楊 毅，彭玉鑫，郝增明，劉 宇，王 新，王 健

（1.浙江大學(xué) 教育學(xué)院，浙江 杭州 310028；2.上海體育學(xué)院，上海 200438；3.沈陽(yáng)體育學(xué)院，遼寧 沈陽(yáng) 110102；4.浙江大學(xué) 運(yùn)動(dòng)科學(xué)與健康工程研究所，浙江 杭州 310028；5.浙江大學(xué) 心理科學(xué)研究中心，浙江 杭州 310028）

人類(lèi)的運(yùn)動(dòng)行為（如站立、走、跑、跳等）有賴(lài)于自身運(yùn)動(dòng)控制?？刂七\(yùn)動(dòng)的神經(jīng)結(jié)構(gòu)從低級(jí)到高級(jí)依次分為脊髓、腦干下行系統(tǒng)和大腦皮層運(yùn)動(dòng)區(qū)3個(gè)層級(jí)，各層級(jí)功能分工不同。神經(jīng)科學(xué)方面的研究表明，運(yùn)動(dòng)控制是中樞神經(jīng)系統(tǒng)（central nervous system，CNS）以層級(jí)和并行方式協(xié)同處理實(shí)現(xiàn)的。運(yùn)動(dòng)控制的中心問(wèn)題是CNS如何產(chǎn)生實(shí)現(xiàn)各種行為目標(biāo)所需的肌肉活動(dòng)模式。人類(lèi)個(gè)體是開(kāi)放的復(fù)雜巨系統(tǒng)（錢(qián)學(xué)森等，1990），運(yùn)動(dòng)時(shí)大腦必須處理一個(gè)由大約107個(gè)神經(jīng)纖維、600塊肌肉和200個(gè)關(guān)節(jié)等組成的神經(jīng)肌肉骨骼系統(tǒng)，這導(dǎo)致在神經(jīng)、肌肉和關(guān)節(jié)空間可形成的自由度（degree of freedom，DOF）數(shù)量n遠(yuǎn)超過(guò)運(yùn)動(dòng)所在空間的維數(shù)m（m＜n）。因此，無(wú)論是人體的單一肢體運(yùn)動(dòng)，還是整體運(yùn)動(dòng)，其運(yùn)動(dòng)控制都極具冗余控制的特征（林輝杰等，2012；王愛(ài)文等，2017；Hirashima et al.，2016；Latash，2012；Latash et al.，2002）。這種人體運(yùn)動(dòng)的冗余控制（redundancy control）問(wèn)題，也稱(chēng)“Bernstein問(wèn)題”、多自由度問(wèn)題。

針對(duì)復(fù)雜人體運(yùn)動(dòng)的冗余控制問(wèn)題，Winter（2009）提出神經(jīng)肌肉骨骼系統(tǒng)的四層整合理論（Neuro-musculoskeletal integration）：第1層整合是對(duì)α運(yùn)動(dòng)神經(jīng)元的所有興奮/抑制輸入的神經(jīng)求和；第2層整合是指對(duì)肌肉內(nèi)所有募集的運(yùn)動(dòng)單元求和，形成肌腱張力；第3層整合是各個(gè)關(guān)節(jié)軸上所有主動(dòng)肌和拮抗肌的肌肉力矩進(jìn)行求和；第4層被認(rèn)為是協(xié)同層，通過(guò)整合2個(gè)或多個(gè)關(guān)節(jié)處各肌肉力矩，共同協(xié)調(diào)實(shí)現(xiàn)動(dòng)作任務(wù)。這種整合、協(xié)調(diào)過(guò)程稱(chēng)為“協(xié)同”（synergy）。該理論認(rèn)為肌肉力矩是CNS控制實(shí)現(xiàn)特定任務(wù)的最終特征，如支撐力矩（the support moment）可用于量化行走過(guò)程中下肢所募集肌肉的激活模式（Winter，1980）。另外，在人體運(yùn)動(dòng)的神經(jīng)肌肉控制機(jī)制方面，Bernstein（1967）首次提出一種模塊化控制理論，認(rèn)為層級(jí)控制的運(yùn)動(dòng)系統(tǒng)包含一組離散的低層級(jí)元素結(jié)構(gòu)——運(yùn)動(dòng)協(xié)同（movement synergies）。大腦明確地將真正的協(xié)同作用儲(chǔ)存在特定的神經(jīng)回路中，這些神經(jīng)回路的聯(lián)合作用產(chǎn)生對(duì)肌肉有任務(wù)效率的運(yùn)動(dòng)輸入，由此可以減少因冗余控制問(wèn)題引起的計(jì)算成本。這種在運(yùn)動(dòng)時(shí)協(xié)同作用的低層級(jí)元素結(jié)構(gòu)，在肌肉活動(dòng)這一層次被稱(chēng)為肌肉協(xié)同（muscle synergies）。

