Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是一次对“自行车骑行科学”的大体检。
想象一下，骑自行车不仅仅是一项运动或通勤方式，它更像是一个精密的机械系统。当我们踩踏板时，身体内部的肌肉、关节和骨骼正在经历一场复杂的“舞蹈”。但是，有些东西（比如肌肉内部到底用了多大力、关节承受了多大压力）是肉眼看不到的，就像你无法直接看到汽车引擎内部活塞的受力情况一样。
为了解决这个问题，科学家们发明了**“肌肉骨骼模拟”（Musculoskeletal Modelling）。你可以把它想象成给自行车手制作一个高精度的“数字双胞胎”**。通过在电脑里建立这个虚拟模型，科学家可以“透视”身体内部，计算出那些看不见的力量。
这篇论文的作者们做了一件非常棒的事：他们把过去 15 年里所有关于“用电脑模拟自行车骑行”的研究报告（一共 28 篇）都找出来，像整理拼图一样，看看大家都在怎么玩这个游戏，哪里做得好，哪里出了错。
以下是这篇论文的核心发现，用大白话讲给你听：
1. 大家都在模拟什么？（模拟的“剧本”）
大多数研究都在玩三种“剧本”：
- 改装车（装备优化）： 比如，“如果把车座调高 2 厘米，膝盖会不会更舒服？”或者“什么样的踏板角度最省力？”
- 看肌肉怎么跳舞（神经肌肉协调）： 研究肌肉是怎么配合工作的，谁先发力，谁后发力。
- 康复训练（医疗应用）： 帮助受伤的人或瘫痪患者（比如脊髓损伤）重新学会骑车，或者设计辅助装置。
2. 谁在骑这辆车？（样本的“偏见”）
这是论文指出的一个大问题。
- 全是“年轻小伙”： 参与这些研究的“虚拟骑手”或真实受试者，绝大多数是年轻男性。女性很少，老年人、儿童或者身体有疾病的人更是凤毛麟角。
- 比喻： 这就像你为了设计一款适合所有人的汽车座椅，却只找了一群 20 多岁的健身教练来试坐。结果呢？你做出来的座椅可能只适合他们，对其他人（比如女性或老人）来说可能并不舒服，甚至不安全。
3. 模型做得怎么样？（“图纸”的混乱）
科学家们在电脑里建模型时，就像是在画图纸，但大家的画法太不统一了：
- 有的画得很简单，有的画得很复杂： 有的模型只画了一条腿（单腿模型），有的画了全身（全身模型）；有的只有 2 个自由度（像只能前后动的机械臂），有的有 37 个自由度（像灵活的人体）。
- 说明书缺失： 很多研究只给了结果，却没说清楚他们是怎么画的。比如，他们用了多少块肌肉？关节是怎么连接的？这就像你买了一个乐高积木，但卖家没给你说明书，也没告诉你零件是从哪来的，别人想照着做根本做不出来。
- 代码不公开： 虽然很多研究用了开源软件（像 OpenSim），但只有极少数人愿意把他们的“源代码”或“模型文件”分享出来。这导致别人很难验证他们的结果是否准确。
4. 验证做得够吗？（“考试”太简单）
既然做了模拟，就得证明它是对的。
- 只测了表面： 大多数研究只拿模拟结果去和“腿怎么动”（运动学数据）或者“脚踩多大力”（动力学数据）做对比。
- 没测核心： 很少有人去验证模拟出来的“肌肉内部力量”或“关节压力”是否真的对。
- 比喻： 这就像你预测明天会下雨，你只去看了天气预报说“云很多”（表面数据），却完全没有去验证“空气湿度”或“气压”（核心数据）是否真的支持下雨。所以，虽然模型跑通了，但里面的核心结论可能并不靠谱。
5. 未来的方向（怎么把车造得更好）
论文最后给未来的科学家提了几个建议：
- 多找点人： 别只盯着年轻男性，要把女性、老人、病人也拉进来，让模型更“接地气”。
- 把说明书写清楚： 以后发论文，要把模型怎么建的、代码在哪，都写得清清楚楚，最好直接公开，让大家都能复现。
- 别光猜，要验证： 不要只为了“跑通”模型而跑，要真正去验证里面的肌肉力量是不是真的符合生理规律。
- 从“解释”转向“预测”： 以前我们是用模型来解释“刚才发生了什么”，未来应该用模型来预测“如果这样改，会发生什么”，从而真正指导训练和康复。
总结
这篇论文就像是一个**“行业体检报告”。它告诉我们：虽然用电脑模拟骑自行车的技术已经很酷了，能帮我们看清身体内部的秘密，但目前这个领域还比较“粗糙”和“不均衡”**。
我们需要更多的透明度（把代码和模型公开）、更多的多样性（让不同性别、年龄、身体状况的人都参与进来）以及更严格的验证（确保模拟出来的数据是真的）。只有这样，这些高科技模拟才能真正帮助运动员跑得更快，帮助病人恢复得更好，而不是仅仅停留在电脑屏幕上的漂亮数字。
Each language version is independently generated for its own context, not a direct translation.
