髋关节外骨骼辅助 locomotion 中肌肉协同模式相似性与适应性表征及其对神经肌肉控制机制的启示

本综述系统探讨了便携式髋关节外骨骼在跑步机行走中对神经肌肉控制模式的影响，通过肌肉协同（muscle synergy）分析揭示了外源性辅助力矩如何改变肌肉募集与协调策略。研究创新性地提出了基于皮尔逊相关系数加权求和的协同相似性指数（η），可量化辅助模式与自然行走间协同模式的差异，为优化外骨骼控制策略提供了新见解。实验发现四组主要协同肌群可解释92%以上的sEMG信号方差，且受试者在不同力矩条件下表现出快速适应性（<2分钟），为个性化康复机器人设计提供了重要理论依据。

　　

2 方法

2.1 外骨骼系统

本研究采用的双侧髋关节外骨骼是徐等人（2023）原型的增强版本，系统架构包含六大模块：机械结构、绑带接口、控制单元、电机关节总成、运动感知系统和电源模块。该系统总质量为4.95 kg，可为髋关节屈伸运动提供23 Nm的额定扭矩。机器人髋关节机构集成伺服电机（Maxon EC 90 Flat）、定制行星齿轮减速器和电机驱动器（ESCON 50/5）。运动感知系统包含安装于大腿前侧的两个惯性测量单元（IMU, JY901），整个系统由24V锂电池组供电并通过专用微控制器单元控制。

2.2 控制架构

控制框架分为高层控制（识别人体行走状态并生成期望扭矩曲线）和低层控制（确保扭矩精确跟踪）。高层控制中，通过基于相位的振荡器（PO）估计用户步态相位，该方法仅需依赖矢状面髋关节角度和角速度。根据人体行走生物力学，辅助扭矩曲线由六个特征点（对应四个参数）定义，并通过二次函数平滑连接。因此辅助扭矩曲线可通过伸肌和屈肌的上升时间、下降时间、峰值时间和峰值扭矩来确定。通过人在环（HIL）优化确定了最佳辅助扭矩曲线，本研究仅调整峰值扭矩（15%-40%额定扭矩，记为T1-T6）来探索不同辅助强度对肌肉募集与协调的影响。

2.3 实验方案

实验包含三个部分：（1）熟悉训练；（2）可变峰值扭矩评估；（3）辅助开关分析。所有实验保持3 km/h的恒定跑步机速度。熟悉训练在正式测试前24小时进行，确保受试者对每种辅助模式的适应。可变峰值扭矩阶段以2分钟无外骨骼（NE）基线试验开始，随后进行随机顺序的辅助行走试验，每种辅助条件后都执行零扭矩（ZT）模式以消除残留效应。辅助开关转换阶段从2分钟ZT模式开始，随后进行10分钟T2辅助模式，最后再以2分钟ZT模式结束。

2.4 受试者与数据采集

8名健康志愿者（1女7男，年龄25.0±3.4岁）参与研究。运动学数据通过安装于大腿前侧的IMU采集（200 Hz），步态周期估计采用相位振荡器算法处理IMU衍生的角度和角速度数据。肌肉活动通过无线表面肌电（sEMG）传感器监测，基于开源数据分析显示肌肉协同模式存在显著双侧对称性，因此从左下肢8块主要肌肉采集信号：股直肌（RF）、股内侧肌（VM）、股外侧肌（VL）、股二头肌（BF）、臀大肌（GL）、腓肠肌（GM）、胫骨前肌（TA）和比目鱼肌（SOL）。sEMG信号以2 kHz采集，经过带通滤波（20-300 Hz）、全波整流和低通滤波（10 Hz）处理，最终归一化为每个步态周期100个点。

2.5 肌肉协同与相似性

采用非负矩阵分解（NMF）进行肌肉协同提取，使用投影梯度法实现。sEMG数据集M_m×n（m为肌肉数，n为时间帧）分解为肌肉权重矩阵W_m×s和激活曲线矩阵H_s×n，以及重构误差E_m×n。协同数量s根据方差解释率（VAF）准则确定，要求总VAF>90%且增加协同数时VAF提升<5%。为量化协同相似性，开发了评估指数η，该指数结合了激活比率c_k和皮尔逊相关系数r_k，通过系统对齐协同向量后计算加权相似性。同时计算了对比指数α（Steele et al., 2017）进行比较分析。

