基于网络药理学和计算机模拟的方法，针对NEU1介导的小胶质细胞在神经炎症中的激活作用：在LPS诱导的小鼠模型中的验证

《Computers in Biology and Medicine》：A network pharmacology and in silico approach to target NEU1-mediated microglial activation in neuroinflammation: Validation in an LPS-induced mouse model

康复训练中功能性电刺激（FES）因肌肉疲劳问题难以持续优化，本文系统梳理了基于最优控制的FES研究现状，发现现有模型复杂度差异大（0-1.79），76%研究未充分验证模型，仅11%涉及多参数优化。临床转化面临硬件定制困难（85%研究使用通用设备）、实时性不足（仅26%实现实时优化）和缺乏标准化评估体系等挑战。建议开发开源FES模型库（R6）、建立多任务基准测试（P5）并推动可编程刺激器研发（P10）。

　　### 了解与优化功能性电刺激（FES）中的控制策略：迈向个性化康复的新方向

功能性电刺激（FES）作为一种通过电脉冲刺激神经肌肉组织来恢复运动功能的技术，近年来在神经康复领域展现出巨大的潜力。然而，FES在实际应用中面临诸多挑战，其中最显著的问题之一是肌肉疲劳的快速发生。这种非生理性的肌肉激活方式会导致康复训练的持续时间与强度受限，从而影响患者的康复进度。为了解决这一问题，研究者们开始探索使用最优控制理论来优化FES参数，以提高运动的精度并减少疲劳。这项研究是对FES中最优控制方法的综述，旨在梳理当前文献，明确最佳实践，识别持续存在的挑战，并提出未来的研究方向。

#### 1. FES与最优控制的结合：提升康复效率的关键

FES的基本原理是通过电刺激来激活神经肌肉系统，从而恢复运动功能。然而，由于FES的刺激参数设置往往是经验性的，缺乏针对性的优化，导致其在实际应用中效果受限。最优控制理论为FES提供了一种系统性的方法，通过数学模型来计算最佳的控制输入，以最小化特定的成本函数并满足系统动态约束。这种策略不仅可以实现更精确的运动控制，还可以根据个体差异进行定制化，从而有效减少肌肉疲劳，提高康复效率。

在现有的文献中，大多数研究采用了基于最优控制的FES模型，主要集中在下肢运动任务上，如膝关节伸展和坐姿站立。这些任务的选择反映了当前研究的优先方向，即通过刺激下肢肌肉（如股四头肌）来改善步态和运动能力。研究还发现，FES模型的复杂度和实现方式对康复效果有重要影响。简单的FES模型（如基于线性招募与非线性激活的模型）被广泛使用，尤其适合实时控制。而更复杂的模型（如结合肌肉疲劳的模型）虽然在理论上有更强的预测能力，但其计算成本较高，限制了实时应用的可能性。

#### 2. 研究现状：模型多样性与临床转化的障碍

在本综述中，共有52项研究被纳入分析，其中25项为仿真研究（in silico），27项为体外实验（in vivo）。参与者主要是健康青年男性，占67%，另有部分研究涉及脊髓损伤（SCI）患者，占33%。这些研究涵盖了多种FES模型，包括基于招募与激活的模型、数据驱动的非线性模型以及力-疲劳现象学模型。其中，Veltink、Riener、Ding等模型被频繁引用，说明这些模型在当前研究中具有较高的认可度。

然而，尽管FES模型的多样性反映了研究的广泛探索，但临床转化仍面临诸多障碍。首先，缺乏统一的建模方法，使得不同研究之间的比较变得困难。其次，模型参数的识别过程复杂且缺乏标准化，这限制了研究的可重复性和推广性。此外，FES设备的商业化程度较低，使得临床应用受限。这些因素共同导致FES在实际临床中的应用进展缓慢，技术成熟度（TRL）普遍较低，多数仍处于实验室验证阶段。

#### 3. 技术复杂性：模型与计算的挑战

为了评估FES模型的复杂性，研究者提出了一种基于对数的复杂度评分系统。根据该系统，FES模型可以分为简单、中等和复杂三类。简单模型通常用于实时控制，因其计算需求较低；中等模型则在性能与计算效率之间取得平衡；复杂模型虽然在理论上有更高的预测能力，但往往需要较高的计算资源，限制了其在实时应用中的可行性。

在最优控制问题（OCP）的实现中，研究者们采用了多种策略，包括轨迹优化、模型预测控制（MPC）等。其中，MPC因其能够实时调整刺激参数而被广泛使用，但其计算需求较高，导致部分研究仍停留在离线优化阶段。此外，FES模型的参数识别过程复杂，涉及多个变量（如刺激频率、脉冲宽度和强度），且缺乏统一的标准，使得不同研究之间的结果难以比较。为了提高FES系统的计算效率，研究者们提出了多种优化方案，包括使用快速求解器（如IPOPT）和自适应离散化方法，以适应不同的任务需求。

