⚡ electrical engineering

Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG

本文提出了一种新型的全微分肌肉骨骼神经网络（MSK-NN），该网络通过复合物理-生理损失函数同时推断未测量的肌肉激活，从而从部分观测的表面肌电信号（sEMG）中估计多自由度关节运动学，在无需直接生物力学监督的情况下，实现了比现有深度学习基准模型更高的准确性和生理合理性。

原作者： Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

发布于 2026-06-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是该论文的通俗易懂版解释，采用了日常类比的方式。

核心问题：处于“盲区”的机器人

想象一下，你正试图教一个机器人如何移动人类的手腕。通常情况下，你会需要在前臂的每一块肌肉上都放置传感器，来告诉机器人该做什么。但在现实世界中，这是不可能实现的。有些肌肉位于手臂深处，或者太小，或者处于无法粘贴传感器的位置。

这造成了一个“盲区”。机器人只能看到它能测量到的少数几块肌肉发出的信号，但必须去猜测那些隐藏肌肉的行为。如果机器人的猜测错了，手腕的运动可能会显得不自然或违反物理常识，就像一个线团缠绕在一起的木偶。

解决方案：MSK-NN（“聪明猜想”系统）

作者创建了一个名为 MSK-NN 的新计算机程序。你可以把它看作是一个协同工作、共同解决谜题的双人团队：

“侦探”（神经网络）： 这部分负责观察它能看到的肌肉信号。这就像侦探通过犯罪现场的脚印来寻找线索。它尝试根据现有的线索，去推测隐藏肌肉的行为。
“物理教练”（肌肉骨骼模型）： 这是其中的核心秘诀。侦探不仅仅是在瞎猜，它还会将自己的想法提交给一个严格的“物理教练”。这个教练了解人体解剖学和物理学的规则（例如肌肉如何拉动骨骼以及关节如何旋转）。如果侦探猜想某块肌肉的拉力会导致骨头断裂或违背重力规律，教练就会说：“不对，重来。”

他们是如何训练这个团队的

通常，要教会计算机理解肌肉，你需要知道每块肌肉产生的精确力量。但在活人身上测量这种力量既困难又昂贵。

作者通过使用一套三部分组成的规则手册（损失函数）绕过了这个难题，无需获取那些难以获得的力学测量数据来进行训练：

“目标得分”（运动学损失）： 手腕是否移动到了正确的角度？如果机器人的猜想导致手腕位置错误，它就会受到惩罚。
“团队协作规则”（协同作用损失）： 肌肉不是孤立工作的，它们成组工作（就像划船队）。系统会检查可见的肌肉是否以一种自然、协调的模式协同工作。如果它们的动作不同步且显得怪异，就会受到惩罚。
“家族相似性”规则（趋势损失）： 这是针对隐藏肌肉的高明之处。系统知道某些深层肌肉通常会与特定的表层肌肉同步工作。尽管它看不见深层肌肉，但它会强制要求深层肌肉的“猜想”在时间轴上与其可见的“表亲”保持一致。如果它们不同步，就会受到惩罚。

实验：手腕锻炼

团队在人类手腕上进行了测试。他们要求参与者进行四种手腕运动：

顺时针圆圈运动。
逆时针圆圈运动。
“8”字形运动。
随机、混乱的运动（这是最难的测试）。

他们将这个新系统与其他流行的 AI 方法（如标准神经网络或 LSTM 模型）进行了对比。

实验结果：为什么它更胜一筹

更高的准确度： MSK-NN 系统预测手腕运动的准确度远高于其他系统，尤其是在进行随机、混乱的运动时。当动作不是完美的圆圈时，其他系统往往会变得混乱且出现抖动。
“神奇的猜想”： 系统针对一块从未向计算机展示过的特定深层肌肉（称为 APL）进行了测试。系统必须完全依靠自己来猜想其活动情况。当他们将计算机的猜想与实际的隐藏肌肉信号（他们为了检查而秘密记录的信号）进行对比时，发现猜想极其准确。这证明了该系统能够“看见”那些看不见的肌肉。
符合物理现实： 系统得出的肌肉力量和长度数值都保持在人类生物学可能的限度内。它没有凭空创造出超人类的肌肉。

“消融”测试（如果我们移除某些部分会发生什么？）

研究人员进行了一个“假设性”实验。他们关闭了系统中负责猜测隐藏肌肉的部分。

结果： 准确度下降了。
意义： 这证明了猜测隐藏肌肉的行为实际上是必要的。你不能仅仅忽略深层肌肉，却指望手腕能正确运动。

总结

这篇论文提出了一种新的方法，用于在无法看到所有肌肉的情况下，教计算机理解人类运动。通过将聪明的 AI 猜想器与严格的物理教练相结合，该系统可以预测手腕如何运动，甚至能“幻觉”（准确猜想）出它看不见的肌肉活动。它比现有方法表现更好，尤其是在运动不可预测时，并且始终遵循人类生物学的规律。

技术摘要：用于多自由度关节运动学估计的生理约束肌肉骨骼神经网络

问题陈述
基于表面肌电信号（sEMG）的连续关节运动学估计对于康复、生物力学和人机交互至关重要。然而，现有方法面临着准确性与生理可解释性之间的权衡。无模型的数据驱动方法（如 CNN、LSTM）通常缺乏生理一致性，并且在面对训练过程中未见过的运动速度或幅度时，泛化能力较差。相反，基于模型的方法虽然显式地表示了肌肉骨骼（MSK）前向动力学，但受限于模型的保真度，且无法解释未测量的肌肉（例如，传感器无法触及的深层或细小肌肉）。此外，现有的混合框架通常需要昂贵的生物力学标签（如肌腱力或关节力矩）进行监督，或者假设 sEMG 通道与建模肌肉之间存在严格的一一对应关系，这排除了未测量的任务相关肌肉，并会导致生理上不合理的力分配。

