰模型。基于每组数据在10种下颌功能活动下采集的sEMG信号，按照前述指标体系计算方法，最终构建了10种动作56项指标的sEMG指标体系。
为初步降低数据维度，对各项指标进行咬合干扰构建前后的配对t检验或Wilcoxon符号秩检验，经筛选，共有253项指标在干扰前后的差异有统计学意义(α=0.05)，纳入后续分析。
纳入的指标在不同动作类型、不同指标间的分布情况如图 2所示，针对不同的下颌运动动作类型，侧方运动时咬合干扰前后差异有统计学意义的sEMG指标数量最多，在非干扰侧咀嚼时出现差异指标数量最少。针对不同的指标，ARV在咬合干扰前后差异有统计学意义的频数最多，两项肌电频域指标(MPF、MF)同样表现出较强的区分能力。传统口腔肌肉功能评价指标(POC_TA、POC_MM、TC等)出现统计学差异的频次相对较少，且主要集中于静态动作(紧咬牙、息止颌位)。
图2 各下颌动作中干扰前后差异有统计学意义的sEMG指标数量分布图Figure 2 Distribution of the number of surface electromyography (sEMG) parameters showing statistically significant differences before and after interference across mandibular movements IS, interference side; NIS, non-interference side; ICP, intercuspal position. The full names of all sEMG features have been provided in Table 1. |
2.2 基于主成分分析的sEMG特征变量提取
图3 口颌面肌群sEMG指标主成分分析碎石图及累积方差贡献率分布图Figure 3 Scree plot and cumulative variance contribution rate of principal component analysis for orofacial muscle surface electromyography (sEMG) parameters Cum, cumulative variance; Exp, explained variance ratio. |
表2 主成分代表性指标载荷及特征归纳Table 2 Representative factor loadings and characteristic interpretation of principal components |
| Variable | Primary feature | High-loading indicators | Loading |
| PC1 | Muscle fatigue level | MF_IS (mouth opening-closing movement) | 0.70 |
| MF_mean (mouth opening-closing movement) | 0.67 | ||
| MF_IS-DA (IS chewing) | 0.66 | ||
| MF_DA (IS lateral movement) | 0.65 | ||
| PC2 | Functional movement amplitude | ARV_NIS-TA (mouth opening-closing movement) | 0.78 |
| ARV_IS-MM (IS lateral movement) | 0.77 | ||
| ARV_NIS-MM (NIS lateral movement) | 0.77 | ||
| ARV_NIS-TA (protrusive movement) | 0.74 |
PC, principal component; MF, median frequency; ARV, average rectified value; MM represents the masseter muscle, TA represents the temporal muscle, DA represents the digastric muscle; NIS represents the non-interference side, IS represents the interference side. |
干扰组与非干扰组在主成分空间中的分布情况见图 4，两组样本在PC2轴上呈现一定的分离趋势，而在PC1轴上的分布则较为重叠，这一分布模式表明，PC2 (功能性运动幅度成分)与实验构建的单侧咬合干扰具有较强关联性，能够在一定程度上区分咬合干扰状态；而PC1 (肌肉疲劳程度成分)对两组样本的判别能力相对有限。