#### 4. 肌肉疲劳的应对策略：从模型到实践

肌肉疲劳是FES应用中的主要挑战之一。为了解决这一问题，研究者们在多个方面进行了探索。首先，一些研究直接测量了肌肉疲劳，并将其作为优化目标之一。例如，通过优化刺激参数（如脉冲宽度和频率）来减少疲劳的发生。其次，一些研究尝试将肌肉疲劳纳入模型中，以实现更精确的疲劳预测和控制。这些模型通常结合了肌肉力-疲劳关系，从而能够更准确地模拟长期刺激对肌肉的影响。

然而，尽管这些方法在理论上具有优势，但在实际应用中仍面临诸多挑战。首先，疲劳模型的参数识别过程复杂，需要大量的实验数据支持。其次，模型的可解释性和计算效率需要进一步优化，以确保其在临床环境中的实用性。此外，疲劳模型的验证工作仍然不足，尤其是在长期应用和不同人群中的表现尚不明确。因此，未来的研究需要进一步探索如何将这些模型有效应用于实际康复场景，并通过临床试验验证其效果。

#### 5. 临床转化：从实验室到实际应用的挑战

FES技术的临床转化是一个复杂的过程，涉及多个方面的挑战。首先，FES模型的参数识别和验证需要更多的临床数据支持，而目前大多数研究仍依赖于实验室环境下的数据。其次，FES设备的商业化程度较低，缺乏灵活的、可定制的硬件平台，限制了其在不同康复需求下的应用。此外，FES系统的实时优化能力仍然不足，尤其是在处理复杂的多变量控制任务时。

为了加速FES的临床转化，研究者们提出了多项建议。首先，应建立统一的FES模型验证与评估标准，以确保不同研究之间的可比性和可重复性。其次，应推动FES设备的商业化发展，开发更多可编程、符合安全标准的刺激器。此外，应加强FES与机器人辅助系统的结合，以提高复杂运动任务的康复效果。最后，应鼓励开放科学实践，包括共享数据、代码和模型，以促进跨研究的合作与验证。

#### 6. 未来方向：推动FES技术的进一步发展

本综述指出，FES的未来发展方向应包括以下几个方面。首先，应进一步探索FES模型的多样性，比较不同模型在疲劳管理、运动精度和计算效率方面的表现。其次，应开发更高效的计算框架，以支持实时优化和复杂模型的运行。第三，应推动FES与人工智能（如强化学习）的结合，以实现更智能的控制策略。第四，应加强FES模型的临床验证，特别是在不同人群和长期康复任务中的表现。第五，应推动FES设备的标准化和商业化，使其更适用于临床环境。

此外，FES的临床转化还需要解决一系列现实问题。例如，如何确保FES系统在实际康复环境中的稳定性？如何根据患者的个体差异进行个性化调整？如何在有限的资源下实现高效、低成本的FES系统？这些问题需要多学科的合作，包括生物力学、神经科学、计算机科学和工程学。只有通过跨学科的共同努力，才能推动FES技术从实验室走向临床，真正为患者带来康复上的突破。

#### 7. 临床研究的局限性与改进方向

本综述的研究也存在一定的局限性。首先，由于FES模型的多样性，研究者们无法对所有模型进行全面的比较和评估。其次，许多研究仍停留在实验室环境中，缺乏真实临床场景的验证。第三，研究对象以健康人群为主，缺乏对不同性别、年龄和病程的全面覆盖。这些局限性限制了研究结论的普适性，也使得FES技术的推广面临挑战。

为了改进这些问题，未来的研究应更加注重临床研究的多样性。例如，应纳入更多不同性别和年龄的患者，以评估FES在不同人群中的效果。此外，应加强FES与真实康复环境的结合，如在家庭和社区环境中进行长期随访研究，以评估FES的长期效果。最后，应推动FES研究的开放性，鼓励数据共享和模型开源，以促进跨研究的合作与验证。

#### 8. 总结：迈向更高效的FES康复系统

综上所述，FES技术在神经康复中的应用潜力巨大，但其临床转化仍面临诸多挑战。最优控制理论为FES提供了系统性的优化方法，能够在保证运动精度的同时减少肌肉疲劳。然而，当前的研究仍以简单模型为主，缺乏对复杂模型和多变量控制的深入探索。此外，FES模型的参数识别、计算效率和临床验证仍需进一步优化。

未来的研究应重点关注如何将最优控制方法与FES模型更紧密地结合，以实现更精准的个性化控制。同时，应推动FES设备的商业化发展，开发更多可定制、可编程的刺激器。此外，应加强FES与人工智能技术的结合，探索更智能的控制策略。通过这些努力，FES技术有望在未来的神经康复领域发挥更大的作用，为患者提供更高效的康复方案。