基于深度离策略动态神经模糊系统的生理约束神经肌肉协同提取及其在轮椅推进中的应用研究

　　本文提出一种创新的深度强化学习动态神经模糊（DRL-DNF）系统，通过整合肌肉骨骼模型与关节动力学参数，有效解决了手动轮椅推进（MWP）过程中非线性肌电（EMG）模式解析难题。该系统在噪声环境下仍保持90.1±4.18%的方差解释率（VAF），显著优于传统非负矩阵分解（NMF）、独立成分分析（ICA）等方法，为康复辅助设备的协同控制提供了新范式。

　　

Highlight

本研究通过深度离策略强化学习驱动的动态神经模糊（DRL-DNF）系统，创新性地实现了轮椅推进过程中生理约束下的神经肌肉协同提取。与传统方法相比，该系统在噪声环境中仍保持卓越的鲁棒性，并成功捕捉到推动相与恢复相中 agonist-antagonist 肌肉群的动态交互特征。

Results

通过定制化MATLAB?R2023b平台对预处理后的表面肌电（sEMG）数据进行分析，结果显示肩部屈肌（如AD_L）在推进周期中呈现显著激活特征。统计检验采用Shapiro-Wilk正态性验证，确保数据可靠性。

Discussion

DRL-DNF系统在噪声自由环境下达成94.12±4.12%的VAF值，较NMF、ICA和自编码器（AE）展现出更优的协同重构能力。特别值得注意的是，AE在恢复相后期出现过度激活现象，而ICA在推动相存在激活不足问题。该方法成功解决了传统线性模型难以捕捉非线性肌肉协同的局限性。

Conclusion

本研究证实DRL-DNF系统能够提取符合生理学意义的神经肌肉协同模式，为理解中枢神经系统（CNS）的运动控制策略提供了新视角。未来研究将致力于提升计算效率并扩展数据集多样性，以推动实时康复应用的发展。

Consent to participate

本研究所有参与者均签署书面知情同意书。

Ethical considerations

实验方案经设拉子大学机械工程学院伦理委员会批准（批号：IR.SHU.REC.1400.9731204），严格遵循《赫尔辛基宣言》伦理准则。

Consent for publication

不适用。

Ethics statement

本研究全面遵守伦理规范，所有实验程序均符合世界医学协会《赫尔辛基宣言》（1964）关于人体实验的规定。

Funding statement

本研究未接受外部资金支持。

Declaration of competing interest

作者声明不存在可能影响研究结果的财务利益冲突或个人关系。其他合作作者均确认无已知竞争利益。

Acknowledgements

衷心感谢设拉子大学机械工程学院为本研究提供的实验资源与技术支持。