2.3 基于主成分的咬合干扰Logistic回归模型构建与性能评价
以纳入的19项主成分得分数值作为自变量，组别(无干扰/有干扰)作为因变量，建立逐步Logistic回归模型。采用步进法筛选最优模型，变量进入标准为P=0.05，剔除标准为P=0.1，最终纳入3项主成分。构建的回归方程为：
表3 纳入Logistic回归模型的主成分特征及代表性变量Table 3 Characteristics of principal components (PC) included in the Logistic regression model and their representative variables |
| Principal component | Primary feature | High-loading indicators | Loading |
| PC2 | Functional movement amplitude | ARV_NIS-TA (mouth opening-closing movement) | 0.78 |
| ARV_IS-MM (IS lateral movement) | 0.77 | ||
| ARV_NIS-MM (NIS lateral movement) | 0.77 | ||
| ARV_NIS-TA (protrusive movement) | 0.74 | ||
| PC8 | Static activity stability | MF_NIS-DA (rest position) | 0.58 |
| ARV_NIS-DA (clenching) | 0.48 | ||
| CV_IS (rest position) | 0.41 | ||
| PC9 | Fine-motor control | CV_MM (ICP light contact) | 0.68 |
| CV_IS-MM (ICP light contact) | 0.59 | ||
| MF_IS-DA (rest position) | 0.49 |
MM, masseter muscle; TA, temporal muscle; DA, digastric muscle; NIS, non-interference side, IS, interference side; ICP, intercuspal position. |
为评估模型的泛化能力，研究共进行了30次随机分组的分层十折交叉验证。各主成分在内部训练中被纳入的统计频次结果表明，PC2、PC8在全部的300次内部训练中均被纳入，PC9的纳入频率达到91%(273/300)，其余主成分在交叉验证中被纳入模型的频率均不超过8%，代表回归方程最终纳入的这三项主成分具有较稳定的区分能力。
平均性能指标统计结果表明，模型在交叉验证中表现稳定，平均准确率为0.840±0.133，平均灵敏度为0.851±0.181，平均特异度为0.828±0.195，平均AUC为0.923±0.105。十折交叉验证中各项性能指标的箱线图见图 6，可见多数折次的指标集中于较高水平，表明模型具备良好的分类效能与泛化能力。
3 讨论
3.1 咬合干扰sEMG研究的方法学优化与指标体系建立
咬合干扰的准确检测对口颌系统稳定具有重要意义，目前，临床上常用检测方法包括咬合纸法、咬合接触分析技术与动态咬合追踪技术等。咬合纸法操作简便、成本低廉，可用于口内或牙列模型上的异常接触点识别，但具有技术敏感性高、下颌运动幅度及时间受限等局限性，并且临床常用咬合纸厚度在8~40 μm，对于咬合感知厚度小的患者，咬合纸自身厚度也可能引发咬合不适，为准确识别牙列咬合干扰增加了难度[13]。咬合接触分析技术可借助压力传感薄膜等中间介质，实现对咬合过程中的咬合接触面积、咬合力分布情况等的直观和客观评估，但存在薄膜厚度较大(约100 μm)干扰咬合、测量动作相对单一等局限性。近年，动态咬合追踪技术可通过整合口内扫描获取的牙列模型三维数据、CBCT数据、下颌运动轨迹数据等多模态数据实现咬合运动的重建及干扰点识别[14]，但该方法操作复杂、耗时较长、难以在椅旁开展。表面肌电技术作为一种无创、精确、便捷的肌肉功能检测技术，能够实时、动态地监测肌肉的功能状态，在咬合功能评价中展现出良好的临床应用前景，为咬合干扰的客观诊断提供了新的发展方向。既往研究已初步提示咬合干扰与咀嚼肌电活动之间存在关联性。Nalamliang等[1]在牙列健康人群中证实，咬合接触区域更大侧的颞肌前束与咬肌综合电活动更低。Pativetpinyo等[3]与Li等[2]通过干预性临床试验，观察到咬合干扰可造成咬肌、颞肌前束的电位幅值下降。Baba等[15]研究表明单侧咬合干扰在侧方运动时会影响颞肌激活模式。