個(gè)體感知周?chē)h(huán)境，結(jié)合自身認(rèn)知解析任務(wù)需求，最終選擇和執(zhí)行一系列動(dòng)作以完成目標(biāo)任務(wù)。具體的運(yùn)動(dòng)行為是個(gè)體、任務(wù)和環(huán)境3因素相互作用產(chǎn)生的，為了使運(yùn)動(dòng)按預(yù)期進(jìn)行，CNS不僅需要指定大量的輸出變量，還必須考慮對(duì)運(yùn)動(dòng)執(zhí)行施加的各種生物力學(xué)要求或約束（華安珂 等，2019；劉宇，2010；王楚婕 等，2013；王健等，2017；王開(kāi)元 等，2018）。而肌肉協(xié)同是在CNS中編碼還是由于任務(wù)約束而被激活，目前對(duì)于這種肌肉協(xié)同的起源是否是神經(jīng)性起源問(wèn)題還存有爭(zhēng)議。雖然有針對(duì)動(dòng)物，如青蛙（Bizzi et al.，2008；D’Avella et al.，2005）、老鼠（Tresch et al.，1999）和貓（Desrochers et al.，2019；Ting et al.，2007）等和人類(lèi)（Chvatal et al.，2013）的研究都為肌肉協(xié)同理論神經(jīng)起源提供了直接的生理學(xué)證據(jù)，但有部分與肌肉協(xié)同神經(jīng)性起源觀點(diǎn)相矛盾的實(shí)驗(yàn)對(duì)這一理論提出了挑戰(zhàn)（Kutch et al.，2008；Valero-Cuevas et al.，2009）。Kutch等（2008）利用運(yùn)動(dòng)系統(tǒng)信號(hào)相關(guān)噪聲特性來(lái)估計(jì)產(chǎn)生微小指尖力期間的肌肉激活，然后通過(guò)檢查不同作用力方向的可變性的形狀估算潛在的肌肉募集程度。其研究結(jié)果表明，完成該任務(wù)是獨(dú)立募集單個(gè)肌肉，而不是通過(guò)肌肉協(xié)同同時(shí)募集多個(gè)肌肉來(lái)實(shí)現(xiàn)。對(duì)這類(lèi)支持肌肉協(xié)同假說(shuō)的實(shí)驗(yàn)進(jìn)行批評(píng)的主要觀點(diǎn)在于肌肉協(xié)同反映任務(wù)約束，而不是反映了神經(jīng)控制策略。隨著表面肌電圖（surface electromyography，sEMG）和功能性磁共振成像（functional magnetic resonance imaging，fMRI）數(shù)據(jù)分析的發(fā)展，當(dāng)前結(jié)論傾向于將肌肉協(xié)同認(rèn)為是存在于大腦和脊髓中的時(shí)空成分，從而支持其神經(jīng)性起源觀點(diǎn)。每個(gè)個(gè)體都可能使用不同的肌肉激活模式來(lái)達(dá)到相同的任務(wù)目標(biāo)?；诩∪鈪f(xié)同理論的研究表明不同個(gè)體的運(yùn)動(dòng)存在一種共同的模塊化神經(jīng)控制機(jī)制——肌肉協(xié)同。肌肉協(xié)同理論可以很好地解釋CNS對(duì)肌肉的控制機(jī)制，從而揭示神經(jīng)系統(tǒng)的內(nèi)在功能模式。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)肌肉協(xié)同理論及其應(yīng)用的研究越來(lái)越多（Cheng et al.，2019；Israely et al.，2018；Singh et al.，2018），本研究就國(guó)內(nèi)外肌肉協(xié)同理論的研究進(jìn)展及其在體育科學(xué)、臨床醫(yī)學(xué)和機(jī)器人控制方面的應(yīng)用進(jìn)行綜述，以期深刻認(rèn)識(shí)和理解肌肉協(xié)同理論，并展望其未來(lái)研究和應(yīng)用的發(fā)展趨勢(shì)。

1 肌肉協(xié)同理論

復(fù)雜人體運(yùn)動(dòng)的冗余控制問(wèn)題或者多自由度問(wèn)題，目前主要提出了3個(gè)主要理論。

1）消除理論（elimination theory）。該理論認(rèn)為CNS通過(guò)將DOF數(shù)量減少到執(zhí)行任務(wù)所需的數(shù)量來(lái)解決問(wèn)題（Latash et al.，2007）。這種對(duì)DOF的“凍結(jié)”源自Bernstein提出的假設(shè)，在當(dāng)代人類(lèi)運(yùn)動(dòng)行為的研究中經(jīng)常被引用。消除DOF的概念主要是在運(yùn)動(dòng)學(xué)層面上提出的，而未考慮力量、肌肉、運(yùn)動(dòng)單元或多關(guān)節(jié)任務(wù)中的冗余。

2）最優(yōu)化理論（optimization theory）。其基本思想來(lái)源于數(shù)學(xué)和工程學(xué)。最優(yōu)化是一種通過(guò)考慮成本函數(shù)中包含的附加條件，在無(wú)限種可能性中選擇最優(yōu)解的方法。最優(yōu)化理論通常被認(rèn)為是指大腦不斷地為它所面臨的每一個(gè)運(yùn)動(dòng)任務(wù)計(jì)算全局最優(yōu)（Berret et al.，2019）。研究者們通常依靠計(jì)算機(jī)進(jìn)行數(shù)學(xué)運(yùn)算來(lái)構(gòu)造最佳的運(yùn)動(dòng)指令。這類(lèi)研究的限制性在于他們只關(guān)注優(yōu)化計(jì)算的最終結(jié)果，而沒(méi)有解決大腦如何實(shí)現(xiàn)優(yōu)化的問(wèn)題。最優(yōu)化理論有助于理解“為什么”某些動(dòng)作會(huì)比其他動(dòng)作最終被執(zhí)行，但它并不能說(shuō)明大腦實(shí)際上是如何觸發(fā)該最優(yōu)策略的。因此，大腦是如何選擇一個(gè)使運(yùn)動(dòng)消耗成本最小化的解決方案，對(duì)該問(wèn)題的理解尚不明確。

