《Proceedings of the Design Society》：Towards user-product interaction prediction with musculoskeletal human models: a methodological comparison for posture prediction
编辑推荐：
利用肌肉骨骼人体模型进行数字化用户测试，有助于在产品开发过程早期开展人机工程学评估。在底层姿势预测模型中，需要表征用户所采用的不同运动策略。行为卡是表征此类运动策略的一种已被验证的工具；然而，行为卡的标准化确定方法目前仍然缺乏。本研究探索了一种基于聚类的方法与
利用肌肉骨骼人体模型进行数字化用户测试，有助于在产品开发过程早期开展人机工程学评估。在底层姿势预测模型中，需要表征用户所采用的不同运动策略。行为卡是表征此类运动策略的一种已被验证的工具；然而，行为卡的标准化确定方法目前仍然缺乏。本研究探索了一种基于聚类的方法与一种基于回归的方法，用于行为卡的标准化确定，并证明了两种方法的适用性。
该文发表于《Proceedings of the Design Society》，聚焦于产品开发早期数字化人机工效评估中的关键问题，即如何在肌肉骨骼人体模型（musculoskeletal human models, MHMs）驱动的用户—产品交互预测中，以标准化、可复用且低门槛的方式确定“行为卡”（behavior cards），从而更准确地表征不同用户在相同任务下可能采取的差异化运动策略。研究背景在于，随着以用户为中心设计（user-centered design）的重要性不断提高，数字化用户测试和数字化工效评估工具正成为缩短开发周期、降低成本并支持个性化产品设计的重要手段。传统数字人体模型（digital human models, DHMs）虽可在计算机辅助设计（computer-aided design, CAD）环境中实现可达性、可视性与疲劳等分析，但对于肌肉力、关节力矩和关节载荷等更深层的人体生物力学结果关注不足。相比之下，MHMs能够提供肌肉激活、关节受力与姿势控制等更丰富的生物力学信息，但其自由度高、计算维度大，直接嵌入CAD开展预测仿真面临计算成本高和实时性差的问题。因此，研究人员尝试借助“行为卡”这一中间表征，将实验数据驱动的信息与优化求解过程结合，以降低姿势预测复杂度并增强工程应用可行性。
现有问题主要体现在两个方面。其一，既有行为卡通常依赖动作捕捉数据与人工观察相结合的方式进行提取，带有较强主观性，缺乏统一、可自动化的判定流程；其二，针对不同用户属性与环境条件，尚缺少可直接支持行为卡选择的映射机制，限制了行为卡库的扩展与复用。基于此，研究人员提出核心研究问题：如何根据用户属性与用户位置，实现用于产品开发姿势预测的行为卡标准化确定。为回答这一问题，论文比较了两类方法：面向姿势模式识别的聚类方法，以及依据用户相关和环境相关影响因素建立映射关系的线性回归方法，并以两者的适用性与精度作为评价重点。
为开展这项研究，研究人员采用了来源于既往试点研究的数据，样本为5名健康右利手受试者；实验任务为操作立式钻床，在不同站立高度与不同站距条件下完成右手钻孔动作。运动数据通过17个惯性测量单元（inertial measurement units, IMUs）以96 Hz采集，并借助OpenSim 4.5完成肌肉骨骼仿真与逆向运动学（inverse kinematics）关节角求解；每名受试者均构建个体化人体测量缩放模型。方法上，一方面对上肢16个自由度（degrees of freedom, DOFs）的z标准化关节角实施主成分分析（principal component analysis, PCA）与K-means聚类；另一方面对各广义坐标分别建立线性回归模型，并通过方差膨胀因子（variance inflation factor, VIF）筛选预测变量、采用逐步回归和5折交叉验证（5-fold cross-validation, CV）评估稳定性与泛化性。
研究结果部分可按论文原有小标题概括如下。
5.1. K-means clustering
研究人员在剔除离群值后，对106个测量点进行聚类分析。考虑到全部任务均为站立姿势、下肢活动范围（range of motion, ROM）较小，故选取上肢16个自由度的关节角作为主要输入变量，并先通过PCA降维。前两个主成分保留了约50 %的总方差，较高阶主成分的引入反而削弱了簇间可分性，说明后者更多反映个体性细微变化而非系统性姿势模式。随后采用K-means重复运行10次，并以簇内点到中心的平方欧氏距离最小结果作为最终输出；依据轮廓系数（silhouette score）确定最佳聚类数为4。最终4个簇分别包含36、46、7和17个数据点，平均轮廓系数为0.6259，表明簇分离度处于合理水平。各簇均值关节角显示出明显不同的交互策略，尤其在肩部抬举、肘屈曲等参数上存在差异，但部分坐标如右侧肩旋转在3个簇中均值与标准差（standard deviation, SD）较为接近，提示该自由度对聚类区分贡献有限或存在运动学冗余。
