想象一下，用思维直接控制一只机械手，让它能像我们自己的手一样灵活地抓取杯子、转动门把手。这不仅是科幻电影的桥段，更是无数截肢者和运动功能障碍患者梦寐以求的康复技术。其核心在于肌电控制——通过解读皮肤表面微弱的肌肉电信号来驱动外部设备。然而，当前技术的“瓶颈”在于，控制往往不够自然和直观，用户需要进行大量的学习和适应，体验远非“如臂使指”。其根本挑战在于，我们尚未完全理解大脑是如何高效指挥众多肌肉协同工作的，以及这种“指挥密码”在从神经到肌肉的传递过程中是如何被编码和组织的。传统研究聚焦于肌肉活动层面，将多块肌肉的协调模式解释为低维的“肌肉协同”。但最近，科学家的目光投向了更上游的环节：直接支配肌肉的运动神经元。有迹象表明，运动神经元本身可能就形成了独特的协同群组，这或许揭示了神经系统更底层的组织逻辑。这一神经层面的视角，对于实现真正直观、自适应的肌电假肢控制至关重要。为了探索这一前沿问题，一篇发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究，对肌肉层面和运动神经元层面的信息编码差异进行了深入剖析。
本研究主要采用了以下几种关键技术方法：首先，研究设计了包含手腕屈伸、桡尺偏和抓握的3自由度（3-DoF）目标追踪任务。其次，核心数据采集依赖于高密度表面肌电图（high-density surface EMG），以非侵入方式记录前臂肌肉的详细电活动。再者，研究人员应用了盲源信号分离技术，从高密度肌电图中分解出单个运动单元（motor unit）的放电序列，从而在运动神经元层面进行分析。最后，通过非负矩阵分解（NMF）算法，分别从肌肉活动数据和运动神经元募集数据中提取出协同模式（肌肉协同与运动神经元协同），并进行比较。参与者被要求分别在仿生映射（肌电信号与控制指令符合生理习惯）和非仿生映射（不符合生理习惯）两种条件下完成任务，以评估神经肌肉系统的适应性。
肌电控制表现与适应
研究人员首先评估了参与者在不同控制映射下的任务表现。结果显示，无论是在仿生还是非仿生映射条件下，经过练习，参与者都能成功完成3自由度的目标追踪任务。这表明神经系统具备强大的适应性，能够调整输出策略以适应不同的、甚至是非直觉的控制界面。
肌肉协同与运动神经元协同的提取与比较
通过非负矩阵分解，研究分别从肌肉激活水平和运动神经元募集模式中提取了低维协同结构。分析表明，无论是肌肉协同还是运动神经元协同，在给定的任务条件下，其数量（维度）是相似的。然而，更深层的差异在协同结构的本质中被发现。
协同结构的时空特性
在空间结构上，肌肉协同通常表现为多块肌肉的固定权重组合，而运动神经元协同则展现出更复杂、更多样的空间募集模式，涉及同一肌肉内不同运动神经元的特异性激活组合。在时间激活模式上，运动神经元协同的激活曲线也表现出比肌肉协同更高的变异性和独特性。综合来看，运动神经元协同占据了比肌肉协同更高维度的流形，意味着它们在编码运动指令时具有更丰富的表达能力和潜在更广泛的运动输出范围。
控制映射对协同结构的影响
一个关键的发现是，无论是肌肉协同还是运动神经元协同，它们的空间结构（哪些肌肉或神经元被组合）和时间激活模式，在仿生与非仿生两种控制映射之间都保持了高度的一致性。这意味着，当面对一个新的控制规则（如非生物 学映射）时，神经系统并非“另起炉灶”构建一套全新的协同模式，而是倾向于灵活地调整和重用既有的协同模块，通过改变这些模块的激活权重或组合方式来适应新任务。
运动神经元协同的稳定性与个体差异性
进一步分析揭示，运动神经元协同在个体内部具有很高的稳定性，其模式在不同实验阶段和不同任务条件下能够被重复识别。同时，运动神经元协同也表现出明显的个体间差异，这反映了个体独特的神经控制策略。相比之下，肌肉协同的个体特异性则相对较弱。
该研究的结论与讨论部分深刻阐释了其发现的重要意义。研究证实，在实时肌电控制任务中，运动层面的协同组织确实存在两个层次：一个是我们相对熟悉的肌肉协同层次，另一个则是更基础的运动神经元协同层次。后者被证明具有更高的维度和更分化的时空特性，这提示运动神经元协同可能是神经系统实现灵活、精细运动控制的一个更为基础的编码单元。它为理解运动控制的神经机制提供了一个新的、更精细的分析视角。
更重要的是，研究发现两种协同结构在不同控制映射间保持稳定。这一结果具有极强的应用导向价值。它表明，用户在使用肌电假肢时，其内在的神经控制模块（协同模式）是相对稳固的。当假肢的控制算法（映射规则）发生变化时，用户并非从零开始学习，而是基于已有的神经“工具箱”进行调整。这极大地支持了开发“个性化”和“自适应”控制器的可行性。未来的智能假肢可以通过解码用户固有的、稳定的运动神经元协同模式，来初始化或持续优化控制参数，从而实现更快速的上手和更直观的控制体验，减少用户的认知与训练负担。
总之，这项研究通过比较肌肉与运动神经元协同，将肌电控制的研究前沿从肌肉效应器层面推进到了更接近神经指令源的运动神经元层面。其发现不仅深化了对运动控制神经基础的理论认识，更重要的是，为下一代高性能、用户友好的神经假肢和康复机器人的控制系统设计提供了关键的神经科学依据和全新的设计思路。通过利用个体稳定且高维的运动神经元协同特征，我们有望打破当前肌电控制性能的瓶颈，让“意念控物”的体验更加贴近真实、自然的肢体运动。
打赏