这些研究为探究咬合平衡与口颌肌肉sEMG之间的联系奠定了基础，但也存在一定共性局限，如肌电采集多局限于部分升颌肌群(颞肌前束与咬肌)，运动模式覆盖有限，以及对sEMG信号的分析多停留于少数时域指标，缺乏系统性、多维度的特征提取与统计建模。针对上述研究局限性，本研究在方法学上进行改进，首先，在咬合干扰模型的构建方面，本研究结合口内扫描与计算机辅助设计与增材制造技术，设计并制作出厚度均匀、形态贴合牙面的标准化咬合干扰贴片，相较于传统手工堆塑或技工室制作方法，该贴片具有设计流程简单、成本可控、口内固位稳定、粘贴可逆等优势，其参数化设计确保了下颌在执行前伸、侧方等多方向功能运动时，咬合干扰的厚度与位置保持一致，确保了本实验的标准化程度与可重复性；其次，在信号采集与指标体系层面，本研究在同步记录双侧咬肌与颞肌前束的基础上，将双侧二腹肌前腹纳入肌电检测体系，构建了覆盖升颌与降颌肌群的六通道同步监测方案，并基于采集的多通道、多动作模式的sEMG信号，进一步构建了包含56项参数的多维度sEMG评价体系，整合了传统临床肌电指标、时域和频域特征及若干新构建指标，该指标体系中，本研究引入变异系数(CV)用于量化肌肉电活动的稳定性，并提出了基于多通道电位RMS值相关系数矩阵的肌肉协同指数(MSI)，用以评估肌群整体协同性，体系还纳入了在以往口腔肌电研究中关注较少的频域指标[中位频率(MF)与平均功率频率(MPF)]，第2.1小节的结果表明，上述新指标与频域指标在多种下颌功能活动中均表现出干扰前后的显著差异，证实其对咬合干扰具有良好的识别灵敏度，为从肌肉功能稳定性与协调性层面诊断咬合异常提供了新的量化依据；最后，在统计方法方面，本研究突破传统单一指标比较的思路，采用主成分分析对多个显著指标进行降维，提取具有明确生理意义的主成分，并进一步构建Logistic回归判别模型，该方法不仅有效整合多维度信息，提高模型稳健性，也成功识别出如“静态活动稳定性(PC8)”与“精细运动控制(PC9)”等在单一指标分析中易被忽略的判别特征。
本研究在既往研究方法的基础上，通过干扰模型构建的标准化、肌电监测范围的系统化、指标体系的维度拓展与统计方法的深度整合，实现了对既往研究的系统性改进，这套综合策略在提升状态判别效能方面展现出良好潜力，为发展基于sEMG的咬合干扰客观辅助诊断方法提供了初步的探索与前期的数据基础。
3.2 基于sEMG主成分特征的咬合干扰回归模型评价
咬合干扰前后的显著性差异检验结果分析: 配对t检验结果表明，近半数指标(253/560)在干扰前后出现显著变化，侧方运动中差异指标数量最多(图 2)，表明该运动模式对咬合干扰最为敏感。进一步分析发现，侧方运动干扰后ARV普遍下降，提示肌肉平均收缩强度降低。CV值在干扰后下降，可能与ARV降低有关，即当肌群收缩强度整体减弱时，其电位波动幅度相对减小，从而表现为稳定性相对上升。MF与MPF的下降则反映肌肉更易出现疲劳。此外，多项对称性与协同性指标亦显示干扰后口颌肌群的协调功能下降。上述变化在干扰侧与非干扰侧侧方运动中均有体现，说明单侧磨牙区咬合干扰可导致双侧肌肉功能异常，表现为激活程度减弱、协调性下降及疲劳性增加。该现象可能与受试者中普遍存在组牙功能牙合类型有关，其侧方运动依赖于磨牙牙尖斜面引导，咬合干扰的出现导致受试者原有的侧方运动轨迹发生代偿性的调整，进而导致口颌面肌肉电活动的广泛改变。这一发现与Baba等[15]研究结果中非工作侧干扰改变颞肌激活模式的结果相吻合，但本研究进一步观察到咬肌活动的变化，可能与信号预处理方法及指标体系的扩展有关。非干扰侧咀嚼运动中差异指标数量最少(4/56)，且差异仅出现在二腹肌相关频域指标(MF、MPF值较干扰前下降)。受当前样本量所限，这一特异性表现是反映了一种真实的神经肌肉代偿模式，还是偶然因素所致，尚需在更大规模的研究中验证其稳定性并深入探讨其生理机制。从指标类型来看，时域指标ARV与频域指标MPF、MF对咬合干扰表现出较强的区分能力，提示干扰主要影响肌肉的平均收缩强度与疲劳特性。而传统功能指标(如POC、TC)更多出现在紧咬牙等静态任务中，说明肌肉不对称性在持续等长收缩状态下更为明显。
主成分分析：本研究通过PCA提取的19个主成分中，PC1 (肌肉疲劳程度)与PC2 (功能性运动幅度)共同解释了sEMG指标差异的39.70%，是样本差异解释的主要成分。PC2在干扰组与非干扰组间呈现出一定的区分趋势(图 4)，说明咬合干扰与口颌面肌肉在功能性活动(如侧方、前伸运动)时的激活程度相关。这一发现为临床调牙合提供了一定参考，咬合检查时可关注患者在动态运动中是否存在肌肉激活不足或代偿模式，如侧方运动幅度的减小或轨迹的异常，而不仅限于静态咬合的检查。PC1所代表的“肌肉疲劳程度”在两组间未形成有效区分, 这提示在本研究构建的暂时性咬合干扰模型中，肌肉的代谢疲劳特性不能作为稳定的鉴别特征。这与部分既往研究相符，健康个体在面临暂时性或短期咬合干扰时，往往可通过“回避性”咀嚼模式、牙周组织的生理适应[16]，以及中枢神经对咀嚼运动的调节[17]，避免肌肉出现持续性疲劳或疼痛。