一种用于在线扭矩预测的、能够适应疲劳效应的山坡模型

《Intelligent Sports and Health》：A fatigue-adaptive hill model for online torque prediction

自适应Hill型肌肉骨骼模型通过结合肌电信号（EMG）疲劳指数与参数动态调整，显著提升力矩预测精度，并验证了其在变化负荷条件下的鲁棒性。该模型采用均值频谱频率（MPF）作为疲劳指标，有效解决了传统固定参数模型在肌肉疲劳下的预测偏差问题，为康复机器人、假肢控制和运动科学提供了更精准的生物力学模型。

　　肌肉建模在人类运动研究中具有重要作用，不仅有助于优化运动训练方案，还对智能康复系统和人工假肢的开发提供了关键支持。然而，肌肉的内在特性、收缩历史以及尤为关键的肌肉疲劳等因素，对建模结果产生了显著影响。在本文中，研究者提出了一种基于表面肌电信号（EMG）疲劳指数的自适应Hill型肌肉骨骼模型，以实现对肌肉疲劳状态的实时监测，并有效调整模型参数，从而提高其预测性能和适应性。该模型通过建立EMG疲劳指数与Hill型模型中特定参数之间的稳健关系，使得模型能够在运动过程中持续地适应变化，提升其在实际应用中的可靠性。

Hill型模型是生理学模型中最具代表性的模型之一，它通过不同的组件来模拟肌肉收缩过程，例如主动收缩单元（CE）和被动单元（PE），并结合肌腱来构建肌肉-肌腱复合体的力学行为。该模型能够利用肌肉长度和收缩速度等生理参数来生成输出力，并在运动控制和生物力学研究中广泛应用。然而，传统的Hill型模型通常采用固定参数，无法准确反映肌肉疲劳对力输出的影响，从而导致预测误差较大。因此，研究者在本工作中引入了EMG疲劳指数，用于动态调整模型参数，以提升肌肉疲劳状态下的力预测精度。

为了实现这一目标，研究者从EMG信号中提取了两种疲劳指标：均方根值（RMS）和平均频谱频率（MPF）。RMS通常用于反映肌肉活动的强度，而MPF则被选为更具生理意义的指标，因为它能够更准确地反映肌肉疲劳过程中高频成分的减少和低频活动的增加。通过对比实验发现，RMS虽然在固定目标扭矩实验中表现良好，但在自由目标扭矩实验中，由于力输出模式的不确定性，其误差显著增加。而MPF在各种实验条件下均能提供更稳定的力预测结果，表明其作为疲劳指标的优越性。

实验部分采用了连续等长收缩任务，通过三名健康受试者的数据进行验证。实验过程中，受试者需要根据计算机屏幕上的指令重复执行等长背屈动作，同时，研究者实时采集EMG信号和踝关节扭矩数据，用于模型的校准和验证。通过在LabVIEW平台上实现模型架构，系统能够根据每次运动周期的EMG特征（如RMS和MPF）自动更新模型参数，从而建立一种基于生理反馈的在线参数调整机制。实验结果显示，当肌肉疲劳发生时，采用MPF进行参数调整的模型（MPF-AHMM）在固定目标扭矩和自由目标扭矩实验中均表现出更高的预测精度，其均方根误差（RMSE）显著低于传统固定参数模型（Fixed-HMM）和仅基于RMS的自适应模型（RMS-AHMM）。

在固定目标扭矩实验中，MPF-AHMM模型的RMSE平均值为2.24 Nm，而RMS-AHMM的平均值为2.34 Nm，Fixed-HMM的平均值为4.50 Nm。相比之下，MPF-AHMM模型的误差更小，表明其在处理固定目标任务时的稳定性。而在自由目标扭矩实验中，MPF-AHMM模型的RMSE平均值为2.68 Nm，而RMS-AHMM模型的误差在某些情况下显著上升，尤其是在力输出模式发生变化时，其预测误差增大，表明RMS作为疲劳指标在动态任务中的局限性。MPF-AHMM模型在不同力输出模式下仍能保持较高的预测精度，平均误差降低了35.4%。

研究结果表明，基于MPF的自适应Hill型模型能够有效应对肌肉疲劳带来的力输出变化，为运动控制和康复机器人提供更准确的预测基础。此外，该模型在不同任务条件下的泛化能力较强，适用于多种应用场景，包括运动科学、临床实践和生物医学工程。然而，当前研究仍存在一些局限性，例如仅在健康个体中进行验证，尚未在运动障碍患者（如偏瘫患者）中进行测试。未来的研究可以进一步拓展模型的应用范围，探索其在更广泛人群中的适用性，并结合更复杂的任务场景进行验证。

本研究通过建立自适应模型，解决了传统模型在肌肉疲劳状态下预测精度不足的问题，为实现更精确的肌肉力估计提供了新的思路和方法。该模型不仅能够提高运动训练和康复系统的智能化水平，还能为人工假肢的控制策略提供更可靠的基础。此外，模型的在线调整机制使得其能够在实际应用中动态适应肌肉状态的变化，从而提升整体系统的适应性和稳定性。未来的研究可以进一步优化模型的参数调整策略，探索更高效的疲劳指标提取方法，并结合更多类型的运动任务进行验证，以确保其在不同场景下的适用性。