3）肌肉協(xié)同理論（muscle synergies theory）。該理論是一種模塊化控制理論，通常認(rèn)為層級(jí)控制的運(yùn)動(dòng)系統(tǒng)包含一組離散的低層級(jí)元素結(jié)構(gòu)，可以減少由冗余控制問(wèn)題引起的計(jì)算成本。這種低層級(jí)元素結(jié)構(gòu)可被稱(chēng)為運(yùn)動(dòng)模塊（motor modules）、運(yùn)動(dòng)原語(yǔ)（motor primitives），或在研究肌肉活動(dòng)特征時(shí)，被稱(chēng)為肌肉協(xié)同。大腦明確地將真正的協(xié)同作用儲(chǔ)存在特定的神經(jīng)回路中，這些神經(jīng)回路的聯(lián)合作用產(chǎn)生對(duì)肌肉有任務(wù)效率的運(yùn)動(dòng)輸入。該理論從生物力學(xué)分析角度來(lái)看，肌肉協(xié)同作用過(guò)程中，肌肉收縮產(chǎn)生人體多環(huán)節(jié)鏈運(yùn)動(dòng)時(shí)的肌肉力矩。然后，CNS通過(guò)整合互動(dòng)力矩（interactive torque）、重力矩和接觸力矩等，精妙準(zhǔn)確地進(jìn)行關(guān)節(jié)間動(dòng)力學(xué)耦合控制（dynamic cou‐pling）（Zajac et al.，1989），從而優(yōu)美地完成既定運(yùn)動(dòng)目標(biāo)（孫宇亮，2014）。例如，在上肢的運(yùn)動(dòng)協(xié)同控制方面，針對(duì)繪畫(huà)任務(wù)中關(guān)節(jié)力矩和肌肉活動(dòng)的研究表明，肩關(guān)節(jié)運(yùn)動(dòng)由該處的肌肉力矩驅(qū)動(dòng)，而肘關(guān)節(jié)運(yùn)動(dòng)由肩關(guān)節(jié)處產(chǎn)生的互動(dòng)力矩驅(qū)動(dòng)，肌肉力矩僅負(fù)責(zé)調(diào)控互動(dòng)力矩，由位于該關(guān)節(jié)的肌肉主動(dòng)收縮來(lái)完成（Dounskaia et al.，2002）。另外，在下肢的運(yùn)動(dòng)協(xié)同控制方面，研究者們通過(guò)構(gòu)建短跑時(shí)下肢的基于環(huán)節(jié)角的環(huán)節(jié)互動(dòng)動(dòng)力學(xué)模型，分析了小腿角加速度在髖、膝和足關(guān)節(jié)處的互動(dòng)力矩（Hunter et al.，2004）。國(guó)內(nèi)研究者在此基礎(chǔ)上的研究表明，支撐期和擺動(dòng)期時(shí)，強(qiáng)壯的股后肌群在這些關(guān)節(jié)處產(chǎn)生的肌肉力矩在整合、控制外力矩和互動(dòng)力矩時(shí)十分重要（魏書(shū)濤 等，2010；Huang et al.，2013；Liu et al.，2017）。為完成目標(biāo)活動(dòng)任務(wù)，進(jìn)行關(guān)節(jié)間動(dòng)力學(xué)耦合控制，要求各相關(guān)肌肉群進(jìn)行協(xié)同控制。因此，肌肉協(xié)同理論可較好揭示這一復(fù)雜運(yùn)動(dòng)過(guò)程的CNS冗余控制機(jī)制。

在人體的運(yùn)動(dòng)控制領(lǐng)域，對(duì)人體進(jìn)行的從整體運(yùn)動(dòng)到某肢體運(yùn)動(dòng)的各種層面上的描述，都會(huì)涉及冗余控制的問(wèn)題。Bernstein在1967年提出以肌肉群的概念解釋CNS在維持身體姿勢(shì)中的冗余控制問(wèn)題。在過(guò)去的幾十年里，對(duì)人類(lèi)和動(dòng)物運(yùn)動(dòng)的研究積累了大量證據(jù)來(lái)支持神經(jīng)肌肉骨骼系統(tǒng)模塊化控制概念（Alessandro et al.，2013；Bizzi et al.，2008；Flash et al.，2005）。CNS 通過(guò)結(jié)合相對(duì)較少的特定空間和/或時(shí)間的肌肉活動(dòng)模式（即肌肉協(xié)同）生成必要的肌肉收縮模式來(lái)實(shí)現(xiàn)目標(biāo)任務(wù)行為（Chiovetto et al.，2013；D’Avella et al.，2003）。

