标题和描述中提到的研究论文标题为"Multi-scale Complexity Analysis of Muscle Coactivation during Gait in Children with Cerebral Palsy"，表明该研究的主要内容是分析患有脑性瘫痪的儿童在行走时下肢肌肉共同激活的多层次复杂性。脑性瘫痪（CP）是一种影响运动控制和姿势发展的神经肌肉疾病，通常在儿童早期发展过程中出现。该研究使用了多变量多尺度熵（MMSE）分析方法，对表面肌电图（EMG）信号进行了分析，以评估不同肌肉之间协同激活和协调的复杂性。
在详细介绍该研究的知识点之前，我们先了解一下相关的几个概念：
1. 脑性瘫痪（CP）：脑性瘫痪是儿童中常见的永久性运动障碍，其特点包括姿势异常、肌张力异常和运动协调性差。脑性瘫痪的类型多样，包括痉挛型、不随意运动型、共济失调型等。
2. 表面肌电图（EMG）：是一种通过皮肤表面放置电极来检测肌肉活动的方法，能记录肌肉在收缩时产生的电活动变化，常用于评估肌肉和神经功能。
3. 多变量多尺度熵分析（MMSE）：这是一种用来衡量数据复杂性的数学方法，它通过分析信号中出现的重复模式来评估其复杂度。在生理信号处理中，MMSE可以用来评估健康或病理状态下生物体的生理信号复杂性。
4. 多尺度分析：是指在不同的时间尺度上进行的数据分析，以揭示数据在不同尺度下的特性。这种分析有助于理解系统的时间动态特性。
5. 多变量经验模态分解（MEMD）：是一种用于非线性和非平稳时间序列信号处理的方法，它可以将信号分解成一系列具有不同时间尺度的成分，有助于更好地理解复杂信号的内在结构。
现在，我们可以从给定的研究论文内容中提取以下知识点：
- 研究目的是通过应用新近开发的多变量多尺度熵（MMSE）分析方法，对患有脑性瘫痪的儿童、典型发展儿童（TD）以及健康成年人行走时下肢肌肉的共同激活和协调进行复杂性表征。
- 实验对象包括11名CP儿童、8名TD儿童和7名健康成年人。实验中收集了这些受试者的表面肌电图（EMG）信号，包括大腿和小腿的五个和三个肌肉，共16个EMG通道的信号。
- 对16通道表面EMG数据进行了多变量经验模态分解（MEMD）处理，以生成用于后续MMSE分析的完全对齐的数据尺度。
- 为了使用MEMD增强的MMSE进行广泛检查肌肉共同激活复杂性，设计了14种不同的数据分析方案，这些方案通过改变部分肌肉组合和数据段的时间长度来进行变化。
- 实验结果表明，典型发展儿童和健康成年人在多个尺度上显示出几乎一致的MMSE曲线，不存在显著差异（p>0.09）。然而，在与对照组相比时，CP组显示出不同的MMSE曲线多样性。
- CP组出现的异常复杂性模式可以归因于多种因素，包括运动控制障碍、肌肉耦合丧失和痉挛等。这些因素可能影响行走期间肌肉共同激活和协调的动态复杂性。
- 论文强调了CP中不同的神经病理过程如何可能影响肌肉共同激活和协调的动态复杂性，并指出CP组中出现的异常复杂性模式。
这些知识点共同构成了对脑性瘫痪儿童行走时肌肉共同激活多层次复杂性的分析框架，提供了一种用于评估和理解CP儿童运动障碍复杂性的新方法。通过这种复杂性分析，研究人员可以更好地理解CP对下肢肌肉活动的影响，并可能为CP儿童的康复治疗提供新的视角和评估工具。
