本研究针对运动控制中肌肉活动与运动学关系不明确的问题，开展了利用长短期记忆(LSTM)网络从末端执行器(EEF)运动学数据预测上肢肌肉活动的研究。结果表明，该模型不仅能准确预测已知运动的肌肉活动(零线)，还能较好泛化到未知运动(Zs=46.16)，表明其学习了潜在的生物力学原理。研究探讨了运动分割、肘部摆动角对冗余性的影响及训练数据复杂性对泛化能力的作用，发现包含摆动角反而降低性能，而多样化训练数据可提升模型泛化能力。该成果为康复工程和人机交互提供了新思路，减少了数据采集需求。

　　当我们伸手去拿一杯水，或挥手告别时，我们很少会思考大脑是如何精确协调数十块肌肉来完成这些动作的。这背后是人体运动控制的奥秘——大脑如何将运动意图转化为具体的肌肉收缩模式？理解这一过程不仅是对人类运动控制基础科学的重要探索，也对康复医学、假肢控制和人机交互等领域具有重大应用价值。然而，由于肌肉活动与运动学数据之间关系的复杂性，以及人体运动系统的冗余性（即同一运动目标可通过多种肌肉协同方式实现），从运动轨迹准确预测肌肉活动一直是个挑战。

　　传统上，研究人员通过生物力学模型或简单的机器学习方法来建立运动学与肌电图(EMG)之间的联系，但预测精度有限，且模型泛化到新运动类型的能力不足。特别是在真实应用场景中，我们不可能预先采集所有可能运动的训练数据，因此开发能够从有限数据中学习并推广到新运动的预测模型至关重要。

　　发表在《Scientific Reports》上的这项研究，由Marie D. Schmidt等人完成，旨在探索利用深度学习技术，特别是长短期记忆(LSTM)网络，来建立上肢运动学与肌肉活动之间的映射关系。研究团队假设，通过训练，LSTM网络能够从末端执行器（即手部）的位置和方向数据中学习到潜在的生物力学规律，从而不仅能够准确预测训练过的运动肌肉活动，还能泛化到全新的、未见过的运动类型。

　　为了验证这一假设，研究人员设计了一项严谨的实验。他们招募了5名健康受试者（2女3男，年龄26±2岁），每人执行23种不同的上肢运动，包括从简单的单关节运动（如肩外展、肘屈伸）到复杂的多关节日常活动（如阅读手表、蛙泳动作）。每种运动重复18次。运动学数据通过Xsens惯性测量单元(IMU)系统以60Hz频率采集，而肌肉活动则通过Delsys无线表面肌电图(EMG)系统以2222Hz记录8块上肢肌肉（包括三角肌前中后束、肱二头肌短头、肱三头肌外侧头、旋前圆肌、尺侧腕屈肌和尺侧腕伸肌）的电信号。EMG信号经过均方根处理并下采样至60Hz以与运动学数据同步，并进行归一化处理。

　　研究中使用的LSTM网络模型包含两个隐藏层（128和64个节点），输入为末端执行器的状态（位置和方向，共7个变量），输出为8个EMG通道的预测值。模型训练采用留一法(Leave-One-Out， LOO)，即每次训练时从23种运动中留出一种作为“新运动”测试集，其余22种用于训练，以此评估模型对未知运动的泛化能力。模型性能通过零线评分(Z

　　研究基于五名受试者执行23种上肢运动的实验数据，使用Xsens运动捕捉系统和Delsys表面肌电系统同步采集运动学（末端执行器位置和方向）和肌电活动（八块肌肉）数据。通过长短期记忆(LSTM)神经网络建模，采用留一法评估模型从运动学数据预测肌肉活动的能力，并探讨了肘部摆动角、运动分割和训练数据复杂性对预测性能的影响。

