综述：运用控制理论研究正常成人、运动员及神经运动障碍患者的视觉运动控制能力

这篇综述系统阐述了控制理论（Control Theory）在视觉运动控制（Visuomotor Control）研究中的应用进展，通过闭环反馈模型（Closed-loop Feedback）解析不同人群（正常成人、运动员、帕金森病PD患者）的感知-动作整合机制，为康复技术及人机交互系统开发提供理论框架。

　　

引言

控制理论作为工程学与数学的交叉学科，为解析生物系统的动态调控提供了量化工具。其核心闭环反馈模型（Closed-loop Feedback）尤其适用于人类视觉运动控制研究——这一需要实时整合视觉输入与运动输出的复杂过程。通过实验数据建模与计算分析，研究者能够模拟目标追踪、驾驶等场景中精确运动的生成机制。

背景

经典研究采用闭环手动控制任务（如操纵杆跟踪屏幕目标），通过正弦扰动信号揭示人类操作者的补偿控制策略。交叉模型（Crossover Model）等简化数学模型，无需依赖神经细节即可预测行为输出，成为系统辨识的重要工具。

正常成人的视觉运动控制

研究表明，视觉线索（如亮度、对比度）通过不同神经通路影响运动表现。Li等学者通过控制理论模型证实，运动系统优先处理高频视觉信息，而感知系统侧重低频特征，支持"双通路"假说。

运动员的特殊适应性

运动员群体展现出更优的预测控制能力，其前馈控制（Feedforward Control）权重显著高于普通人群。例如，乒乓球运动员在目标轨迹预测任务中表现出更低的相位延迟和更高增益，反映长期训练对神经可塑性的影响。

神经运动障碍患者的代偿机制

帕金森病（PD）患者的研究揭示了基底节损伤对控制策略的影响。相较于健康人群，PD患者更依赖视觉反馈而非本体感觉，表现为闭环增益降低和延迟增加。这些发现为靶向康复训练提供了生物力学标记。

控制理论与连续心理物理学

新兴的连续心理物理学方法通过实时记录眼动与手动追踪数据，揭示了感知-动作耦合的动态特性。与控制理论结合后，可量化分析注意资源分配与运动误差修正的时变关系。

未来展望

当前研究尚未充分探索多模态感觉整合的建模方法。开发基于深度学习的非线性控制系统、建立跨物种控制参数数据库，以及优化虚拟现实（VR）康复平台，将成为突破方向。

（注：全文严格依据原文内容缩编，未添加非文献支持信息）