编辑推荐：
这篇综述聚焦于腰骶部脊髓刺激（SCS）在脊髓损伤（SCI）后步行恢复中的应用。探讨了机器学习方法如何定制刺激模式和参数，以实现个性化康复，同时分析了面临的挑战与未来方向，对该领域研究和临床应用极具参考价值。
步行是一项复杂的运动任务
人类双足步行是骨骼、肌肉和神经系统之间错综复杂的相互作用过程。脊髓中的运动网络在产生运动所需的肌肉协同作用方面起着关键作用。这些网络的运作十分复杂，依赖于来自外周的连续感觉信息以及来自脊髓上区域的意志控制。神经系统受损常常会导致运动功能受损，脊髓损伤（SCI）就是其中较为常见的情况。
脊髓刺激的方法
刺激脊髓的方式有植入式设备和非侵入性方法。植入式刺激脊髓的方法包括脊髓内微刺激（ISMS）和硬膜外脊髓刺激（eSCS），在本综述中统称为脊髓刺激（SCS）。ISMS 通过穿透性电极向腰骶部运动神经元池传递电刺激，能使腿部肌肉产生单独和协同收缩。
机器学习概述
用于控制 SCS 的机器学习主要有监督学习（SL）和强化学习（RL）两类。SL 利用预先标记的数据集训练算法，以预测新数据的标签，常用于分类任务，也能在回归任务中产生连续数值输出。此外，基于贝叶斯推理的 SL 可以估计给定输入数据的标签概率，或给定标签的数据概率。
控制刺激时机以恢复步行
目前使用 eSCS 改善神经损伤后步行的研究都采用开环控制，即刺激参数预先设定并开启刺激。近期虽有专家在运动任务中进行实时调整，但闭环控制尚未探索。机器学习方法在不同电刺激应用中越来越广泛，eSCS 也应考虑采用。在闭环控制中使用机器学习具有重要意义。
机器学习用于自动选择刺激参数
当前设定 SCS 振幅、脉冲宽度和频率的方法，是构建这些参数与肌肉反应之间的关联图，以此创建 SCS 协议来实现运动所需的复杂肌肉募集。但这种策略假定肌肉反应与 SCS 之间存在确定且恒定的关系，然而为期望的运动活动推导静态参考存在局限性，机器学习有望改善这一现状。
机器学习用于优化电极选择
SCS 电极根据其在脊髓内的解剖位置和功能协同作用来激活腿部肌肉。目前选择 SCS 电极的过程繁琐，需要临床医生或专家对电极配置和位置进行反复测试，直至产生期望的肢体运动。机器学习有助于优化这一选择过程。
使用机器学习前的自我思考
机器学习在控制 SCS 方面潜力巨大，可优化电极选择、刺激参数和刺激时机，促进 SCI 后的步态康复。但应用时需谨慎，因其无法解决步行控制中的所有问题，如痉挛。并且机器学习对 SCS 设备机制及其与神经系统的相互作用缺乏深入理解。
相关方法和未来方向
控制下肢外骨骼的相关研究凸显了机器学习在预测用户意图和提供个性化步行控制方面的作用。例如，长短期记忆循环神经网络（一种 SL 方法）能识别不同速度和坡度下的步态阶段；最小二乘策略迭代（一种基于 RL 的控制方法）可为用户运动提供个性化扭矩。
结论
SCS 是一种新兴的增强康复手段，用于 SCI 后恢复步行。选择合适的电极、刺激参数和刺激时机是一项艰巨任务。SL 和 RL 方法在自动选择最佳电极和刺激参数以激发腿部肌肉活动和运动方面前景广阔，尤其是 RL，无需训练即可实现个性化步行控制。随着 SCS 方法朝着标准治疗方向发展，机器学习将发挥重要作用。