这是一份关于下肢骑行生物力学中肌肉骨骼（MSK）建模方法的 PRISMA 指导下的系统综述的详细技术总结。该论文由 Ana C. C. de Sousa 等人撰写，旨在系统性地表征过去 15 年间（2010-2024）该领域的应用、验证策略、建模假设及报告规范。
1. 研究问题 (Problem)
尽管肌肉骨骼模拟在运动表现、康复和临床环境中被广泛用于研究骑行时的内部生物力学（如肌肉力和关节负荷，这些无法直接通过实验测量），但该领域的应用、验证和标准化程度尚不清晰。
- 核心痛点：缺乏针对骑行特定建模实践的系统性综述。现有的综述多关注实验性骑行生物力学或广泛的预测建模，未能深入分析骑行模拟中的具体建模框架、控制策略、验证方法及其对结果可重复性和解释性的影响。
- 研究目标：回答两个核心问题：
- 肌肉骨骼骑行模拟的主要应用场景是什么？研究设计、参与者特征和骑行协议如何影响其范围和普遍性？
- 采用了哪些建模框架和分析策略？这些选择在复杂性、验证和可重复性方面揭示了当前的哪些实践现状？
2. 方法论 (Methodology)
- 指南遵循：遵循 PRISMA 2020 指南进行系统综述。
- 数据来源：在 Scopus, PubMed, IEEE Xplore 和 Web of Science 四个数据库中检索，截止日期为 2024 年 8 月 1 日。
- 时间跨度：2010 年 1 月至 2024 年 7 月。
- 纳入标准：
- 同行评审的英文期刊文章。
- 应用肌肉骨骼模拟分析下肢骑行内部生物力学（性能、康复或损伤相关）。
- 必须包含肌肉骨骼模型（排除仅逆运动学或仅 EMG 的研究）。
- 排除标准：非骑行任务、仅描述性分析、无内部生物力学变量输出。
- 筛选过程：初始检索获得 1006 条记录，去重后 779 条。经过标题、摘要和全文筛选，最终纳入28 项研究。
- 数据提取：提取变量包括研究目标、参与者特征（人口统计学、临床状况）、模型特征（解剖范围、维度、自由度 DOF、肌肉肌腱单元 MTU 数量）、软件平台、实验数据输入、验证目标、计算方法（静态优化、前向动力学等）及成本函数。
3. 关键贡献与主要发现 (Key Contributions & Results)
A. 应用与参与者特征
- 应用场景：主要集中在自行车 - 骑手配置优化（39.3%）、神经肌肉协调分析（28.6%）、功能性电刺激（FES）与康复（25.0%）以及模型开发验证。
- 参与者偏差：
- 性别失衡：在报告的 246 名参与者中，男性占 72.8%，女性仅占 17.6%。
- 年龄与能力：参与者多为年轻（24-30 岁）、健康或受过训练的业余/专业骑行者。临床人群（如脊髓损伤、膝骨关节炎）代表性极低。
- 结论：现有证据主要基于年轻男性，限制了结果在女性、老年人及临床人群中的普遍性。
B. 建模框架与复杂性
- 模型多样性：模型差异巨大。
- 解剖范围：单腿模型 (14.3%)、双腿模型 (28.6%)、带手臂的全身体模型 (14.3%)、不带手臂的全身体模型 (42.9%)。
- 维度：39.3% 为 2D，60.7% 为 3D。