不同學(xué)者對(duì)肌肉協(xié)同給出了不同定義。Safavynia等（2011）認(rèn)為，肌肉協(xié)同代表一個(gè)子運(yùn)動(dòng)任務(wù)庫(kù)，神經(jīng)系統(tǒng)可靈活結(jié)合其中的子運(yùn)動(dòng)任務(wù)來(lái)產(chǎn)生復(fù)雜而自然的運(yùn)動(dòng)。某個(gè)運(yùn)動(dòng)子任務(wù)（即肌肉協(xié)同）定義了身體各部分執(zhí)行該任務(wù)所需的各肌肉共同激活的固定比例。D’Avella等（2003）認(rèn)為，肌肉協(xié)同是能被下行神經(jīng)控制信號(hào)調(diào)制的骨骼肌組合。具體來(lái)說(shuō)，CNS通過(guò)某種線(xiàn)性組合的方式激活若干個(gè)具有不同功能性的模塊化協(xié)同結(jié)構(gòu)來(lái)完成復(fù)雜運(yùn)動(dòng)行為，這些協(xié)同結(jié)構(gòu)的絕對(duì)激活水平由下行神經(jīng)信號(hào)調(diào)控（Ting et al.，2007）。肌肉協(xié)同被認(rèn)為是由CNS募集，通過(guò)靈活調(diào)控各肌肉收縮以完成各種日常行為動(dòng)作的最小單位。綜上，肌肉協(xié)同是可被下行神經(jīng)信號(hào)調(diào)制，具有時(shí)間-空間固有激活特征的一組肌肉組合，是人體層級(jí)運(yùn)動(dòng)控制的基本控制單元。

1.1 肌肉協(xié)同降維特征

肌肉協(xié)同是CNS控制下可實(shí)現(xiàn)靈活控制以完成日常運(yùn)動(dòng)行為的由若干個(gè)肌肉組合。這種模塊化的控制方式是解決Bernstein問(wèn)題的有效途徑，在人和動(dòng)物的實(shí)驗(yàn)研究以及計(jì)算機(jī)模擬研究中得到證實(shí)。Berniker等（2009）建立了低維控制器模型，證明了降維控制策略可以在不影響結(jié)果表現(xiàn)的情況下簡(jiǎn)化控制過(guò)程。

1.2 肌肉協(xié)同的功能特征

肌肉協(xié)同的功能特征表現(xiàn)在：1）對(duì)同一任務(wù)，不同肌肉協(xié)同會(huì)被募集，且各肌肉協(xié)同有不同功能。例如，健康成年人手膝爬行時(shí)，可在各肢體中分別提取支撐相協(xié)同和擺動(dòng)相協(xié)同，前者主要在爬行的支撐相激活，后者主要在擺動(dòng)相激活（Chen et al.，2017）；2）對(duì)于不同運(yùn)動(dòng)任務(wù)，存在功能相似的肌肉協(xié)同。D’Avella等（2005）對(duì)青蛙在行走、跳躍、游泳運(yùn)動(dòng)研究發(fā)現(xiàn)，所提取的各個(gè)肌肉協(xié)同均被調(diào)用。肌肉協(xié)同自身決定了其功能，并可在不同的運(yùn)動(dòng)行為中被調(diào)用。Torres-Oviedo等（2006，2007）通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)了其中某個(gè)協(xié)同對(duì)維持靜態(tài)站姿下的四足間的相對(duì)平衡有重要作用。Chvatal等（2013）在研究靜態(tài)站立受外部干擾時(shí)和步行時(shí)的肌肉活動(dòng)時(shí)，提取出相似的肌肉協(xié)同。Barroso等（2014）從步行試驗(yàn)中提取的肌肉協(xié)同作用與騎自行車(chē)過(guò)程中提取的協(xié)同作用相似。完成不同任務(wù)時(shí)可能會(huì)募集相同的肌肉協(xié)同，而任務(wù)目標(biāo)的特異性在個(gè)別具有特征性的肌肉協(xié)同中得到體現(xiàn)（Ting et al.，2007），對(duì)于肌肉協(xié)同功能特征的理解，有助于更好地理解運(yùn)動(dòng)的神經(jīng)控制機(jī)制。

1.3 肌肉協(xié)同的增齡效應(yīng)

在成人運(yùn)動(dòng)過(guò)程中，軀干和腿部肌肉的肌電活動(dòng)是由一些與運(yùn)動(dòng)模式、方向、速度和身體支撐無(wú)關(guān)的肌肉協(xié)同來(lái)解釋的（Clark et al.，2010；Ivanenko et al.，2004；Sheynikhov‐ich et al.，2009）。關(guān)于肌肉協(xié)同的發(fā)展也有其他假設(shè)：1）成人所固化的肌肉協(xié)同模式是從最初大量的運(yùn)動(dòng)模式中選擇出來(lái)的；2）原始模式被拋棄，取而代之的是全新的模式；3）原始模式被保留和調(diào)整，而新的模式在成長(zhǎng)過(guò)程中被添加。很明顯，這些假設(shè)反映了對(duì)神經(jīng)網(wǎng)絡(luò)發(fā)展過(guò)程中的不同約束。為了區(qū)分這些可能性，Dominici等（2011）比較了新生兒和學(xué)步兒童、學(xué)齡前兒童和成人的肌肉協(xié)同特征。研究發(fā)現(xiàn)，有2個(gè)肌肉協(xié)同模式在新生兒邁步階段被保留，而另外2個(gè)肌肉協(xié)同模式在此階段之后發(fā)展。而對(duì)于年輕人與老年人，老年人的肌肉協(xié)同特征減少并有所改變（Vernooij et al.，2016）。這也能反映出人類(lèi)衰老不僅與個(gè)別肌肉的變化有關(guān)，還與它們之間的協(xié)調(diào)有關(guān)。

1.4 肌肉協(xié)同模型分類(lèi)

