提出了一种受生理约束的肌肉骨骼神经网络（MSK-NN），用于从部分观测的表面肌电信号（sEMG）中估计多自由度（DoF）关节运动学。该框架集成了神经激活估计器和嵌入的肌肉骨骼正向动力学模块，通过复合损失函数进行端到端训练，该损失函数结合了运动学监督、测量肌肉的协同正则化和未测量肌肉的解剖学趋势正则化。
MSK-NN框架
激活估计器和MSK正向动力学模块通过端到端反向传播联合优化，使用复合物理-生理损失函数，该损失函数结合了运动学监督、测量肌肉的协同正则化和未测量肌肉的解剖学趋势正则化。
数据采集与处理
实验方案已获得曼彻斯特大学研究伦理委员会批准（参考号：2024-20628-36971）。六名健康受试者在知情同意后参与研究。在数据收集前记录身高、体重和手长。实验期间，受试者以坐姿进行手腕运动，保持前臂中立位，避免前臂旋前和旋后。
每位受试者执行四种连续手腕运动模式，速度和幅度不受限制：顺时针（CW）、逆时针（CCW）、8字形和随机（RND）。每种模式记录六个30秒的试验，保留中间20秒以消除瞬态效应。
原始sEMG信号经过带通滤波（20–450 Hz，四阶巴特沃斯）、整流和低通滤波（4 Hz，四阶巴特沃斯）以获得sEMG包络。在实验前记录每块肌肉的最大自主收缩（MVC），并将包络按每块肌肉的MVC峰值幅度归一化。处理后的sEMG包络被重新采样至100 Hz以匹配运动学采样率。
MSK-NN训练
预处理后的数据集按试验级别以4:1:1的比例划分为训练集、验证集和测试集。使用所有四种运动合并训练一个受试者特定模型，并对每种运动类型分别进行评估。
结果
从四个方面评估提出的MSK-NN。首先，将其多自由度运动学预测性能与最先进的深度学习基线进行比较。其次，将推断出的输入排除的桡侧腕短伸肌（ECRB）激活与记录的ECRB sEMG包络进行比较，后者未作为输入，仅用于生理合理性评估。第三，检查优化后的MSK参数是否在生理范围内。最后，进行肌肉消融分析，评估未测量肌肉对运动学估计性能的贡献。
未测量肌肉消融分析
这些结果表明，包含网络不可用的肌肉可提高肌肉驱动表示的完整性，并在部分sEMG可观测性下促进更准确的多自由度手腕运动学估计。
讨论
从三个角度讨论提出的MSK-NN框架：模块化和可扩展性、在部分观测sEMG下估计肌肉激活的能力，以及其实时执行的计算可行性。
框架的模块化和可扩展性
MSK-NN无缝集成了两个组件：神经激活估计器和嵌入的MSK正向动力学模块，仅通过肌肉激活向量耦合，该向量作为数据驱动和基于物理阶段之间定义明确的生理接口。这种组合结构允许任一组件独立替换，而无需改变整体框架。
实时执行的计算可行性
在配备NVIDIA GeForce RTX 4080笔记本电脑GPU、Intel Core i9-13980HX处理器和32 GB RAM的笔记本电脑上，以250 Hz评估提出的MSK-NN的单步模型延迟。基于CNN的肌肉激活估计器需要0.55 ms（第95百分位：0.66 ms），肌肉-肌腱动力学模块需要1.38 ms（第95百分位：1.60 ms），关节动力学模块需要0.43 ms（第95百分位：0.51 ms）。每步的总推理计算时间为2.65 ms（第95百分位：3.17 ms）。这些结果表明MSK-NN的计算核心在250 Hz下可行实时执行。
常见问题
MSK-NN如何处理部分观测的sEMG信号？ 框架使用测量肌肉的协同正则化和未测量肌肉的解剖学趋势正则化，从观测信号推断缺失的激活。
使用哪些手腕运动模式评估模型？ 受试者执行四种连续运动模式：顺时针、逆时针、8字形和随机，速度和幅度不受限制。
MSK-NN能否在标准硬件上实时运行？ 是的，在配备RTX 4080 GPU的笔记本电脑上，每步推理时间为2.65 ms（250 Hz），完全满足实时要求。
MSK-NN框架为何具有模块化和可扩展性？ 神经激活估计器和肌肉骨骼正向动力学模块仅通过肌肉激活向量耦合，允许任一组件独立替换。