CEINMS-RT：用于可穿戴机器人连续神经力学模型控制的开源框架

《IEEE Transactions on Medical Robotics and Bionics》：CEINMS-RT: An Open-Source Framework for the Continuous Neuro-Mechanical Model-Based Control of Wearable Robots

为解决肌电控制模型实时性差、通用性不足的问题，研究人员开发了开源实时EMG驱动建模框架CEINMS-RT。该框架通过模拟从肌电信号到关节力矩的完整神经力学通路，实现了<3.1ms的实时计算性能，在树莓派2上成功验证了其对下肢外骨骼、仿生肢体的跨任务自适应控制能力，为可穿戴机器人提供了可解释的机械学替代方案。

　　

人类运动是神经系统、肌肉系统和骨骼系统与环境相互作用产生的复杂行为。尽管现代技术已能记录脑电、神经信号和肌电等生物电信号，但我们对其如何转化为生物力学力的理解仍存在空白。这一知识缺口严重制约了用于自愿神经控制机器人肢体、外骨骼和助力服的人机接口发展，也阻碍了针对神经肌肉损伤的个性化康复机器人干预措施的开发。

传统基于静态/动态优化或强化学习的计算机模型需要预先假设肌肉招募策略，难以捕捉不同运动、解剖结构和条件（如衰老或损伤）下肌肉招募和力量生成的变异性。而肌电驱动建模技术虽能无假设地模拟从肌电信号到关节力矩的完整动力学过程，但其实时控制实现大多为专有系统，阻碍了该技术的广泛使用和标准化进程。

发表于《IEEE Transactions on Medical Robotics and Bionics》的研究提出了CEINMS-RT这一开源实时框架，通过模拟EMG依赖的神经力学过程，实现了对可穿戴机器人的连续自主控制。该研究通过模块化插件架构整合多源传感器数据，利用多维B样条实时计算 musculotendon unit（MTU）运动学，并采用改进的Hill型肌肉模型计算肌力生成动力学。关键技术方法包括：基于模拟退火算法的个性化参数校准（20-120分钟）、支持 stiff/elastic tendon 两种肌腱模型的实时肌力计算（<1ms）、以及通过TCP/UDP插件与多种机器人平台（如ROS、TwinCAT）实时交互。研究纳入了健康受试者、脑卒中、脊髓损伤及截肢患者等多类人群，通过生物力学实验验证框架性能。

研究结果显示，CEINMS-RT在树莓派2上的全流程计算时间<5.2ms，显著低于肌肉电机械延迟（30-50ms），实现了13个MTU的膝踝关节力矩实时估计。在适应性控制验证中，腰部外骨骼应用使L5/S1节段压缩力降低21%，踝关节外骨骼在不同步行速度和坡度转换中均能降低生物踝关节力矩。对于截肢患者，该框架通过解码幻肢关节力矩，实现了四自由度仿生手臂的同步比例控制（肘关节力矩预测R=0.77±0.04）。

CEINMS-RT的软件架构采用C++编写，包含四个核心线程类型（Producer、Consumer、Producer&Consumer、Optimizer）和中央同步工具。肌肉激活动力学模块通过指数函数（a_m=(e^Ae_m-1)/(e^A-1)）将归一化肌电包络转化为肌肉激活信号。肌骨动力学模块通过虚拟功原理计算MTU力矩臂，并采用激活依赖的力-长度-速度曲线计算肌力（F_MTU=[a_mf(l?_m)f(v?_m)+f_P(l?_m)]F_m^max·cos(φ(l_m))）。

在应用验证方面，研究团队通过多个典型案例展示了框架的通用性。实时生物力学应用中，结合Real-time OpenSim（RTOSIM）插件实现了抬重任务时腰骶压缩力的在线监测（计算时间<54.3ms）。在可穿戴机器人控制场景中，通过图4所示控制范式，将CEINMS-RT估计的关节力矩按比例转化为机器人辅助力矩，成功应用于腰部助力服、踝关节外骨骼和仿生 prosthesis 的 volitional 控制。

特别值得注意的是，在踝关节外骨骼实验中（图5），框架在速度转换和坡度变化条件下均保持稳定性能，生物踝关节力矩均方根值显著降低。而针对截肢患者的仿生肢体控制（图7），通过targeted muscle reinnervation（TMR）技术后的残端肌电信号，成功重建了幻肢四自由度关节力矩曲线（腕关节屈伸预测R=0.95±0.005）。

研究还明确了未来发展方向：将集成肌肉疲劳动力学模型、肌骨刚度估计、functional electrical stimulation（FES）融合等扩展功能。当前框架仍存在校准耗时较长（需20-120分钟）、肌电信号归一化依赖先验数据等局限，后续将通过可微分物理加速校准、贝叶斯滤波等技术优化。

该研究的核心突破在于建立了首个开源可解释的实时神经力学控制框架，通过机械学建模替代黑箱神经网络，实现了<3.1ms的实时性能与跨任务泛化能力。CEINMS-RT不仅为可穿戴机器人提供了任务无关的控制范式，其插件化架构更推动了领域内技术标准的统一。未来通过与强化学习、可微分物理等前沿技术结合，有望进一步降低校准门槛，推动个性化康复机器人技术的临床转化。