肌肉協(xié)同通過(guò)選擇一小部分肌肉來(lái)構(gòu)建可在不同條件下執(zhí)行任務(wù)目標(biāo)的動(dòng)作模塊。肌肉協(xié)同之所以是動(dòng)作模塊，是因?yàn)樗鼈兎从骋唤M在不同情況下可重復(fù)的激活肌肉激活模式。如公式（1）所示，用于將執(zhí)行各種運(yùn)動(dòng)任務(wù)時(shí)收集的多通道sEMG信號(hào)矩陣MX×T，經(jīng)矩陣分解提取肌肉協(xié)同后，包括反映空間特征的協(xié)同結(jié)構(gòu)矩陣WX×S和反映時(shí)序特征的肌肉激活系數(shù)矩陣CS×T（其中X為肌電采集通道數(shù)，T為計(jì)算樣本數(shù)量，S為肌肉協(xié)同數(shù)量，E為殘差）。從空間上看，在不同肌肉間，一個(gè)WX×S能反映一組肌肉間激活強(qiáng)度關(guān)系。從時(shí)間上看，一個(gè)CS×T能反映一個(gè)肌肉協(xié)同結(jié)構(gòu)中不同肌肉間的關(guān)系是時(shí)不變或時(shí)變的。根據(jù)不同的數(shù)學(xué)模型與理論假設(shè)，公式（1）表示的肌肉協(xié)同模型可分為時(shí)間型、同步型、時(shí)變型和統(tǒng)一型4種。

時(shí)間型肌肉協(xié)同（temporal muscle synergies，TEMMS）的數(shù)學(xué)模型如公式（2）所示，TEMMS屬于時(shí)不變協(xié)同（time-invariant synergies）（Chiovetto et al.，2010，2012；Do‐minici et al.，2011；Ivanenko et al.，2004）。這里的“時(shí)不變”是指肌肉激活系數(shù)矩陣ci不隨時(shí)間變化而變化。ci可通過(guò)簡(jiǎn)單地縮放和疊加在一起來(lái)重建每一塊肌肉實(shí)際活動(dòng)m（t）。P為時(shí)間肌肉協(xié)同數(shù)量。TEMMS可利用因子分析（factor analysis，F(xiàn)A）方法提取（Ivanenko et al.，2004）。

同步型肌肉協(xié)同（synchronous muscle synergies，SYNMS）的是一種時(shí)不變、空間固定的肌肉協(xié)同。數(shù)學(xué)模型與TEMMS較為相似，如公式（3）所示，其中N為空間肌肉協(xié)同數(shù)量，m（t）為在t時(shí)刻所采集的sEMG信號(hào)，cj（t）為在t時(shí)刻第j個(gè)協(xié)同結(jié)構(gòu)wj中各肌肉的激活系數(shù)，e為殘差。在協(xié)同結(jié)構(gòu)wj中，所有包括的肌肉被同時(shí)激活，且相對(duì)激活水平不變。各個(gè)協(xié)同結(jié)構(gòu)中肌肉的激活水平由與之唯一對(duì)應(yīng)的一條肌肉激活曲線(xiàn)cj（t）同步調(diào)控（Ting et al.，2012，2015）。

時(shí)變型肌肉協(xié)同（time-varying muscle synergies，TVAMS）是肌肉激活的內(nèi)在時(shí)間-空間模式，肌肉激活模式由隨時(shí)間變化的肌肉協(xié)同組合產(chǎn)生，也就是說(shuō)，一組肌肉的協(xié)調(diào)激活與每一塊肌肉的特定時(shí)間過(guò)程相結(jié)合（Bizzi et al.，2008；D’Avella et al.，2005；Dominici et al.，2011；Overduin et al.，2012；Scano et al.，2019）。肌電信號(hào)輸出由各協(xié)同募集時(shí)的振幅和時(shí)間延遲決定。TVAMS模型如公式（4）所示，其中R為肌肉協(xié)同數(shù)量，e為殘差，wk為第k個(gè)協(xié)同結(jié)構(gòu)。ck和tk分別為該協(xié)同對(duì)應(yīng)的非負(fù)縮放系數(shù)和時(shí)間延遲，其中tk負(fù)責(zé)調(diào)節(jié)wk協(xié)同結(jié)構(gòu)的激活時(shí)序，hk負(fù)責(zé)控制wk協(xié)同結(jié)構(gòu)的激活水平。wk中肌肉間的相對(duì)激活水平隨時(shí)間變化，wk(t-tk)反映第k個(gè)協(xié)同在其激活起始時(shí)刻后(t-tk)處的肌肉激活水平。TVAMS由D’Avella（2003）等首次提出，可利用類(lèi)似于NMF的方法來(lái)提取。

統(tǒng)一型肌肉協(xié)同。統(tǒng)一型肌肉協(xié)同（unifying muscle synergies，UNFMS），也可稱(chēng)為時(shí)間×空間肌肉協(xié)同（space by time synergies）模型（Delis et al.，2014；Hinnek‐ens et al.，2020）。時(shí)不變和時(shí)變UNFMS數(shù)學(xué)模型如公式（5）、公式（6）所示，單個(gè)肌肉模式都可以表示為時(shí)間模塊wi（t）和空間模塊wj的雙重線(xiàn)性組合。P和N分別為時(shí)間模塊和空間模塊的數(shù)量。cij和tij分別為i時(shí)間模塊、j空間模塊的標(biāo)量激活系數(shù)和時(shí)間延遲。神經(jīng)生理學(xué)研究表明，肌肉激活模式可由空間模塊或時(shí)間模塊的肌肉協(xié)同模塊進(jìn)行組合產(chǎn)生，這是構(gòu)成具備統(tǒng)一性UNFMS模型的證據(jù)?？臻g模塊對(duì)應(yīng)于所謂的同步、時(shí)不變或空間固定協(xié)同效應(yīng)；時(shí)間模塊對(duì)應(yīng)于所謂的肌肉激活模式、前運(yùn)動(dòng)驅(qū)動(dòng)、運(yùn)動(dòng)原語(yǔ)或時(shí)間固定協(xié)同效應(yīng)。

