基于解剖扩展手臂模型的人体三关节伸臂运动中最小肌肉应力变化模型的肌肉层面评估

《Biological Cybernetics》：Muscle-level evaluation of the minimum muscle-stress-change model in human three-joint reaching using anatomically expanded arm models

　　

本研究检验了肌肉层面优化能否同时解释平面三关节伸臂运动中的手臂运动与肌肉募集。为扩展先前基于简化肌肉骨骼表征的运动层面分析，使用了包含19–26块肌肉、具有非线性且随关节角变化的力臂的解剖学详细三关节手臂模型。这一扩展使得直接评估肌肉层面计算模型能否解决高度冗余的肌肉张力分布成为可能。伸臂任务设计为水平面内间隔45°的八个方向，从而在降低方向偏倚的情况下进行评估。比较了若干计算模型，特别关注最小肌肉应力变化（minimum muscle-stress-change, MSC）框架。二次型MSC₂、三次型MSC₃和最小肌肉张力变化（minimum muscle-tension-change, MTC）模型均能较好地再现实测手臂运动；在肌肉层面模型中，MSC₂提供了最准确的预测，尤其在手臂姿态和方向依赖性腕关节贡献方面。这一精度为评估预测的肌肉募集模式提供了依据。MSC框架优先募集具有较大生理横截面积（physiological cross-sectional area, PCSA）的肌肉，并避免对较薄肌肉施加过大负荷，而MTC模型受力臂值影响更强，有时会对较薄肌肉分配较大张力。MSC₃模型在26肌肉扩展手臂模型中募集了几乎所有肌肉，但运动再现精度略低于MSC₂模型。因此，MSC₂在任务空间行为、关节空间协调和肌肉募集之间提供了平衡的解释。这些发现将基于肌肉应力的优化从运动再现扩展到具有生理可解释性的募集预测，并提示类协同的协作模式可从解剖约束和基于应力的优化中涌现。

**研究背景与目的**

人体伸臂运动需要神经系统同时决定指尖空间路径、时变手臂构型以及冗余肌肉上的可行肌肉张力分布。以往计算模型多集中于轨迹与姿态层面的复现，例如最小关节加加速度（angular jerk, AJ）模型和最小力矩变化模型，但这些模型不能说明各肌肉如何实现关节力矩。肌肉层面模型，如最小肌肉张力变化（minimum muscle-tension-change, MTC）模型和最小肌肉应力变化（minimum muscle-stress-change, MSC）模型，能够计算肌肉张力，然而过去测试往往采用简化的二关节六肌肉或三关节八肌肉模型，且力臂多为常数，难以考察多肌肉冗余的求解和具有解剖意义的募集模式。因此，本研究将手臂模型扩展为包含19–26块肌肉、力臂随关节角变化的三关节模型，并结合生理横截面积（physiological cross-sectional area, PCSA）数据，评估肌肉层面优化能否同时解释手臂运动与肌肉募集。该研究发表在《Biological Cybernetics》。

**研究方法概述**

研究人员招募9名健康右利手成年人（年龄22.1±1.1岁，身高1.71±0.08 m，2名女性），所有被试签署知情同意书，研究经福井大学伦理委员会批准。实验采用水平面内八方向（45°间隔，距离20 cm）伸臂任务，使用OPTOTRAK3020以200 Hz记录肩、肘、腕和指尖标记点位置。计算方面采用两阶段优化框架，使用实数编码遗传算法（real-coded genetic algorithm, RCGA）求解MSC₂、MSC₃、MTC、MTC_s和最小肌肉力矩变化（minimum muscle-torque-change, MTRC）模型，并以AJ模型为基准。肌肉骨骼模型扩展为19–26块肌肉，力臂为关节角依赖函数；PCSA采用Meek/An、Amis和Holzbaur三套数据集；肌肉集合S11/S12基于Ito和Takano，S21/S22基于Nakamura和Saito。

**研究结果**

**4.1 实测与最优手臂运动**

通过比较八方向实测与模型预测的指尖轨迹和关节角均方根（RMS）误差发现，AJ和MSC₂的指尖轨迹误差最小，而MSC₂的手臂姿态误差最小。MTC和MTC_s在MD4方向产生较大姿态误差。MSC₂的指尖轨迹和姿态预测对PCSA数据集和肌肉集合选择不敏感，说明其在解剖参数变化下具有较好稳定性。

**4.2 不同运动方向的腕关节贡献**

研究采用腕关节旋转角占三关节总旋转角比例（C_w）评估姿态特征。实测C_w呈双峰模式，峰值出现在MD2和MD5。MSC₂最接近实测双峰形态和峰值方向；MTRC明显高估C_w，MTC与MTC_s虽波形相似但普遍高估，AJ模型的峰谷方向与实测不符。

**4.3 计算模型选择的肌肉张力**

在S22和PCSA1条件下分析各肌肉激活率及峰值张力与PCSA、力臂的关系。MSC₂优先募集PCSA较大的肌肉，避免对小PCSA肌肉施加过高负荷；MTC模型更受力臂大小影响，有时会给小PCSA肌肉分配较大张力。MSC₃则募集了26块肌肉中的几乎全部肌肉，但运动复现精度略低于MSC₂。

**讨论与结论**

讨论部分指出，运动再现精度需从指尖轨迹、手臂姿态和腕关节贡献等多维度评估；AJ模型虽轨迹和姿态误差小，但腕关节方向依赖特征与实测不符。关节黏度对模型表现有影响，MSC₂对黏度不敏感，MTC在较高黏度下更接近实测。第一阶段的端点约束导致起止点肌肉张力为零，模型无法预测三相反射型肌肉活动，未来可结合反馈控制或信号依赖噪声进行扩展。MSC₂在PCSA和力臂约束下产生类似协同的协作募集模式，提示这种模式可由压力优化自发涌现，而不需要预设固定协同结构。与最优反馈控制相比，MSC框架可作为前馈规划中解决高维肌肉冗余的补充机制。总体而言，研究结果支持MSC₂模型作为连接任务空间行为、关节空间协调和生理可解释肌肉募集的肌肉层面优化模型。