生理性肌梭模型与脊髓通路的闭环耦合在人体中心向外伸展运动中的感觉运动控制研究

这篇研究创新性地将生理性肌梭模型与脊髓通路闭环耦合，通过NEST和demoa双模拟器平台构建神经肌肉骨骼系统，揭示了肌梭传入信号（Ia/II）在扰动条件下对脊髓突触可塑性的关键调控作用。研究采用CMA-ES算法优化150个脊髓突触权重，证实包含肌梭反馈的完整脊髓网络（CSM）相比简化模型（SSM）能更有效完成中心向外伸展任务，特别在对抗重力（1kg前臂负重）时，肌梭连接权重显著增强（7-10区间），为感觉运动控制机制提供了新的计算建模范式。

　　

生理性肌梭模型与脊髓通路的闭环耦合

这项开创性研究构建了整合生理性肌梭模型与生物力学手臂模型的仿真平台，通过耦合NEST脉冲神经网络模拟器与demoa多体动力学框架，实现了从感觉反馈到运动执行的全闭环模拟。创新点在于将Chacon等开发的增强型Hill肌梭模型（含bag1、bag2和chain纤维）与Arm26骨骼肌模型并行整合，同时首次在脊髓网络中加入动态γ_d和静态γ_s运动神经元，完整再现了四种经典脊髓通路：牵张反射、本体脊髓、Ia抑制和Renshaw抑制通路。

材料与方法的技术突破

研究团队开发了基于Cython的跨平台接口，实现NEST与demoa的毫秒级数据同步：NEST向demoa传输α/γ运动神经元脉冲时间（转换为肌肉刺激u_t），demoa则反馈肌梭Ia/II传入放电率至NEST的泊松发生器节点。脊髓网络包含36个af_psc_alpha神经元（6肌肉×6神经元类型），突触权重初始值设为兴奋性5.0、抑制性-5.0，部分协同肌连接设为可塑性2.0。特别值得注意的是，动态γ_d仅支配bag1纤维，而静态γ_s支配bag2和chain纤维，这种细分实现了对肌梭不同类型纤维的特异性调控。

中心向外伸展任务的神经优化

采用CMA-ES进化算法对150个突触权重进行优化，分阶段设计代价函数：初期计算轨迹点与目标的欧式距离和，后期（误差<0.05m）仅评估终点误差。在扰动条件下（前臂质量增加1kg），完整脊髓网络（CSMp）仍能到达全部8个目标，而简化网络（SSMp，仅含Renshaw通路）仅能完成4个低位目标。运动学分析显示，成功轨迹呈现典型的钟形速度曲线（50ms间隔点分布），而简化网络在终点出现速度异常升高现象，这与小脑共济失调患者的运动特征相似。

肌梭连接的关键作用验证

通过突触权重矩阵分析发现，在对抗重力的高位目标（如T1[0.23,-0.23]m）任务中，CSMp模型的肌梭传入连接（Ia/II→α运动神经元）权重显著增强至7-10区间，较无扰动条件提升40%。相比之下，简化网络的Renshaw细胞间连接虽也增强，但无法补偿缺失的肌梭反馈。特别有趣的是，对重力辅助目标（T5/T7），两种模型均出现权重抑制现象，说明神经系统能智能分配调控资源。

讨论与未来方向

该研究首次在计算模型中实现了γ运动神经元对肌梭的动态调控，支持Dimitriou提出的"前向感觉模型"理论。局限性在于使用点神经元模型未能模拟树突整合效应，且未包含Ib抑制通路（需高尔基腱器官模型）。未来工作可结合多室神经元模型，并引入小脑模块改善运动的协调性。这项研究为理解脊髓在感觉运动学习中的计算原理提供了新视角，尤其对神经假肢的仿生控制具有启示意义。