Normalized Isometry Index as a bounded force-velocity metric for assessing mechanical stimulus in isometric and low-velocity muscle contractions

肌肉并非只关心推力大小的简单引擎。它们是活生生的组织，会根据受到的训练方式改变自身的结构。当一个人缓慢举起重物，或稳稳地持住一个重物时，其内部的肌纤维所产生的反应，与进行快速爆发性运动时的反应截然不同。科学家早已知晓，长时间保持负重而不移动（这种状态被称为等长收缩）可以增强力量，甚至改变一个人的肌纤维类型。然而，精确测量肌肉在这些缓慢或静止时刻所接收到的刺激量，一直是一个难题。用于追踪肌肉做功的标准工具（如功率）在运动停止时往往会失效，因为功率是基于运动定义的。如果速度为零，计算结果就会显示没有做功，尽管肌肉正承受着巨大的负荷在剧烈发力。这使得研究人员和教练缺乏一种清晰的方法，来比较慢速重型举重与快速举重的强度，或者去理解那些告知肌肉生长或适应的特定机械信号。

波兰西里西亚理工大学的一位研究人员提出了一种解决这一难题的新方法。目标是创造一个单一的数值，能够描述肌肉的机械努力程度，无论它是快速移动、缓慢移动，还是完全静止。研究人员 Dobrochna Fryc 开发了一种名为“归一化等长指数”（Normalized Isometry Index）的指标。该工具旨在成为肌肉产生的力量与运动速度之间的桥梁，但它有一个特别之处：即使在速度降至接近于零时，它也能保持稳定且具有意义。这项工作通过使用人体计算机模型来模拟现实世界的练习（例如腿举和骑行），以观察这个新数值是否能准确反映肌肉在不同类型的训练期间内部发生的情况。

这一新指数的核心理念在于，肌肉的努力程度值会随着运动速度的变化而变化。在计算机模拟中，研究人员输入了关于特定肌肉产生多少力量以及其缩短或拉长速度的数据。新公式获取这些力量，并根据速度对其进行调整。当肌肉移动得非常缓慢或保持静止时，公式会保持高值，以反映维持该位置所需的剧烈努力。当肌肉移动较快时，公式会适度降低该值，以承认努力的性质已经发生了转变。这种调整至关重要，因为它防止了数值在速度极小时变得狂乱或趋于无穷大，而这正是旧有计算方法所面临的问题。其结果是一个平滑、稳定的数值，能够清晰地讲述肌肉的工作量，无论那是一次缓慢的磨砺还是一次快速的爆发。

为了测试这个想法是否奏效，研究人员使用了两个不同的人体计算机模型。一个模型模拟了腿举——这是一种重阻力练习，人通过腿部将加重平台推开。另一个模型模拟了骑行——这是一种节奏性的耐力活动。在腿举模拟中，计算机被指令在不同的时间段内移动重量，单次重复的时间范围从两秒到十秒不等。这使得研究人员能够观察当运动非常缓慢与稍快时，该指数的表现如何。在骑行模拟中，模型以每分钟 60 到 120 转的速度踩踏，同时保持稳定的功率输出。这些模拟涵盖了广泛的肌肉行为，从力量训练的沉重缓慢压力到耐力运动的快速重复动作。

结果显示，新指数的表现完全符合预期。当肌肉速度接近于零时，它保持稳定，没有崩溃或产生不可能的数值。相反，它提供了一个清晰、可解释的数值，与努力的强度相匹配。当腿举模拟中的肌肉努力移动重物时，指数显示出高值。当同样的肌肉移动较快时，指数值则以一种可预测的方式下降。研究发现，该指数对肌肉产生的力量具有敏感性，同时也受到速度的影响，从而描绘出一幅平衡的机械刺激图景。至关重要的是，该指数并不仅仅是重复已有的力量或速度信息；它将两者结合成一个新的、有用的度量标准，突出了缓慢和静态收缩的独特本质。

其中一个最重要的发现是，这种新方法与观察力量和速度的传统方式相比如何。传统上，如果试图通过将力量除以速度来感知努力程度，那么当速度趋近于零时，数值会爆炸至无穷大。这使得无法将一次缓慢的重型举重与一次快速的举重进行比较。新指数完全避免了这个陷阱。通过使用一种使过渡过程平滑化的数学方法，它将数值保持在合理且可理解的范围内。研究证实，这一新度量标准可以在不因运动缺失而产生混淆的情况下，区分不同类型的肌肉活动。它成功捕捉到了这样一个概念：即便肌肉纹丝不动，只要它在承受重物，就是在进行显著的做功。

研究人员还观察了公式的具体设置如何影响结果。公式包含一个因子，决定了数值随速度增加而下降的速度。通过测试该因子的不同取值，研究人员发现该指数具有鲁棒性（稳健性）。在合理的范围内，无论选择哪个具体的数值，肌肉努力的整体图景都保持清晰且一致。研究最终确定了一个最符合已知生物学反应的特定设置，特别是针对肌肉如何适应缓慢、重负荷的情况。这一设置确保了指数在肌肉纤维已知会发生类型改变并增强力量的慢速区间内，具有最高的敏感性。

最终，这项工作为理解运动极小情况下的肌肉力学提供了一个实用的工具。归一化等长指数提供了一种量化肌肉在缓慢或静态收缩期间所接收刺激的方法，填补了以往方法无法解决的空白。它允许科学家和教练观察肌肉的表现，并看到一个稳定的、有意义的数值，反映出真实的努力程度，无论肌肉是在快速移动、缓慢移动，还是保持静止。虽然这项研究是使用计算机模型进行的，并需要在现实场景中进行进一步测试，但它为一种新的测量肌肉做功的方法奠定了坚实的基础。它表明，我们现在可以更好地理解驱动肌肉生长和适应的机械信号，即使在身体并未进行传统意义上的运动时也是如此。