2 肌肉協(xié)同分析

肌電信號(hào)是深層肌肉活動(dòng)的生理變化（電信號(hào)）直接測(cè)量得到的信號(hào)活動(dòng)，能間接反映CNS的運(yùn)動(dòng)控制指令。因此，肌肉協(xié)同一般從肌肉活動(dòng)數(shù)據(jù)中提取。sEMG因其采集時(shí)的無(wú)創(chuàng)性，使用較為廣泛。sEMG肌肉協(xié)同分析（圖1）通過(guò)對(duì)完成目標(biāo)運(yùn)動(dòng)任務(wù)時(shí)肌肉產(chǎn)生的sEMG信號(hào)進(jìn)行矩陣分解來(lái)進(jìn)行，主要過(guò)程包括：1）sEMG預(yù)處理，目標(biāo)是利用數(shù)字信號(hào)處理算法對(duì)原始sEMG信號(hào)進(jìn)行預(yù)處理，得到歸一化包絡(luò)矩陣；2）肌肉協(xié)同提取，目的是將已進(jìn)行預(yù)處理的sEMG信號(hào)進(jìn)行矩陣分解，得到肌肉協(xié)同結(jié)構(gòu)矩陣W和協(xié)同激活系數(shù)矩陣C；3）肌肉協(xié)同評(píng)價(jià)，對(duì)在不同變量條件下所提取的肌肉協(xié)同模式（協(xié)同結(jié)構(gòu)、激活系數(shù)）進(jìn)行相關(guān)性分析。

圖1 肌肉協(xié)同分析流程Figure 1.Procedure of Muscle Synergies Analysis

2.1 sEMG信號(hào)預(yù)處理

sEMG信號(hào)預(yù)處理通過(guò)在肌肉協(xié)同提取前依次經(jīng)過(guò)帶通濾波、去均值、全波整流、降采樣、低通濾波和歸一化等處理得到sEMG包絡(luò)矩陣。帶通濾波和陷波處理可消除漂移、混疊效應(yīng)和工頻干擾。低通濾波和高通濾波可分別消除高頻噪聲和運(yùn)動(dòng)偽影。全波整流用來(lái)計(jì)算sEMG包絡(luò)線(xiàn)（Myers et al.，2003）。對(duì)經(jīng)全波整流后的包絡(luò)線(xiàn)低通濾波，可確保沒(méi)有高頻信號(hào)成分改變包絡(luò)形狀，且截止頻率越低包絡(luò)線(xiàn)越平滑。為保證不同對(duì)象或肌肉的sEMG同等重要性和處理結(jié)果不傾向幅值較大的信號(hào)，歸一化常利用完成目標(biāo)任務(wù)時(shí)的最大自主收縮（maxi‐mum voluntary vontraction，MVC）（Ting et al.，2005）、被檢肌肉電信號(hào)的峰值或單位方差（Cheung et al.，2012）來(lái)計(jì)算，最終實(shí)現(xiàn)無(wú)偏協(xié)同提取。降采樣利于降低計(jì)算成本，加快肌肉協(xié)同提取時(shí)的迭代收斂過(guò)程。Kieliba等（2018）比較了因選擇不同歸一化方法和帶通濾波截止頻率參數(shù)進(jìn)行預(yù)處理而對(duì)肌肉協(xié)同提取與被試間相似性（inter-sub‐ject similarity，ISS）的影響，結(jié)果表明，無(wú)論是采用何種歸一化（最大自主收縮MVC或信號(hào)自身最大振幅），還是帶通濾波器（20～500 Hz或50～500 Hz）都沒(méi)有顯著改變協(xié)同權(quán)重。然而，歸一化可改變一組協(xié)同的方差值。通過(guò)比較不同的低通濾波器（0.5 Hz、4 Hz、10 Hz、20 Hz）發(fā)現(xiàn)，增加低通濾波器的截止頻率可以降低由一些肌肉協(xié)同的信息重構(gòu)率（variability accounted for，VAF），并影響個(gè)體肌肉的貢獻(xiàn)。低通濾波截止頻率0.5 Hz時(shí)可使包絡(luò)線(xiàn)極其平滑，并能增強(qiáng)活動(dòng)肌肉和非活動(dòng)肌肉的對(duì)比。

2.2 矩陣分解方法

肌肉協(xié)同提取通過(guò)對(duì)經(jīng)預(yù)處理后的多通道sEMG信號(hào)包絡(luò)線(xiàn)進(jìn)行矩陣分解來(lái)實(shí)現(xiàn)。多通道sEMG信號(hào)的肌肉協(xié)同結(jié)構(gòu)（空間分布）及其激活系數(shù)（時(shí)間分布）的估計(jì)是一個(gè)盲源分離問(wèn)題，可通過(guò)矩陣分解技術(shù)來(lái)估計(jì)基向量集（協(xié)同結(jié)構(gòu)）。根據(jù)不同數(shù)學(xué)模型和對(duì)協(xié)同模塊的不同約束假設(shè)（如正交性、獨(dú)立性或非負(fù)性），可使用不同的矩陣分解算法來(lái)提取肌肉協(xié)同模塊（Delis et al.，2014）。典型算法有主成分分析（principal component analysis，PCA）（Gorkovenko et al.，2019；Ranganathan et al.，2012）、FA（Ivanenko et al.，2004）、獨(dú)立成分分析（independent compo‐nent analysis，ICA）（Hyv?rinen et al.，2000）、非負(fù)矩陣分解（non-negative matrix factorization，NMF）等（Lee et al.，1999；Tresch et al.，2006）。

