通过可微分物理和肌肉协同作用提高基于肌电图的神经肌肉骨骼模型的校准精度

《IEEE Transactions on Biomedical Engineering》：Improving Calibration of EMG-Informed Neuromusculoskeletal Models Through Differentiable Physics and Muscle Synergies

神经肌肉骨骼（NMS）模型通过引入可微分Hill型肌肉结构和肌肉协同性，显著减少校准时间（最多26倍），同时提升关节力矩预测精度，并支持较少EMG通道的参数估计。研究验证了协同混合校准方法在减少计算成本（单次校准从数小时缩短至分钟级）和生成未记录肌肉激活方面的有效性，为实时生物力学分析和个性化神经康复提供技术基础。

　　

摘要：

目标：基于肌电图（EMG）的神经肌肉骨骼（NMS）模型能够预测生理上合理的肌肉力量和关节力矩。然而，将模型参数（例如最佳纤维长度、肌腱松弛长度）校准到个体身上非常耗时，优化过程通常需要数小时才能收敛，并且通常无法考虑未记录的肌肉兴奋情况。本研究通过将可微分物理原理和肌肉协同作用纳入NMS模型的校准中，解决了这些限制。方法：我们实现了一个包含自微分Hill型肌肉的NMS模型，从而可以使用自适应梯度下降优化器进行训练。评估了两种校准方法：一种标准的基于EMG的方法，另一种结合了肌肉协同作用的混合方法，该方法还能合成未记录的肌肉兴奋信号。使用来自同一参与者的上肢和下肢数据对这两种方法进行了评估。结果：校准时间缩短了多达26倍，同时保持了相似的关节力矩预测精度。与基于EMG的校准方法相比，结合肌肉协同作用的混合校准方法在较少的EMG通道数量下也能更准确地估计模型参数。结论：自微分Hill型肌肉模型大幅减少了NMS模型的校准时间，并通过肌肉协同作用实现了未记录肌肉兴奋信号的合成，从而便于所有肌肉参数的校准。意义：这种新的快速校准方法有助于将NMS模型应用于时间敏感的场景，包括实时生物力学分析和个性化神经康复。

引言

神经肌肉骨骼（NMS）建模提供了一个基于物理的数学框架，用于模拟神经、肌肉和骨骼系统之间的复杂动态相互作用[1]、[2]。当结合肌电图（EMG）数据时，NMS模型还能考虑个体特有的运动控制机制，即使观察到的运动学和动力学参数不变，也能预测肌肉力量对EMG变化的响应[3]。这一基于物理的框架在伤害预防[4]、[5]、[6]、康复[7]、[8]、骨科手术规划[10]、[11]以及外骨骼的人机交互控制[12]和肌肉电刺激[13]等领域具有广泛的应用前景。然而，在使用这些模型之前，需要校准神经肌肉参数（如最佳纤维长度、肌腱松弛长度等），以最佳反映个体的生理特征并提高预测准确性[1]、[14]、[15]。传统的随机优化算法（如模拟退火[16]或粒子群[17]）常用于NMS模型的校准[14]，但这些算法收敛速度极慢，可能需要数小时才能完成[18]。