Locomotor adaptation can persistently reorganize stride-to-stride regulation of centre of mass error dynamics

技术摘要：运动控制适应与步间质心（CoM）误差动力学

问题陈述
尽管人类能够通过调整步态来适应新环境（例如，分带跑步机）以维持稳定性，但目前对这一过程的理解仍然有限。传统的 studies 依赖于标量指标，如步长不对称性或稳定性裕度（MoS），这些指标仅提供了步态结果的瞬时快照。这些指标无法捕捉控制如何从步到步调节稳定性的潜在规则。此外，目前尚不清楚运动控制适应仅仅是减少了稳定性误差，还是涉及对控制这些误差的底层动力学结构的根本性重组。此外，这些与稳定性相关的适应在重新暴露于扰动时被保留和快速召回（节省效应/savings）的程度也尚不明确。

研究方法
作者采用了一种多维、动力系统的方法来模拟分带跑步机步行期间的质心（Coما）误差动力学。

• 模型框架： 他们利用一个简单的 3D 倒单摆模型来定义中立支撑期（midstance）的步间 CoM 误差状态。状态向量包括中外侧位置 ($\delta x$)、中外侧速度 ($\delta \dot{x}$) 以及前后向速度 ($\delta \dot{y}$)。系统被建模为 $\delta \mathbf{x}(n+1) = A \delta \mathbf{x}(n)$，其中矩阵 $A$ 代表步间的误差调节动力学。
• 实验数据： 研究分析了 14 名参与者在分带跑步机方案下的数据，该方案包括基线（同步带）、学习（分带）、洗脱（同步带）和节省（重新暴露于分带）阶段。
• 分析方法：
  1. 标量验证： 使用重复测量方差分析（Repeماed measures ANOVA）确认在学习和洗脱阶段 CoM 误差幅度的降低。
  2. 模型拟合： 为每个阶段和每条腿拟合线性映射（$A_{block}$）。通过归一化均方根误差（NRMSE）以及与持久性（persistence）和均值预测器（mean-predictor）基准进行比较的“技能得分”（skill scores）来评估模型的有效性。
  3. 特征结构分析： 为了测试结构重组（假设 H2），作者比较了不同阶段 $A$ 矩阵的特征值和特征向量。他们特别分析了学习、节省和基线条件下主特征向量的相似性，并使用自助法（bootstrapping）来确定学习和节省的动力学是否与基线情况聚类在一起，从而形成区别。
  4. 召回分析： 为了测试结构召回（假设 H3），作者比较了稳态学习模型（$A_L$）与洗脱模型（$A_W$）对节省阶段前 30 步误差轨迹的预测能力。
• 腿部不对称性： 这些结构性变化主要观察在慢腿上，这与先前发现的慢腿动力学驱动不对称性指标的研究结果一致。

关键结果

• 误差减少 (H1)： 参与者在学习和洗脱阶段显著降低了中外侧和前后向方向的 CoM 误差幅度，证实了 CoM 误差是一个有效的学习信号。
• 结构重组 (H2)： 线性误差动力学在同步带（基线/洗脱）和分带（学习/节省）条件下存在显著差异。具体而言，主特征向量（代表误差衰减最慢的方向）发生了显著旋转。在同步带步行中，误差持久性由中外侧速度主导。在分带步行中，主导方向偏离了中外侧速度，更趋向于与前后向速度对齐。这表明控制优先级发生了重组。
• 结构召回 (H3)： 在初始分带暴露期间学习到的稳态动力学（$A_L$）比洗脱动力学（$A_W$）能更好地预测节省阶段早期的误差轨迹。至关重要的是，$A_L$ 对早期节省阶段的预测效果甚至优于其对早期学习阶段的预测，这表明这种相似性并非仅仅是由于分带环境的机械约束，而是反映了先前学习到的动力学结构的快速召回。
• 腿部不对称性： 这些结构性变化主要观察在慢腿上，这与先前发现的慢腿动力学驱动不对称性指标的研究结果一致。

意义与主张
本文声称，运动控制适应不仅涉及标量误差的减少，还包括步间 CoM 运动调节几何结构的持久性重组。

• 超越标量指标： 研究表明，像 MoS 或步长不对称性这样的标量指标不足以检测这些基本的控制策略变化。这种重组只能通过分析误差动力学的特征结构来揭示。
• 快速召回： 研究结果表明，神经系统在面对新环境时，会学习一种新的用于调节稳定性的动力学结构，这种结构在洗脱期间不会被立即覆盖，并在重新暴露时可以被快速召回。
• 机制见解： 通过将焦点从结果减少转向误差调节的几何结构，作者为如何在分带与同步带步行中差异化地优先处理稳定性（例如，相对于中外侧速度误差，降低对前后向速度误差的优先级）提供了机制解释。

作者得出结论，其动力系统方法为探测运动学习和召回提供了一种新的参数化手段，揭示了与稳定性相关的适应是结构性的且具有持久性，而非仅仅是对误差幅度的瞬时调整。