矩陣分解算法的選擇由肌肉協(xié)同數(shù)學(xué)模型和其約束條件來(lái)決定。例如，NMF假設(shè)待分解原始數(shù)據(jù)M、協(xié)同結(jié)構(gòu)W和激活系數(shù)C是非負(fù)的。PCA是特征去均值化，使協(xié)同作用之間具有正交性。FA假設(shè)激活系數(shù)不相關(guān)。ICA假設(shè)激活系數(shù)統(tǒng)計(jì)獨(dú)立。然而，多數(shù)算法識(shí)別非常相似的協(xié)同效應(yīng)。另外，Tresch等（2006）比較了多種不同矩陣分解算法在模擬和實(shí)驗(yàn)數(shù)據(jù)集上的性能，結(jié)果表明，PCA在識(shí)別肌肉協(xié)同上較FA、ICA、NMF效果差得多。ICA對(duì)于有恒方差高斯噪聲的數(shù)據(jù)處理效果良好，而當(dāng)數(shù)據(jù)有信號(hào)相關(guān)噪聲和協(xié)同激活因數(shù)相關(guān)時(shí)受損。NMF相比PCA、FA算法，在數(shù)據(jù)分析上魯棒性較好。研究者也通過(guò)嘗試其他矩陣分解算法來(lái)提取肌肉協(xié)同。Ebied等（2019）利用張量表征肌肉活動(dòng)，首次提出一種基于高階張量分解的肌肉協(xié)同提取方法——consTD。Ebied等（2018）提出，二階盲源識(shí)別方法（second-order blind identi‐fication，SOBI）用于評(píng)估在腕關(guān)節(jié)運(yùn)動(dòng)分類(lèi)，并比較PCA、ICA和NMF算法用于對(duì)模擬和sEMG實(shí)驗(yàn)數(shù)據(jù)進(jìn)行肌肉協(xié)同提取的性能。結(jié)果表明：在沒(méi)有降維情況下，SOBI比其他3種方法結(jié)果更好；在肌電電極數(shù)量有限時(shí)，SOBI方法更適用，但性能仍顯不足。但當(dāng)采集的肌電信號(hào)通道足夠多時(shí)，NMF表現(xiàn)最佳?？傮w來(lái)說(shuō)，NMF在生理學(xué)上與肌電信號(hào)更相關(guān)，因?yàn)榉秦?fù)值信號(hào)能很好地反映肌肉收縮行為（肌肉不能被“負(fù)”激活），從而具有更好的解釋性，因此被廣泛采用。

2.3 肌肉協(xié)同評(píng)價(jià)

2.3.1 肌肉協(xié)同數(shù)量

在分析不同姿勢(shì)任務(wù)時(shí)肌肉協(xié)同的差異時(shí)，最常用的是比較所提取的肌肉協(xié)同數(shù)量。確定肌肉協(xié)同數(shù)量的最主要方法是基于VAF曲線(xiàn)的方法（Allen et al.，2019）。VAF的計(jì)算公式如公式（7）所示，其中X、T分別為被檢肌肉數(shù)量和采樣點(diǎn)數(shù)量。M為待分解的sEMG包絡(luò)矩陣，Mcon為所構(gòu)造矩陣，根據(jù)肌肉協(xié)同模型不同而不同。VAF參數(shù)的取值范圍為［0，1］。從矩陣分解角度來(lái)講，肌肉協(xié)同數(shù)量越多，VAF值越大，表示重構(gòu)精度越高，即Mcon和M越接近。

基于VAF曲線(xiàn)確定肌肉協(xié)同數(shù)量的方法，大概可分為 4種：1）VAF閾值法（Torres-Oviedo et al.，2006）。當(dāng)VAF參數(shù)值大于設(shè)定閾值時(shí)，可認(rèn)為所分解出肌肉協(xié)同矩陣W和C可充分重構(gòu)原始sEMG信號(hào)。用于確定肌肉協(xié)同數(shù)量時(shí)，VAF閾值常設(shè)在0.80～0.95 SYNMS（Gizzi et al.，2011；Rodriguez et al.，2013）、0.65～0.80 TVAMS（D’Avella et al.，2005；Overduin et al.，2008）、0.9 左右 TEMMS等。2）VAF曲線(xiàn)趨直法（Cheung，2005）。當(dāng)協(xié)同數(shù)目從l開(kāi)始增加時(shí)，VAF斜率變化是一個(gè)由初期變化急劇、后期變化緩慢的過(guò)程，最后斜率值逐漸趨近于0，這意味著當(dāng)前所取的肌肉協(xié)同數(shù)量n對(duì)于提升重構(gòu)原始sEMG的效果不明顯。因此，根據(jù)VAF曲線(xiàn)近似于直線(xiàn)時(shí)判定應(yīng)提取的協(xié)同數(shù)目（Cheung et al.，2009；Santuz et al.，2020；Tresch et al.，2006）。3）VAF曲線(xiàn)斜率最大法（Tresch et al.，2006）。選取VAF斜率變換最大時(shí)對(duì)應(yīng)的協(xié)同數(shù)量。4）VAF增量閾值法（Cheung et al.，2009）。選取當(dāng)協(xié)同的提取數(shù)量進(jìn)一步增加時(shí)，VAF的增加小于75%時(shí)對(duì)應(yīng)的數(shù)量。