本文旨在解决在部分观测 sEMG 条件下估计多自由度（DoF）关节运动学的挑战，即由于解剖结构限制或传感器限制，部分任务相关的肌肉无法被测量。

方法论
作者提出了一种肌肉骨骼神经网络（MSK-NN），这是一种全微分架构，它将数据驱动的激活估计器与嵌入的 MSK 前向动力学模块相结合。

架构：
- 肌肉激活估计器： 一个轻量级的卷积神经网络（CNN）编码器处理来自已测量肌肉的预处理 sEMG 包络。与传统方法不同，该编码器同时估计已测量肌肉和未测量（潜在）肌肉的激活度。
- 嵌入式 MSK 前向动力学： 估计出的激活度通过基于 Hill 模型的肌肉-肌腱动力学模型进行传播，以生成肌肉力量。这些力量通过力臂映射为关节力矩，并在个体特异性的关节动力学模型（惯性、重力和阻尼）中进行积分，从而预测多自由度关节角度。
训练与损失函数：
该网络通过端到端的方式进行训练，无需对内部生物力学变量（如力量或力矩）进行直接监督。相反，设计了一个复合的**物理-生理损失（Physics-Physiology Loss）**来约束解空间：
- 关节运动学损失 ( $L_{traj}$ )： 惩罚预测值与地面真值（ground-truth）之间在关节角度和角速度上的差异。
- 肌肉协同损失 ( $L_{syn}$ )： 利用从训练数据中提取的非负矩阵分解（NMF）来约束已测量肌肉的激活度，使其位于生理上合理的协调子空间内。
- 解剖引导趋势损失 ( $L_{trd}$ )： 鼓励未测量肌肉与功能相关联的已测量肌肉之间的时域协调。该损失通过最小化配对肌肉之间的激活趋势（时间导数）差异，将协调结构从观测到的肌肉转移到未观测到的肌肉。
优化：
CNN 编码器的权重和基于 Hill 模型的肌肉-肌腱动力学参数（例如最佳纤维长度、最大等长收缩力）均通过反向传播进行同步优化，从而实现 MSK 模型的个体特异性个性化定制。

核心贡献

新颖框架： 引入了 MSK-NN，该框架在不需要 sEMG 与肌肉一一对应映射的情况下，能够估计多自由度运动学，并推断出生理合理的已测量及未测量肌肉的激活度。
无监督内部变量： 该方法无需使用昂贵的生物力学标签（力量/力矩）进行训练即可实现高精度的运动学估计，其原理是利用复合损失函数来强制执行物理和生理的一致性。
处理部分可观测性： 该框架显式地模拟了未测量的肌肉（如长拇短屈肌 APL），并推断其激活度，解决了传统基于模型的方法中常见的“不完整肌肉驱动”问题。

实验结果
该方法在两自由度腕关节运动学（屈/伸以及桡偏/尺偏）上进行了评估，使用了六名健康受试者执行四种运动类型的实验数据：顺时针（CW）、逆时针（CCW）、数字 8 形（ $\infty$ 形）以及随机（RND）运动。

运动学精度： MSK-NN 在归一化均方根误差（NRMSE）和决定系数（ $R^2$ ）方面均优于最先进的基准模型（CNN、Bi-LSTM、CNN-LSTM 以及并行高效 Transformer (PET)）。性能差距在**随机运动（RND）**条件下最为显著，证明了其对未见运动模式具有卓越的泛化能力。
生理合理性： 输入排除的肌肉（ECRB）的估计激活度与记录的 sEMG 包络表现出强烈的时域一致性（高 Pearson 和 Spearman 相关系数），验证了网络推断潜在激活度的能力。
参数有效性： 优化后的 MSK 参数保持在既定的生理限值内，证实了该模型在不违反生物力学约束的情况下学习个体特异性动力学的能力。
消融实验： 从模型中逐步移除未测量肌肉（APL 和 ECRB）导致性能显著下降，尤其是在 RUD 自由度和复杂运动中，证实了模拟未观测肌肉的关键作用。

意义与主张
本文声称 MSK-NN 为稀疏传感条件下的关节运动学估计提供了一种鲁棒的解决方案。通过将物理特性直接嵌入网络架构并利用复合损失函数，该方法实现了数据驱动模型的准确性与基于模型方法的解释性之间的平衡。

至关重要的是，作者指出 MSK-NN：

比现有的混合及数据驱动基准模型具有更好的泛化能力，能够应对随机、不受约束的运动。
能够恢复生理合理的激活度，即使对于输入中不存在的肌肉也是如此，有效地解决了部分 sEMG 观测带来的欠定问题。
提供了一个通用模板，用于将数据驱动的估计与受生理约束的动力学相结合，这可能为研究未见运动下的神经肌肉控制提供支持，并为科学和工程应用提供可解释的中间变量。

作者谦虚地指出，虽然该框架在计算上可以实现实时执行（每步约 2.65 毫秒），但其主要贡献在于架构设计以及展示了在没有直接监督的情况下推断潜在生理状态的能力。