《PNAS Nexus》：Continuous volitional control of a bionic leg supports diverse walking patterns in both AMI and bone-anchored prosthesis users
编辑推荐：
本研究针对下肢截肢者缺乏对动力假肢的直观跨情境控制问题，开发了一种基于神经肌肉模型的人机接口（HMI）。该接口通过个性化数字孪生技术，将残肢肌肉活动（EMG）转化为仿生踝关节的生物力学合理扭矩，实现了在多种步行速度（1.6-3.96 km/h）和坡度（0%、3%、5%）下的连续意志控制。初步结果表明，无论是接受激动剂-拮抗剂肌肉接口（AMI）手术还是使用骨锚定假肢（BAP）的用户，在经过短暂训练后，均能学会调节肌肉激活时间和幅度来控制假肢行为，无需预定义步态状态。这项神经肌肉建模技术为超越特定截肢类型和条件的通用化意志控制假肢开辟了新途径。
对于下肢截肢者而言，重新获得自然、直观的行走能力是一个巨大的挑战。传统的动力假肢往往依赖于基于规则的算法，例如有限状态机，它们根据检测到的运动任务和步态阶段来施加预定义的阻抗特性。然而，这些预设行为常常无法匹配实际的运动需求，并且不允许使用者根据速度、地形或扰动的变化来连续调节扭矩。这就像给用户一把功能固定的钥匙，只能打开几扇特定的门，而无法应对日常生活中千变万化的路况。尽管肌电图（EMG）控制等技术的发展为与神经系统接口提供了可行途径，但现有的方法，如EMG分类器，主要限于识别离散的运动模式，限制了用户在实时状态下意志控制肢体动态的能力。
近年来，激动剂-拮抗剂肌肉接口（AMI）等外科技术的出现，旨在恢复截肢残端的部分生理肌肉配对关系，已被证明能增强使用者对仿生踝足系统的连续意志控制能力。然而，对于使用骨锚定假肢（BAP）的非AMI使用者，肌电控制范式的效果如何尚不清楚。骨锚定假肢通过直接与骨骼连接，避免了传统接受腔的悬吊问题，可能使残肢肌肉收缩不再用于稳定接受腔，从而更有利于肌电控制，但同时也缺乏AMI手术所提供的感官反馈。那么，能否开发一种通用的人机接口（HMI），使得不同类型的截肢者都能实现对仿生腿的连续、意志控制，在各种行走条件下都能像控制自己的原生肢体一样自然呢？
为了回答这个问题，由Federica Damonte和Lucas Avanci Gaudio等人领导的研究团队在《PNAS Nexus》上发表了一项研究，提出了一种基于神经肌肉模型控制（NMBC）范式的新型人机接口。这项研究的核心创新在于为每位使用者创建了一个“数字孪生”——一个基于其健侧（完好）腿部解剖和生物力学特性个性化定制的虚拟肌肉骨骼模型。这个数字孪生模型就像使用者幻肢的“虚拟副本”，能够将残肢表面采集到的肌肉电信号（EMG），通过复杂的生理学计算，实时解码为仿生踝关节应有的生物力学合理的扭矩指令。这种方法不同于以往从截肢者残肢本身或健康人群数据中推导模型参数的方式，它首次尝试使控制模型在解剖结构和力生成能力上尽可能接近使用者原本的肢体。
研究人员为开展此项研究，主要应用了以下几项关键技术：首先，他们利用开源平台CEINMS-RT建立了实时（EMG）驱动的神经肌肉骨骼模型，该模型能够在线预测关节力矩。其次，他们采用了基于光学运动捕捉的逆向动力学分析，获取受试者健侧踝关节的“实验参考关节力矩”，用于个性化校准其数字孪生模型中的肌肉肌腱单元参数。本研究纳入了三名经胫骨截肢的男性参与者，其中两人接受了AMI手术并使用接受腔悬吊式仿生腿，另一人则使用了基于压配式骨整合植入物（BADAL X OTI）的BAP仿生腿。所有参与者均完成了为期三天的实验，包括电极放置、设备调整、基于视觉反馈的肌电生物反馈训练、模型校准以及最终在跑步机（不同速度、坡度）和提踵测试下的假肢控制评估。
材料与方法
