《Journal of NeuroEngineering and Rehabilitation》：From simulation to stimulation: a predictive synergy-based control strategy for functional electrical stimulation cycling in a person with spinal cord injury
编辑推荐：
背景：功能性电刺激（FES）骑行刺激策略通常来源于启发式方法或健全人运动学与肌电图数据，这对于完全性脊髓损伤（SCI）患者而言可能不安全且缺乏代表性。采用协同实现的最优控制预测性肌肉骨骼仿真，提供了一种无需先验实验数据即可生成个体化、生理学上合理的肌肉轨迹的方
背景：功能性电刺激（FES）骑行刺激策略通常来源于启发式方法或健全人运动学与肌电图数据，这对于完全性脊髓损伤（SCI）患者而言可能不安全且缺乏代表性。采用协同实现的最优控制预测性肌肉骨骼仿真，提供了一种无需先验实验数据即可生成个体化、生理学上合理的肌肉轨迹的方法。本研究在先前概念验证的基础上，开发并实验验证了一种仿真衍生的FES骑行刺激策略。
方法：研究人员利用OpenSim Moco实现了一个两阶段肌肉骨骼预测仿真框架。首先，一个速度追踪最优控制问题优化了模型的运动学和个体肌肉轨迹。其次，利用非负矩阵分解（NMF）将肌肉兴奋分解为功能性协同，产生股四头肌和腘绳肌肌群的协调激活模式。模型纳入了受试者特异性约束。所得激活曲线随后经处理转换为曲柄角查找表，用于实时控制。实验验证在一名完全性脊髓损伤受试者中进行，将仿真衍生控制信号（CS）与用于2024年Cybathlon赛事的精细化经验性bang-bang（BB）方案进行了比较。
结果：仿真生成了与预期骑行动力学一致的稳定协同肌肉轨迹。实验方面，表现随试验顺序变化，CS和BB均能实现无辅助FES骑行。BB产生更高的平均功率和踏频，而CS在左右平衡方面更为对称，并在较高刺激强度下表现出部分性能恢复。
讨论：尽管BB在功率和踏频上优于CS，但CS方法被证明是可行的且具有方法论优势。CS信号的一致性和生理结构化行为表明，预测性仿真可为个体化FES骑行控制提供安全、可重复的基线，尤其适用于新用户或研究团队。
结论：这是骑行领域首次将最优控制驱动的FES与肌肉协同相结合的实现，为完全性SCI个体生成了可行且具有生理基础的FES骑行刺激曲线。尽管未超越高度精细化的经验性策略，但仿真衍生信号表现可靠，代表了基于模型的FES控制个体化的重要基础。
试验注册：巴西利亚大学伦理委员会，75441323.4.0000.8093。
论文解读
一、研究背景与问题提出
功能性电刺激（FES）是一种通过外部施加电流诱发肌肉收缩的康复技术，在脊髓损伤（SCI）患者的康复中应用广泛，可带来肌肉质量增加、心血管健康改善和生活质量提升等多方面益处。在FES的诸多应用中，FES辅助骑行因其在临床环境和国际竞赛（如Cybathlon）中的有效性和可及性而备受关注。
然而，FES骑行中的刺激策略长期面临根本性挑战。目前最常用的刺激策略是bang-bang（BB）控制，即大肌群在预定角度区间内被完全激活或完全关闭。这种二值化刺激范式虽然简单鲁棒，但与生理性肌肉募集模式存在显著差异——表面电刺激以非选择性方式同时激活多个运动单位，且力量分级能力有限、易致疲劳，BB策略进一步加剧了这些缺陷。以往研究尝试通过启发式试错、实验力矩反馈或健全人表面肌电图（sEMG）数据来优化刺激方案，但这些方法各有局限：启发式方法在感觉反馈受限的参与者中存在盲目调参风险，sEMG数据依赖自主肌肉收缩，对完全性SCI患者不可行。
肌肉骨骼（MSK）建模与仿真为弥合现有策略与生理学刺激范式之间的鸿沟提供了有力工具。通过将最优控制理论与直接配点法相结合，这类仿真可在无需实验数据的前提下估计复杂运动背后的肌肉力和激活模式。然而，既往骑行研究多依赖健全人的实验运动学或肌电数据来驱动模型，限制了其在SCI人群中的应用。完全预测性仿真则直接从模型动力学和代价函数定义中生成生理学上合理的激活模式，无需实验测量数据引导优化。
但预测性仿真生成的肌肉级激活模式向表面FES的转化面临根本性挑战：表面刺激缺乏选择性，通过成对电极同时激活多块肌肉，而非独立执行器。因此，无约束的最优控制解可能产生无法在现有设备上直接实施的激活模式。肌肉协同（muscle synergies）作为功能性的肌肉分组单元，为这一问题提供了结构化解决方案——将控制解约束为与物理系统匹配的协调激活模式。然而，最优控制驱动的FES与肌肉协同的结合在骑行领域此前尚无先例。