　　研究发现，LSTM模型在预测已知运动（测试集）时表现出色，零线评分(Z

　　)中位数达到84.49。更重要的是，模型对完全未知的新运动也展现出一定的预测能力，Z

　　中位数为46.16。这表明模型并非简单记忆训练过的运动模式，而是学习到了运动学与肌肉活动之间的潜在关系。然而，预测准确性在不同运动类型和不同受试者间存在差异。例如，某些简单的单关节运动（如混合肩屈曲）的预测效果反而比一些复杂的多关节运动（如阅读手表）差。分析表明，模型能较好地捕捉肌肉活动的时序，但在幅度预测上存在误差，特别是在新运动中容易出现 overshooting（过冲）现象。

　　人体手臂具有7个自由度(DOF)，而确定手在空间中的位置和方向仅需6个参数，因此存在冗余性。为了研究这种冗余性是否影响预测，团队引入了“摆动角”参数来描述肘部绕肩-腕轴线的旋转角度。他们比较了包含摆动角（1elbow条件）和不包含摆动角（0elbow条件）的模型性能。出乎意料的是，加入摆动角信息并未提升模型性能，反而导致测试集和新运动集的预测精度显著下降（测试集Z

　　从84.49降至81.79）。研究人员分析，这可能是因为在实验受控条件下，受试者执行特定运动时手臂配置（包括摆动角）相对一致，因此末端执行器数据本身已包含足够信息。摆动角的作用可能在手臂配置变化更大的任务（如受扰动运动）中更为重要。

　　研究还探讨了训练数据的复杂性如何影响模型的泛化能力。他们训练了三个模型：一个使用所有运动数据（全模型），一个仅使用简单运动数据（简单模型），另一个仅使用复杂运动数据（复杂模型）。结果表明，在全模型上训练后，其在包含简单和复杂运动的测试集上表现最佳。当分别测试时，简单模型在简单运动上表现尚可（Z

　　=85.21），但将它们应用于相反类型的运动（如简单模型预测复杂新运动）时，性能显著下降。而全模型在这两种情况下均表现稳健。这表明，使用多样化的运动数据进行训练有助于模型学习更丰富的运动表征，从而获得更好的泛化能力。

　　受运动基元理论启发，研究人员假设将复杂运动分解为更简单的子序列（基于末端执行器速度轮廓的拐点进行分割）可能有助于模型学习。他们将使用完整运动序列训练的模型（1seq）与使用分解后子序列训练的模型（nseq）进行了比较。结果发现，运动分割并未带来性能提升，完整序列模型的预测精度反而显著高于分割模型。这表明LSTM网络能够直接从完整的运动序列中有效学习时间动态，而不需要显式的分割步骤。所选的分割方法（基于加速度拐点）可能未能捕捉到有意义的神经肌肉控制转换。

　　本研究成功证明，基于LSTM神经网络可以从上肢末端执行器的运动学数据有效预测多块肌肉的活动。模型展现出对未知运动的泛化能力，表明其捕获了运动学与肌肉活动之间的基本生物力学关系，而非简单记忆。这一发现对于运动控制理论具有重要意义，为理解中枢神经系统如何协调多肌肉活动提供了计算模型支持。

　　在方法学上，研究明确了在此特定任务背景下，使用末端执行器数据作为输入已足够，添加肘部摆动角信息非但无益，反而可能引入噪声。同时，研究强调了杏彩体育官网平台使用多样化运动数据进行训练对于模型泛化的重要性，而基于加速度拐点的运动分割在本研究中并未显示出优势。

　　这项研究的成果具有广阔的应用前景。在康复医学领域，这种模型可以用于开发更智能的康复设备，通过预测患者的肌肉活动来提供辅助或评估康复进展。在假肢控制方面，可以实现更自然、直观的控制，使用者通过自然的运动意图即可驱动假肢。在人机交互领域，可以创造更灵敏、适应性更强的交互界面。此外，该模型减少了对 exhaustive 数据集的依赖，使其在数据有限的现实场景中更具实用价值。

　　未来研究可探索模型在包含物理交互（如抓取、负重）任务中的扩展性，并考虑结合肌力或扭矩信息，以更全面地揭示运动、肌肉活动与力量输出之间的复杂关系。