Suvinen等[18]的综述指出，咀嚼系统具有较强的生理适应能力，因此短期或轻度咬合改变通常难以引发稳定的肌肉疲劳或sEMG指标改变。Walton等[19]2021年的共识也提到，短期侧方咬合干扰仅造成肌电振幅及下颌运动速度的短暂改变，难以诱发累积性肌损伤。而李宝勇等[20]研究显示，长期单侧第三磨牙干扰可导致患者咬合力与肌肉活动的异常，进而产生肌肉疲劳。部分动物实验结果表明，长期干扰可能诱发肌纤维类型转变和持续性损伤[21]。这提示研究者，对于短期咬合干扰，肌肉疲劳可能尚处于早期或可被快速代偿阶段，而长期咬合干扰与肌肉疲劳程度之间是否存在相关性有待进一步验证。未来研究可尝试增大样本量，并纳入长期咬合干扰受试者或构建长期干扰动物模型，进一步明确咬合干扰的持续时间对肌肉疲劳程度的累积性影响。
Logistic回归模型的建立与分析：本研究基于PCA提取的sEMG主成分，构建了咬合干扰的Logistic回归判别模型，该模型最终纳入的主成分涵盖功能性运动幅度(PC2)、静态活动稳定性(PC8)、精细运动控制(PC8)三个功能维度，表明咬合干扰对口颌面肌电的影响具有多维度、系统性的特点。模型在多次交叉验证中表现稳定，平均准确率为0.840，平均AUC达到0.923，证明在本研究纳入的正常咬合及构建的咬合干扰样本中，基于sEMG主成分构建的判别模型能够有效识别咬合干扰状态。回归模型最终纳入的三项主成分OR值均小于1，且P < 0.05，提示这些主成分所代表的肌肉功能特征与咬合干扰存在一定关联。PC2 (功能性运动幅度)在PCA中表现出较高的方差贡献率，结合其高载荷指标特征分析，该成分可能反映了个体在存在咬合干扰时，其下颌执行前伸、侧方等功能性运动的幅度及肌肉的激活程度会受到一定程度限制。这种运动幅度的改变，可被视为机体为适应突然出现的咬合干扰而可能采取的代偿性策略之一。由于该指标亦可能受到疲劳、紧张等个体状态因素的影响，因而其特异性相对有限。静态活动稳定性(PC8)主要反映了息止颌位及紧咬牙时，口颌面肌群的激活模式。该成分中，非干扰侧二腹肌在紧咬牙时的ARV值具有较高载荷，其数值提示在咬合干扰存在的情况下，部分受试者可能表现出二腹肌的异常活动。精细运动控制(PC9)主要反映了受试者在牙尖交错位牙列轻接触时咬肌电活动的稳定性，提示存在咬合干扰的受试者在执行轻接触动作时可能伴随着咬肌的不稳定收缩。PC8与PC9得分主要来源于息止颌位、紧咬牙、牙尖交错位轻接触等相对简单的静态临床动作，这一发现或为未来构建简化的临床筛查方案提供初步参考, 但由于其方差贡献率有限，相关结论仍需进一步验证。
本研究存在一定局限性。首先，作为一项探索性研究，本研究样本量有限，尽管采用了交叉验证，但模型仍缺乏独立外部验证集的评估，存在过拟合的风险，若要在未来实现其临床应用，必须通过更大样本和独立外部数据的严格验证；其次，本研究受试者均来源于咬合关系稳定的人群，未包含临床常见的错牙合畸形或颞下颌关节疾病患者等咬合异常群体，未来研究需持续扩大样本规模，并系统性地纳入不同类别的咬合异常患者，以验证并优化本研究构建的指标体系及判别模型在真实临床场景中的适用性，在实验设计方面，本研究的自身前后对照设计在控制个体差异方面具有优势，但引入了重复测试中学习效应、疲劳效应等时间相关混杂因素，尽管已通过标准化动作训练和规定测试间休息时间来缓解这些影响，但其对肌电信号稳定性的潜在干扰依然存在；再次，研究所构建的咬合干扰模型类型单一，且未探讨不同牙位干扰可能产生的不同影响，后续研究可扩大样本规模，并尝试构建或纳入不同牙位、不同程度的咬合干扰患者，以进一步优化sEMG指标体系的临床适用性，可尝试借助机器学习等先进数据分析方法，深入挖掘sEMG信号中与咬合功能状态相关的深层模式与特征，从而构建泛化能力更强、更适用于临床复杂场景的咬合干扰智能辅助诊断模型；最后，在分析方法层面，本研究采用了主成分分析结合Logistic回归的建模策略，但在指标预筛选阶段可能存在信息损失风险，未来研究将在扩大样本的基础上，引入最小绝对收缩与选择算子回归等适用于高维数据的机器学习方法，深入挖掘肌电信号中与咬合功能状态相关的深层模式，从而构建泛化能力更强、更适用于临床复杂场景的智能辅助诊断模型。
综上所述，本研究建立了一套包括咬合干扰模型构建、口颌面sEMG指标体系建立、数据分析与建模的系统研究方法。基于本研究构建的单侧下颌第一磨牙0.5 mm标准化咬合干扰，发现侧方运动对咬合干扰最为敏感，时域指标(ARV)和频域指标(MF/MPF)能有效反映咬合干扰后的肌肉激活强度下降和疲劳特性改变；下颌功能性运动幅度(PC2)可作为识别暂时性咬合干扰的潜在肌电特征，而肌肉疲劳程度(PC1)的鉴别价值有限；本研究构建的单侧磨牙咬合干扰Logistic回归判别模型能有效识别本实验条件下的咬合干扰状态，具有较好的诊断潜力。