仿生假肢控制中的协同收缩与共激活模式分析
更新时间：2026-04-20
浏览次数：6
在仿生假肢控制领域，如何从残肢有限的肌肉信号中准确解析出使用者的动作意图，是一项长期挑战。近年来，研究人员发现，残肢肌肉在试图完成不同手部动作时，并非独立收缩，而是呈现出固定的协同收缩与共激活模式。对这些模式进行深入分析，为提升假肢控制精度提供了新思路。
协同收缩是指一对拮抗肌(如屈肌和伸肌)同时收缩的现象。在健全人体中，协同收缩用于稳定关节，防止过度运动。但在截肢者中，由于失去了远端肢体，残端肌肉的协同收缩模式会发生显著改变。一些原本用于精细手指动作的肌肉会重新组织其放电时序。仿生假肢控制研究通过高密度表面肌电阵列记录这些信号，然后使用非负矩阵分解或主成分分析提取出少数几个协同模式。实验表明，即使截肢者无法实际活动手腕和手指，其残肢肌肉仍然保留了对应握拳、伸展、捏取等动作的神经驱动模式。
共激活模式则强调不同肌肉在时间上的同步放电关系。例如，当使用者意图做出“圆柱抓握”时，指深屈肌和指浅屈肌往往以固定的延迟关系被激活；而在“侧捏”动作中，拇对掌肌和第一骨间背侧肌的共激活程度更高。在仿生假肢控制中，将电极放置于特定的肌腹位置，可以捕捉到这些共激活特征。相比单独分析每块肌肉的幅值，共激活模式对电极位置偏移和肌肉疲劳的敏感性更低，因而更鲁棒。
实际应用中，协同收缩与共激活模式分析需要解决两个关键问题。第一是个体差异。不同截肢者的残肢长度、肌肉退化程度和神经重塑情况差异巨大。通用的协同模式往往不适用。因此仿生假肢控制系统通常包含一个在线校准阶段：让使用者重复做出几种想象中的手势，系统自动提取该用户的协同与共激活模板。第二是实时性。模式分析不能离线完成，必须在数十毫秒内完成信号采集、特征提取和分类。轻量级神经网络和矩阵分解的递推形式被用来加速计算。
临床实验显示，基于协同收缩与共激活模式的假肢控制方法，对于三自由度(如腕旋、握开、两指捏)的识别准确率可以达到95%以上，远高于传统阈值法。更重要的是，这种模式分析方法具有生理可解释性。使用者可以通过生物反馈训练，主动强化或抑制某些协同收缩，从而更灵活地切换动作。这意味着仿生假肢不再只是机械地响应肌肉信号，而是与残余神经系统形成了某种“协同编码”关系。
未来，协同收缩与共激活模式分析将结合超声成像和神经内电极，从更深层的肌肉活动获取更丰富的协同信息。这有望让截肢者重新获得对假肢的本体感觉和精细操控能力。