2.6 统计分析

使用SPSS 18.0进行统计分析，采用非参数检验检查不同条件下肌肉协同相似性的差异，单因素方差分析（ANOVA）评估组内和组间差异，显著性水平设为p<0.05。

3 结果

3.1 肌肉协同权重

肌肉协同分析显示，在外骨骼辅助和未辅助行走中，四个协同肌群分别解释了sEMG信号92.73%±0.43%和93.06%±0.64%的方差。虽然未辅助行走的VAF略低，但这不影响通过VAF准则确定的最佳协同数。在恒定速度跑步机行走中，受试者在不同辅助扭矩条件下表现出一致的肌肉协同模式：协同1（RF、VM、VL主导）主要在站立期激活；协同2（GL、TA主导）在左腿站立初期启动；协同3（BF主导）呈现双相特征；协同4（GM、SOL主导）在站立期逐渐激活。

3.2 协同相似性

使用η和α两个指数定量评估外骨骼辅助条件与正常行走间的肌肉协同相似性。统计分析显示，即使是在ZT条件下，外骨骼辅助行走的两种相似性指数均显著降低。两种指数均呈现特征性变化模式：随着辅助扭矩增加先降低后升高，从而可识别个体特异性最佳辅助扭矩。η指数显示出更显著的差异敏感性，例如受试者1和4在T3条件下达到最大中值0.7548和0.7555（p<0.001），而α指数的差异较不明显。详细定量分析显示η指数在区分外骨骼与正常行走以及目标模式选择方面均产生更多显著差异。

3.3 协同适应性

对肌肉协同相似性的时间分析揭示了在不同外骨骼辅助模式转换过程中独特的适应模式。受试者从ZT转换为T2辅助模式时，能在极短时间内（<2分钟）调整肌肉募集和协调。这一适应过程 consistently 呈现两个 distinct 阶段：初始相似性变化（黑色箭头指示）后稳定到相对恒定状态。相同的双相模式在从T2到T1模式的转换中也观察到，表明存在系统的神经肌肉适应机制。η指数表现出比α更高的敏感性，其变化范围更明显。值得注意的是，有些受试者（如受试者8）在T2条件下显示最小相似性变化，可能由于扭矩模式与自然步态动力学高度匹配或扭矩幅度较低所致。

4 讨论

4.1 肌肉协同权重

研究发现四个协同足以解释外骨骼辅助和正常行走条件下的sEMG数据方差，这与先前基于NMF的研究一致。虽然受试者间肌肉协同模式存在普遍相似性，但在不同辅助扭矩水平下，各协同中肌肉特异性贡献存在显著个体差异。有趣的是，较高的辅助扭矩往往产生与正常行走更相似的肌肉协同，但这一趋势并非在所有协同中普遍存在。

4.2 协同相似性

比较分析表明，皮尔逊相关系数的加权和η在量化肌肉协同模式相似性方面优于传统指数α。这种优势体现在两个方面：首先，η对不同辅助扭矩水平的变化更敏感；其次，统计比较显示η consistently 产生更显著的差异。η直接通过肌肉激活模式的空间比较来量化协同向量间的相似性，而α通过替代协同权重间接评估相似性，导致对幅度差异的敏感性降低。这些计算原理的差异可能解释了为何η在本研究中检测到更多显著差异。

4.3 协同适应性

肌肉协同相似性的时间分析揭示了不同外骨骼辅助模式转换过程中的独特适应模式。受试者在从ZT转换为T2辅助模式时表现出快速适应能力，这一适应过程 consistently 呈现双相模式。虽然两种相似性指数都捕获了这种适应模式，但η表现出更高的敏感性。有些受试者在T2条件下显示最小相似性变化，可能由于优化扭矩模式与自然步态动力学高度匹配或扭矩幅度较低所致。

5 结论

本研究通过引入新颖的评估指数，深入探讨了便携式髋关节外骨骼辅助行走中的肌肉协同模式及其适应性变化。研究结果表明人类神经肌肉系统对外部机器人辅助表现出显著的适应性，提出的相似性指数有效捕捉了这些适应反应。这些发现不仅增进了我们对辅助步态中神经肌肉适应机制的理解，也为可穿戴机器人领域的个性化控制策略优化提供了重要依据。未来研究应更广泛地探索肌肉协同与肌肉活动、代谢消耗和用户主观偏好之间的关系，为开发更自然直观的外骨骼控制框架提供指导。