- 复杂度：肌肉肌腱单元 (MTU) 数量从 4 到 286 不等；自由度 (DOF) 从 1 到 37 不等。
- 报告缺陷：约一半的研究未明确报告 DOF 数量，且常混淆基础模型与骑行特定配置的 DOF。许多研究未列出完整的肌肉清单。
C. 软件与可重复性
- 软件平台：OpenSim 最常用 (57.1%)，其次是定制软件 (25.0%) 和 AnyBody (14.3%)。
- 代码共享：尽管多使用开源软件，但仅 14.3% (4/28) 的研究公开了模型或代码。这严重阻碍了验证和可重复性。
D. 实验数据与验证
- 数据输入：所有使用实验数据的研究 (23/23) 都报告了运动学数据（如 IMU 或动作捕捉），但仅 73.9% 报告了动力学数据（踏板/曲柄力），仅 26.1% 报告了神经肌肉数据 (EMG)，仅 4.3% 报告了生理/代谢数据。
- 验证不足：
- 验证通常基于文献值而非实验测量。
- 缺乏对关节负荷、阻力曲线或内部肌肉力的直接实验验证。
- 许多研究混淆了“验证 (Validation)"与“验证 (Verification)"，未能证明模型适用于特定的骑行生物力学。
E. 计算方法与优化策略
- 计算方法：静态优化 (Static Optimisation, 32.1%) 最常用，其次是前向动力学 (17.9%) 和最优控制 (17.9%)。预测性模拟（完全前向）使用较少。
- 成本函数：在包含优化的研究中，77.3% 的目标是最小化肌肉活动或努力 (minAct)。
- 极少研究结合代谢能量、疲劳或基于实验 EMG 的匹配。
- 这种对“最小努力”的依赖限制了探索替代协调策略或疲劳相关行为的能力。
- 敏感性分析：虽然 27/28 项研究进行了参数变化，但多为探索性（如改变座椅高度），缺乏系统的敏感性分析或不确定性量化。
4. 意义与未来方向 (Significance & Future Directions)
主要意义
- 揭示方法论不一致性：该领域在模型选择、参数报告和验证策略上存在巨大差异，导致结果难以比较和复现。
- 指出代表性偏差：严重依赖年轻男性受试者，导致模型在性别和临床多样性上的适用性存疑。
- 验证薄弱：缺乏针对骑行特定生物力学（如大角度屈曲、闭链动力学）的严格验证，过度依赖基于步态的模型参数。
- 透明度缺失：代码和模型共享率低，阻碍了科学进步。
未来建议
- 标准化与透明度：建立骑行特定的建模报告标准，强制要求公开模型代码和数据。
- 多样化人群：纳入更多女性、不同年龄段及临床患者（如脊髓损伤、骨关节炎）的数据，进行性别特异性建模。
- 高级验证：从简单的运动学匹配转向内部负荷（肌肉力、关节反作用力）的严格验证，结合生理指标（代谢、疲劳）。
- 预测性模拟：减少对逆运动学的依赖，更多采用前向动力学和最优控制来探索“如果”场景（如新装备设计、康复策略）。
- 不确定性量化：进行系统的敏感性分析，评估模型参数变化对输出结果的鲁棒性影响。
总结
这篇综述表明，虽然肌肉骨骼模拟在骑行生物力学中已广泛应用，但受限于样本偏差、报告不透明、验证不足和过度简化的优化目标，其临床和实际应用潜力尚未完全释放。未来的研究需要向更透明、更具包容性、验证更严格且具备预测能力的方向发展。