基于sEMG和多自由度耦合动态运动的踝关节主动力矩在线估计框架

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：An Online Estimating Framework for Ankle Actively Exerted Torque Under Multi-DOF Coupled Dynamic Motions via sEMG

　　本研究针对踝关节康复训练中主动力矩难以准确估计的问题，提出了一种集成Hill肌电-力模型、踝关节肌肉骨骼动态解耦模型和参数辨识-校准策略的在线估计框架。该框架通过单自由度预实验标定参数，成功实现了多自由度耦合动态运动下踝关节主动力矩的在线估计，归一化均方根误差分别为10.29%±2.86%（单自由度）和11.35%±4.51%（多自由度）。该成果显著提升了人机交互训练的精准度，为个性化康复方案制定提供了重要技术支撑。

　　

在康复医学领域，踝关节复合体（AJC）作为人体承重和运动的关键枢纽，其功能恢复质量直接影响患者的行动能力。传统踝关节康复机器人虽能提供定制化训练方案，但训练过程中存在的被动力矩干扰问题一直未能有效解决。这种被动力矩源于下肢骨骼肌和韧带的固有特性，虽然对维持关节稳定性具有重要作用，却会掩盖由肌肉收缩产生的主动力矩——这才是反映患者真实康复进展的核心指标。如何从机器人传感器检测的总力矩中精准分离出主动力矩成分，成为提升康复训练效果的关键瓶颈。

现有研究方法主要存在两大局限：基于Hill肌肉骨骼模型的传统方法虽能阐释从sEMG信号到关节力矩的完整生理过程，但在处理AJC三自由度（DO/PL：背屈/跖屈、IN/EV：内翻/外翻、AD/AB：内收/外展）耦合运动时表现不佳；而新兴的数据驱动方法（如机器学习）虽计算高效，却需要大量标注数据且缺乏生理可解释性。更棘手的是，当前研究多集中于单自由度运动场景，与踝关节实际运动的多自由度耦合特性严重不符。

针对这一难题，由Yu Zhou、Jianfeng Li等研究人员组成的团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了创新性研究成果。他们开发了一套在线估计框架，通过融合生理机制与动力学特性，实现了多自由度耦合运动下踝关节主动力矩的精准估计。

关键技术方法主要包括：1）Hill肌电-力模型：通过神经激活模型（公式1）和肌肉激活模型（公式2）将sEMG信号转换为肌肉力，考虑肌纤维长度（公式5）和收缩速度（公式6）等生理因素；2）踝关节肌肉骨骼动态解耦模型：建立闭合椭圆流形（公式7-8）描述肌肉附着点空间关系，通过旋转矩阵（公式13）计算三维运动下的力矩臂（公式14）；3）参数辨识-校准策略：采用正则化拟牛顿法（算法1）对22个模型参数进行优化，仅需单自由度预实验数据即可推广至多自由度场景。实验招募5名健康受试者，使用IsoMed 2000和并联踝关节康复机器人（PARR）采集数据，以归一化均方根误差（NRMSE）作为评价指标（公式27）。

研究结果

参数辨识-校准策略的收敛性 所有受试者的目标函数（公式16）均成功收敛，其中4名受试者在440次迭代内达到稳定，虽有一名受试者需800次迭代，但最终估计精度无显著差异（p>0.05）。这表明该策略对不同生理特征的个体均具有良好的适应性。

单自由度动态运动的估计性能 在单自由度等速运动（30°/s）实验中，框架整体估计误差为10.29%±2.86%。其中DO/PL方向精度最高（NRMSE：6.40%-7.50%），IN/EV方向误差较大（12.90%-13.27%）。这种方向差异性印证了踝关节运动固有的耦合特性，凸显了开展多自由度研究的必要性。

多自由度耦合运动的估计性能 在多自由度耦合运动实验中，框架仍保持11.35%±4.51%的估计精度，与单自由度场景无显著差异（p=0.3766）。特别在PL-AB方向表现最优（NRMSE：7.24%±2.19%），而PL-AD方向误差相对较高（15.18%±5.33%）。这种差异可能与踝关节运动轴的非正交特性有关，也体现了该框架对个体解剖结构差异的适应性。

该研究通过创新性地构建肌肉骨骼动态解耦模型，成功解决了多自由度耦合运动下踝关节主动力矩估计的难题。其核心突破在于将复杂的踝关节生理结构抽象为几何可解的动力学系统，使得通过单自由度标定即可推演多自由度场景成为可能。与同类研究相比，该框架在保持生理可解释性的同时，显著降低了对标注数据的依赖，为临床推广应用创造了条件。

值得注意的是，该框架目前仅整合了SO（比目鱼肌）、TA（胫骨前肌）、MG（内侧腓肠肌）和LG（外侧腓肠肌）四组浅层肌肉的sEMG信息，未来可通过融合深度学习等多元信息进一步提升估计精度。此外，模型简化过程中可能丢失的部分解剖学细节，也有待后续研究完善。

这项研究成果不仅为康复机器人提供了更精准的人机交互接口，使医生能够根据患者真实的主动发力情况动态调整训练强度，更重要的是为神经功能评估提供了量化指标。通过持续监测主动力矩变化规律，医疗团队可及时发现神经功能异常迹象，为早期诊断和个性化治疗方案制定提供数据支撑。这种将工程技术、临床医学和康复需求深度融合的研究范式，为智能康复设备的发展开辟了新的技术路径。