5.2. Linear regression models
在线性回归分析中，研究人员针对MHM的每一个广义坐标分别建立模型，以年龄、身高、体重、与产品距离、站立高度及生物学性别等变量预测对应关节角；由于共线性控制要求VIF < 5，臂长与裤内侧长被剔除。模型采用前向与后向逐步选择，并以贝叶斯信息准则（Bayesian Information Criterion, BIC）决定变量增删，且预测项限制为线性形式。结果表明，不同关节角的预测精度差异显著。右侧肩抬举以及双侧肘屈曲的模型准确性较高，而右侧肩旋转和左侧踝角精度最低。对完整模型与CV模型比较后发现，当相关性较高时模型稳定性也相对更好；胸锁关节（sternoclavicular joints）表现出较高不稳定性。此外，以ROM为参照的均方根误差（root mean squared error, RMSE）最高可达18 %，见于左侧踝角、左侧胸锁关节及左侧腕旋前旋后；最低为5 %，见于右侧肩抬举。该结果说明，基于用户属性和空间位置建立姿势映射具有可行性，但在小ROM关节及存在运动学冗余的关节上性能受限。
5.3. Behavior cards
在行为卡构建层面，聚类法与回归法均可生成用于后续姿势预测的关节角集合q以及协调模式中的加权因子w。聚类型行为卡由对应簇的均值关节角构成，更强调一类典型交互策略的概括性表达；回归型行为卡则根据个体用户属性和位置参数直接计算关节角，因此对个体差异表征更充分。论文给出的示例表明，两类行为卡在多数广义坐标上得到的姿势相近，但在右侧肩平面抬举（plane of elevation）上可相差15°，并进一步导致肘部空间位置出现明显差异。将两类行为卡姿势与实验测量姿势映射到MHM后，回归型行为卡总体上与实验姿势更接近，而聚类型行为卡在肘部位置尤其是抬举平面上存在可见偏差。这一现象支持作者关于两种方法代表性差异的解释：聚类法更偏向探索性、原型化表达，回归法则更偏向个体化近似。
讨论部分围绕两类方法的定位、性能来源及局限性展开。研究人员指出，聚类法继承并自动化了既有依赖人工观察识别交互策略的思路，能够在不预先按环境条件分组的情况下从数据中直接发现姿势模式，从而增强方法的普适性，但也会增加未来在行为卡库中进行卡片选择的复杂度。回归法则通过用户和环境因素直接决定行为卡姿势，实际上已部分具备“映射工具”的功能，可在没有实验姿势样本的情况下辅助选择适配行为卡。限制回归项为线性虽然有助于解释各因素影响，但也可能牺牲部分预测精度。作者还分析了右侧肩旋转与胸锁关节预测不佳的原因，即为实现真实肩部运动而将某些依赖约束转化为独立自由度后，多个关节角组合可能对应同一最终姿势，形成运动学冗余。与此同时，下肢关节因ROM过小，也降低了可预测性。研究的主要局限包括样本量较小，仅有5名参与者，限制了回归系数与聚类结果的泛化能力；数据仅覆盖交互中的单一时间点，尚未拓展至完整动作过程；此外，协调模式中的加权因子仍依赖人工根据交互类型与关节重要性设定，尚未实现完全标准化。
从学术与工程意义看，该研究为MHMs在CAD环境中的姿势预测提供了两条可操作的标准化路径。一方面，聚类法可从实验数据库中提炼可复用的典型交互策略，为建立行为卡库提供结构化基础；另一方面，回归法展示了基于用户属性与空间条件直接生成行为卡的可能性，为后续映射工具开发奠定了方法学基础。两种方法都表明，行为卡的标准化确定是可行的，从而有望推动更深层的数字化工效评估进入产品开发早期阶段。
研究结论部分可译为：本文研究了两种用于行为卡标准化确定的方法，以支持产品开发早期阶段中用户—产品交互更深入的数字化人机工效评估。为此，研究人员基于实验数据构建了基于聚类的行为卡和基于回归的行为卡，并发现：第一，两种方法所得姿势均与实验数据相似；第二，两种方法均表明，可依据用户属性和用户位置实现行为卡的标准化确定。然而，对于两种方法，当数据集中某些关节角的活动范围较小或不存在活动范围时，其精度均会下降。未来应将所确定的行为卡用于基于基本可供性（elementary affordances）的运动学优化中开展姿势预测验证，并在未知数据上检验聚类模型和回归模型的有效性。还需通过建立数据库以及面向基本和重复性交互的映射关系，进一步提升预测模型的泛化性与适用性，同时考虑由姿势预测向运动预测扩展。