研究团队设计了一套完整的软硬件控制流水线。主动踝关节仿生腿（EMPOWER）工作于电流控制模式，接收来自工作站的扭矩指令。工作站运行着神经肌肉骨骼工具箱（CEINMS-RT），负责实时模拟参与者的肌肉模型并生成扭矩设定点。神经肌肉建模是核心，它利用个性化的EMG驱动肌肉骨骼模型，将过滤和归一化后的肌肉激活信号（来自内侧腓肠肌GM和胫骨前肌TA）与仿生腿提供的踝关节角度结合，通过希尔类型肌肉模型计算肌肉-肌腱力量，最终投影为踝关节扭矩。
结果
仿生腿意志控制跨越地面水平跑步机步行速度
结果表明，所有参与者均能在所有步行速度下调节仿生腿的峰值扭矩 timing。随着速度增加，参与者残肢GM肌肉的激活峰值间隔时间相应缩短。尽管TA肌肉的激活模式在不同受试者间存在差异，但所有受试者都能通过NMBC实现对整个运动周期的意志控制，而不需要先验定义的有限状态机。解码出的踝关节扭矩峰值出现在步态周期的预期阶段，例如对于Subject 1-AMI，在增加的步行速度下，峰值扭矩分别出现在步态周期的47.6±11.8%、46.0±13.1%和49.1±11.0%处。
通过肌肉视觉反馈进行步态训练
为期两天的视觉反馈训练显示，所有三名受试者都学会了改变初始肌肉激活模式，使得平均87%的峰值激活时间落在目标范围内。例如，Subject 1-AMI的GM肌肉在目标范围内的峰值百分比从第一天的33%显著提高到第三天（假肢通电状态下）的95%。这表明即使是短时间的训练，也能有效帮助使用者学习控制策略。
仿生腿意志控制于不同坡度跑步机行走
在斜坡行走测试中，Subject 2-AMI和Subject 3-BAP能够根据坡度调节仿生腿峰值扭矩的幅度。例如，对于Subject 2-AMI，在地面、3%和5%坡度下，其GM肌肉的激活峰值幅度分别为0.32±0.17, 0.38±0.12, 和0.38±0.12。相应的，仿生腿峰值跖屈扭矩值也随坡度变化，表明参与者能够根据地形需求调整发力。
仿生腿意志控制于提踵动作
在提踵测试中，受试者能够根据不同的节拍（30, 45, 60 bpm）意志调节仿生腿跖屈-背屈扭矩的 timing。肌肉激活和仿生腿跖屈扭矩的峰值 timing 与预期节拍的偏差不超过0.1秒，表明在承重任务中也能实现精确的意志控制。
讨论与结论
这项研究提出了一种新的人机交互范式，通过从使用者神经肌肉骨骼系统提取信息（从测量的肌肉激活到解码的幻踝关节力学），实现了对仿生腿的意志控制。研究结果提供了初步迹象，表明所提出的神经肌肉模型控制（NMBC）方法可能实现跨多种运动（三种步行速度、两种地面坡度、两种提踵节奏）以及跨先前未在单一研究中比较过的截肢程序（AMI与BAP）的肌电控制。
重要的是，该NMBC不涉及任何状态机，从而实现了完全连续和意志的控制。与以往文献不同，本研究提出的NMBC整合了参与者幻肢的数字孪生，该模型在数值上被构建为匹配参与者健侧腿的肌肉骨骼几何结构和力生成能力。这为建立EMG驱动的肌肉骨骼幻肢模型提供了一种系统化的方法。
研究发现，AMI受试者在训练中表现出快速的学习能力，即使在移除视觉反馈后也能改善对GM的控制，这可能归因于AMI和靶向感觉再支配（TSR）手术带来的本体感觉增强。相比之下，BAP受试者（Subject 3-BAP）在视觉反馈移除后表现下降，表明维持对运动的注意力对其性能可能至关重要，且其控制模式更呈现“开关式”的快速变化，这可能与缺乏丰富的本体感觉反馈有关。在斜坡行走中，BAP使用者表现出更少的肌肉共收缩，而接受腔使用者则可能因小腿肌肉压力增加而导致扭矩形态更不规则。
该研究也存在一些局限性，包括参与者数量较少，仿生腿的扭矩输出因硬件限制低于生理预期，以及尚未评估长期性能、认知负荷、使用者信任度和本体感等主观指标。
总之，这项研究引入的个性化数字孪生方法，为仿生腿的意志控制提供了一个有前景的新框架。它初步证明了该技术在不同截肢类型（AMI和BAP）使用者中实现多样化行走模式连续控制的可行性，向着更自然、自适应、用户驱动的仿生肢体迈出了重要的一步。未来的研究需要在更大人群、更复杂环境以及长期使用中进行验证，并深入探索其对使用者体验和生活质量的影响。
