综述：基于PRISMA系统评价的预测性肌肉骨骼模拟研究进展

这篇综述系统回顾了过去50年预测性肌肉骨骼(MSK)模拟的研究进展，重点比较了神经模型（肌肉反射模型和中枢模式发生器CPG）与优化方法（最优控制OC和深度强化学习DRL）的优劣，探讨了肌肉骨骼模型构建、验证方法和应用场景，为未来定量验证和跨方法比较提供了重要参考。

　　

背景

肌肉骨骼(MSK)模拟通过虚拟人体模型研究行走、跳跃、伸手等运动模式。传统方法依赖实验数据驱动，而预测性模拟能超越现有数据，评估辅助设备、手术方案和病理状态的影响。自1970年Hatze首次采用最优控制方法模拟右腿运动以来，该领域已发展出两大类方法：基于神经生理学的模型和基于优化的黑箱方法。

方法学

研究遵循PRISMA指南，检索Scopus、Web of Science和PubMed数据库，最终纳入114篇文献。通过三级筛选（标题、摘要和全文）确保研究质量，Cohen's Kappa系数最终达到0.91，显示评审者间高度一致性。纳入标准聚焦下肢运动预测，排除扭矩驱动模型和单纯数据跟踪研究。

预测技术

黑箱神经控制器

最优控制(OC)将运动预测转化为肌肉兴奋信号的优化问题，采用直接配点法(DC)等算法求解。Falisse团队结合算法微分(AD)将3D模型仿真时间缩短至36分钟。深度强化学习(DRL)则通过奖励机制训练神经网络策略，但需数天训练时间且常需实验数据引导。

基于模型的神经控制器

Geyer-Herr肌肉反射模型通过局部反馈（肌力、长度）控制步态周期，近期采用CMA-ES优化参数。中枢模式发生器(CPG)通过节律发生器产生自主信号，56%研究结合优化调整参数。Song等将反射模块扩展为10个脊髓反射回路，实现三维运动控制。

肌肉骨骼模型

主流采用OpenSim平台，模型自由度(DOF)从2个（单腿）发展到50个，肌肉数量达700条。73%研究使用二维模型，仅28%进行个性化调整。Hill型肌肉模型虽普遍使用，但存在肌纤维长度估计偏差等问题。地面接触多采用Hunt-Crossley模型，但简化足部结构影响动力学预测。

验证与应用

81%研究进行实验验证，但仅50%提供定量指标。OC在行走预测中误差可低于受试者间变异，而DRL常出现踝关节预测偏差。应用场景包括：

• 病理模拟：通过调整肌力反馈模拟脑瘫、中风后肌无力
• 假肢优化：预测经股/经胫假肢的步态适应
• 辅助设备：设计踝足矫形器刚度参数
• 运动训练：优化短跑起跳技术

局限与展望

当前主要挑战包括：

1. 模型个性化不足，尤其缺乏性别/年龄特异性参数
2. 踝关节动力学和水平地面反力预测不准
3. DRL解决方案缺乏生理学合理性验证
4. 能量最小化假设未必适用于特殊人群
   未来需建立标准化验证数据集，加强代码开源共享，发展能解释神经适应机制的混合模型。