编辑推荐：
目前肌肉骨骼模型在估计肌肉力量时存在不足，为解决此问题，研究人员开展 “利用肌间相干性（IMC）改进肌肉力矩估计” 的研究。结果显示，该方法增强了动力学数据跟踪，提高了估计稳健性。这为更准确地评估肌肉协调提供了新途径。
在运动科学和康复医学领域，准确估计肌肉力量对理解人体运动机制、指导康复治疗以及优化机器人控制策略至关重要。然而，现有的肌肉骨骼模型却存在诸多问题。一方面，模型常过度简化肌肉激活背后的神经策略，导致肌肉力量估计不理想。比如在处理肌肉冗余问题时，某些肌肉尤其是拮抗肌的贡献容易被忽视或错误估计。另一方面，这些模型对输入参数极为敏感，参数的微小变化就可能使估计结果产生较大偏差，严重限制了模型在实际中的应用。
为了攻克这些难题，来自国外的研究人员展开了一项极具创新性的研究。他们致力于探索将肌间相干性（Intermuscular Coherence，IMC）融入神经肌肉骨骼模型，以此提升肌肉力矩估计的准确性。研究成果发表在《Biomedical Signal Processing and Control》上，为该领域带来了新的曙光。
研究人员采用了一系列关键技术方法。首先，收集了 24 名健康受试者进行水平上肢伸展运动的数据，包括运动学数据和肌电数据。通过逆动力学计算出净关节扭矩，这是后续分析的重要基础。在模型构建方面，基于前人研究改进的肌电驱动模型（EMG - model），同时创新地构建了融入 IMC 的模型（IMC - model）。在数据处理过程中，运用多种滤波和计算方法，如 Butterworth 滤波、小波变换等，对数据进行处理和分析，以探究两种模型在肌肉力矩估计上的差异 。
研究结果主要体现在以下几个方面：
- 净关节扭矩跟踪：对比两种模型，发现它们在跟踪净关节扭矩方面表现相似，平均归一化均方根误差（nRMS）均为 2.71 ± 1.11%，且无显著差异。这表明在净关节扭矩拟合方面，两种模型效果相当。
- 估计稳健性：对于 EMG - model，初始参数 α 和 ω 的变化对肌肉力矩估计有显著影响，在运动过程的多个阶段都出现了显著的交互作用。而 IMC - model 则表现出更强的稳健性，其肌肉力矩估计不受初始参数 α 和 ω 变化的显著影响。这说明 IMC - model 在面对不同初始参数时，能更稳定地输出可靠的估计结果。
- 肌肉力矩估计：在肌肉力矩估计上，两种模型存在显著差异。IMC - model 在多个运动阶段显著提高了肱二头肌（BB）和肱桡肌（BR）的力矩估计值。这意味着 IMC - model 能更准确地反映这些肌肉在运动中的实际作用。
- 共收缩指数估计：IMC - model 估计的共收缩指数（CCI）在运动的部分阶段显著高于 EMG - model，在部分阶段又显著低于 EMG - model。具体来说，在运动开始阶段，EMG - model 低估了拮抗肌的力矩，导致 CCI 较低；而 IMC - model 能更准确地反映拮抗肌的贡献，使 CCI 更符合生理实际。
研究结论和讨论部分进一步强调了该研究的重要意义。从模型性能来看，IMC - model 通过将 EMG 信号分解为共同和独立信号，引入肌肉间的功能耦合关系，降低了问题的维度，从而提高了估计的稳健性，使其在不同初始参数下都能稳定收敛。在反映生理真实性方面，IMC - model 更准确地模拟了拮抗肌的力矩，纠正了传统模型可能出现的对拮抗肌作用的忽视，使共收缩指数的估计更符合实际生理情况。这对于全面理解肌肉在运动中的协调机制具有重要意义。
然而，该研究也存在一定的局限性。研究中采用的简化方法仅考虑了肌肉对之间的共同神经驱动，未涉及更广泛的肌肉间共享输入。此外，在频率范围选择上，虽然整合了 0 - 80Hz 的 IMC，但未来研究可聚焦于特定频率范围，如 β 频段（15 - 30Hz）或 γ 频段（30 - 60Hz），进一步探究其对肌肉关节力矩估计的影响。同时，在方法学上，可尝试采用机器学习方法替代传统的数值优化方法，提高寻找最优解的效率和性能。
总体而言，这项研究为神经肌肉骨骼模型的发展提供了新的方向，为更准确地评估肌肉协调和运动控制奠定了基础，有望在康复医学、人体运动科学以及机器人控制等领域发挥重要作用，推动相关领域的进一步发展。