本研究在团队先前概念验证的基础上进行了扩展：将配置扩展至包含腘绳肌肌群，并系统解决了同步肌肉收缩、系统延迟和受试者特异性神经肌肉限制等问题。研究旨在生成一种既更准确反映表面FES诱导的肌肉激活特性、又可在完全性SCI患者中实际实施的刺激信号，并与经验性精细化的BB信号进行实验比较。
二、研究开展与主要结论
研究人员开发并实验验证了一种从仿真到刺激的完整框架，成功生成并实施了基于协同的FES骑行控制信号。研究的主要结论包括：仿真生成的协同肌肉轨迹与预期骑行动力学一致；实验验证中，仿真衍生控制信号（CS）和BB方案均能实现无辅助FES骑行；BB在平均功率和踏频上表现更优，而CS在左右平衡对称性方面更佳，并在较高刺激强度下表现出部分性能恢复。这是骑行领域首次将最优控制驱动的FES与肌肉协同相结合的实现，证明预测性仿真可为个体化FES骑行控制提供安全、可重复的基线，尽管未超越高度精细化的经验性策略，但代表了模型驱动FES控制个体化的可行基础。
三、关键技术与方法
本研究采用两阶段预测性肌肉骨骼仿真框架，基于OpenSim Moco平台实现。第一阶段为速度追踪最优控制问题，模型完成一整圈曲柄旋转（左曲柄位于上止点起始），目标踏频为40 rpm，恒定阻力矩为8 Nm，通过最小化瞬时曲柄角速度与参考速度的误差来优化模型运动学和个体肌肉轨迹。第二阶段为基于协同的最优控制问题，利用非负矩阵分解（NMF）将速度追踪仿真得到的肌肉兴奋分解为功能性协同，产生股四头肌和腘绳肌肌群的协调激活模式，并加入控制能量惩罚项以鼓励低幅度协同兴奋曲线。模型基于Gait10dof18musc基模修改而来，限制于矢状面，锁定踝关节以模拟矫形靴，将肌肉模型更新为De Groote-Fregly模型，加入阻力曲柄和踏板机构以匹配实验系统几何与负载条件。受试者特异性约束包括将腘绳肌最大激活限制为20%（因该参与者在此强度以上会诱发不自主痉挛）。仿真结果经后处理（左右腿激活平均、0.6 Hz低通滤波、归一化至[0,1]）后，转换为以曲柄角为索引的360点查找表，通过ROS2系统在树莓派4上以100 Hz实时控制Hasomed P24刺激器。实验验证在一名47岁、T9完全性SCI（ASIA A）男性受试者中进行，采用特制三轮车（HP3 Trikes，巴西）配合Wahoo Kickr V6智能训练台和Powrlink Zero双侧仪表踏板，在四天（非连续）内交替测试CS和BB方案，每次试验2分钟，脉宽每10秒递增25 μs。
四、研究结果
速度追踪仿真：速度追踪仿真在容差范围内成功实现了40 rpm的目标踏频。股直肌和股中间肌/股外侧肌/股内侧肌（vasti）表现出与骑行中膝关节伸展作用一致的周期性激活模式，而腘绳肌和股二头肌短头保持在设定的激活限制附近。所得肌肉激活和运动学作为后续协同最优控制问题的参考解。
协同最优控制：协同最优控制问题在保持速度追踪仿真曲柄运动学的同时，对指定肌肉进行分组并最小化肌肉激活。股直肌和vasti在单一股四头肌协同下作用，腘绳肌和股二头肌短头在单一腘绳肌协同下作用，每侧腿各对应两个协同。所得协同激活为构建实验控制信号提供了基础。
信号后处理：左右腿激活信号经平均生成对称模式，经五阶巴特沃斯低通滤波器（截止频率0.6 Hz，采样率100 Hz）滤波去除突变转换，并归一化至[0,1]区间以补偿模型假设（最大等长力加倍、储备执行器、表面刺激效率较低）与受试者实际肌力之间的差异。归一化前，腘绳肌激活范围为0至0.2，反映了该肌群受限的激活范围。滤波并归一化后的信号构成股四头肌和腘绳肌肌群最终刺激曲线，在实验期间实时实施。
实验验证：实验表现随试验顺序变化。BB方案产生更高的平均功率和踏频，而CS方案在左右平衡对称性方面表现更佳，并在较高刺激强度下表现出部分性能恢复。两种方案均实现了无辅助FES骑行。
五、讨论总结与结论翻译
讨论总结：尽管BB在功率和踏频上优于CS，但CS方法被证明是可行的且具有方法论优势。CS信号的一致性和生理结构化行为表明，预测性仿真可为个体化FES骑行控制提供安全、可重复的基线，尤其适用于新用户或研究团队。仿真衍生信号的可靠表现验证了从仿真到刺激框架的可行性，为模型驱动的FES控制个体化奠定了坚实基础。
结论翻译：这是骑行领域首次实现最优控制驱动的FES与肌肉协同相结合，为完全性SCI个体生成了可行且具有生理基础的FES骑行刺激曲线。虽然未超越高度精细化的经验性策略，但仿真衍生信号表现可靠，代表了基于模型的FES控制个体化的有前景的基础。
