《Biomedical Signal Processing and Control》：A feasibility study of leveraging intermuscular coherence in EMG-driven neuromusculoskeletal modeling to improve muscle moment estimation
編輯推薦：
目前肌肉骨骼模型在估計肌肉力量時存在不足，為解決此問題，研究人員開展 “利用肌間相干性（IMC）改進肌肉力矩估計” 的研究。結果顯示，該方法增強了動力學數據跟蹤，提高了估計穩健性。這為更準確地評估肌肉協調提供了新途徑。
在運動科學和康復醫學領域，準確估計肌肉力量對理解人體運動機制、指導康復治療以及優化機器人控制策略至關重要。然而，現有的肌肉骨骼模型卻存在諸多問題。一方面，模型常過度簡化肌肉激活背后的神經策略，導致肌肉力量估計不理想。比如在處理肌肉冗余問題時，某些肌肉尤其是拮抗肌的貢獻容易被忽視或錯誤估計。另一方面，這些模型對輸入參數極為敏感，參數的微小變化就可能使估計結果產生較大偏差，嚴重限制了模型在實際中的應用。
為了攻克這些難題，來自國外的研究人員展開了一項極具創新性的研究。他們致力于探索將肌間相干性（Intermuscular Coherence，IMC）融入神經肌肉骨骼模型，以此提升肌肉力矩估計的準確性。研究成果發表在《Biomedical Signal Processing and Control》上，為該領域帶來了新的曙光。
研究人員采用了一系列關鍵技術方法。首先，收集了 24 名健康受試者進行水平上肢伸展運動的數據，包括運動學數據和肌電數據。通過逆動力學計算出凈關節扭矩，這是后續分析的重要基礎。在模型構建方面，基于前人研究改進的肌電驅動模型（EMG - model），同時創新地構建了融入 IMC 的模型（IMC - model）。在數據處理過程中，運用多種濾波和計算方法，如 Butterworth 濾波、小波變換等，對數據進行處理和分析，以探究兩種模型在肌肉力矩估計上的差異 。
研究結果主要體現在以下幾個方面：
- 凈關節扭矩跟蹤：對比兩種模型，發現它們在跟蹤凈關節扭矩方面表現相似，平均歸一化均方根誤差（nRMS）均為 2.71 ± 1.11%，且無顯著差異。這表明在凈關節扭矩擬合方面，兩種模型效果相當。
- 估計穩健性：對于 EMG - model，初始參數 α 和 ω 的變化對肌肉力矩估計有顯著影響，在運動過程的多個階段都出現了顯著的交互作用。而 IMC - model 則表現出更強的穩健性，其肌肉力矩估計不受初始參數 α 和 ω 變化的顯著影響。這說明 IMC - model 在面對不同初始參數時，能更穩定地輸出可靠的估計結果。
- 肌肉力矩估計：在肌肉力矩估計上，兩種模型存在顯著差異。IMC - model 在多個運動階段顯著提高了肱二頭�。˙B）和肱橈�。˙R）的力矩估計值。這意味著 IMC - model 能更準確地反映這些肌肉在運動中的實際作用。
- 共收縮指數估計：IMC - model 估計的共收縮指數（CCI）在運動的部分階段顯著高于 EMG - model，在部分階段又顯著低于 EMG - model。具體來說，在運動開始階段，EMG - model 低估了拮抗肌的力矩，導致 CCI 較低；而 IMC - model 能更準確地反映拮抗肌的貢獻，使 CCI 更符合生理實際。
研究結論和討論部分進一步強調了該研究的重要意義。從模型性能來看，IMC - model 通過將 EMG 信號分解為共同和獨立信號，引入肌肉間的功能耦合關系，降低了問題的維度，從而提高了估計的穩健性，使其在不同初始參數下都能穩定收斂。在反映生理真實性方面，IMC - model 更準確地模擬了拮抗肌的力矩，糾正了傳統模型可能出現的對拮抗肌作用的忽視，使共收縮指數的估計更符合實際生理情況。這對于全面理解肌肉在運動中的協調機制具有重要意義。
然而，該研究也存在一定的局限性。研究中采用的簡化方法僅考慮了肌肉對之間的共同神經驅動，未涉及更廣泛的肌肉間共享輸入。此外，在頻率范圍選擇上，雖然整合了 0 - 80Hz 的 IMC，但未來研究可聚焦于特定頻率范圍，如 β 頻段（15 - 30Hz）或 γ 頻段（30 - 60Hz），進一步探究其對肌肉關節力矩估計的影響。同時，在方法學上，可嘗試采用機器學習方法替代傳統的數值優化方法，提高尋找最優解的效率和性能。
總體而言，這項研究為神經肌肉骨骼模型的發展提供了新的方向，為更準確地評估肌肉協調和運動控制奠定了基礎，有望在康復醫學、人體運動科學以及機器人控制等領域發揮重要作用，推動相關領域的進一步發展。