基于VAF曲線(xiàn)方法因受人體執(zhí)行目標(biāo)任務(wù)時(shí)生物力學(xué)條件約束，導(dǎo)致確定協(xié)同的準(zhǔn)確數(shù)量時(shí)并沒(méi)有“金標(biāo)準(zhǔn)”。而且，肌肉協(xié)同的提取與數(shù)量選擇，易受信號(hào)噪聲的影響，換言之，基于VAF曲線(xiàn)方法，會(huì)將噪聲引起的肌肉協(xié)同被提取出來(lái)。因此，有學(xué)者利用不同分類(lèi)算法，如二次判別分析(quadratic siscriminant analysis，QDA）、線(xiàn)性判別分析法（Linear Discriminant Analysis，LDA）、樸素貝葉斯法（naive bayes，NB）和K最近鄰（K-Nearest Neighbor，KNN）等和統(tǒng)計(jì)檢驗(yàn)方法提出自動(dòng)任務(wù)解碼算法（Delis et al.，2013），以此選擇最佳的肌肉協(xié)同數(shù)量。

2.3.2 肌肉協(xié)同的相似性

為了比較不同任務(wù)條件下的肌肉協(xié)同差異，通常使用皮爾森相關(guān)系數(shù)（Pearson’s correlation coefficient）、圓形互相關(guān)系數(shù)（circular cross-correlation coefficient）來(lái)度量不同肌肉協(xié)同結(jié)構(gòu)矩陣或激活系數(shù)矩陣向量間的相似性（Frère et al.，2012）。皮爾森相關(guān)系數(shù)計(jì)算公式如公式（8）所示，當(dāng)r＞0.9時(shí)，即認(rèn)為具有較強(qiáng)相似性。

3 肌肉協(xié)同理論應(yīng)用

3.1 在體育科學(xué)中的應(yīng)用

基于肌肉協(xié)同分析已經(jīng)在各項(xiàng)體育活動(dòng)研究中得以應(yīng)用（Vaz et al.，2016）。了解協(xié)同結(jié)構(gòu)中各肌肉的相對(duì)激活水平有助于理解運(yùn)動(dòng)項(xiàng)目的規(guī)律，從而指導(dǎo)訓(xùn)練并降低受傷概率，最終提高運(yùn)動(dòng)表現(xiàn)。Matsunaga等（2017）分析了跑步10 min前后的肌肉協(xié)同：與之前的研究相似，肌肉協(xié)同數(shù)量一致；前3個(gè)肌肉協(xié)同相似，但第4個(gè)肌肉協(xié)同激活骨盆區(qū)域周?chē)∪獾幕顒?dòng)從軀干區(qū)域開(kāi)始，這可能是在腳部撞擊時(shí)，更容易受傷的原因，因?yàn)榧∪鈪f(xié)同因長(zhǎng)時(shí)間跑步而改變，其姿勢(shì)控制會(huì)從軀干轉(zhuǎn)移到下肢。

對(duì)于體操項(xiàng)目，F(xiàn)rère等（2012）對(duì)9名國(guó)家級(jí)水平的體操運(yùn)動(dòng)員在完成向后大回環(huán)動(dòng)作時(shí)的肌肉協(xié)同進(jìn)行了研究，發(fā)現(xiàn)前2種肌肉協(xié)同在被試之間一致，但第3種協(xié)同表現(xiàn)出可變性。第3種協(xié)同作用的可變性可能與較低水平的神經(jīng)控制有關(guān)，而與生物力學(xué)約束無(wú)關(guān)。軀干、手臂和肩膀肌肉的協(xié)同作用進(jìn)一步限制了肩關(guān)節(jié)的伸展，從而降低了受傷的概率。

對(duì)于騎行項(xiàng)目，Hug等（2010）研究受過(guò)訓(xùn)練的騎行者的下肢肌肉活動(dòng)，發(fā)現(xiàn)9名被試能提出相似的3個(gè)肌肉協(xié)同。Turpin等（2016，2017）研究了在高強(qiáng)度騎行中使用站立姿勢(shì)相對(duì)于坐姿的優(yōu)勢(shì)，結(jié)果表明，在下肢肌肉方面，采用2種騎行姿勢(shì)時(shí)的肌肉協(xié)同作用結(jié)構(gòu)相似，但功率輸出達(dá)到600 W時(shí)伸肌激活時(shí)間存在差異。因此，研究建議只有當(dāng)功率輸出大于600 W時(shí)，才能利用站立姿勢(shì)。至于上肢肌肉，站立時(shí)更活躍，所以，即使上肢沒(méi)有產(chǎn)生能量輸出，教練員和運(yùn)動(dòng)員也應(yīng)該訓(xùn)練肢體間的協(xié)調(diào)性，以提高運(yùn)動(dòng)員的成績(jī)。因?yàn)閰f(xié)同作用激活系數(shù)和肌肉協(xié)同向量都能被技能學(xué)習(xí)所調(diào)節(jié)，所以，未經(jīng)過(guò)訓(xùn)練的騎行者可以訓(xùn)練自己獲得類(lèi)似的肌肉，以提高運(yùn)動(dòng)表現(xiàn)。

對(duì)于賽艇項(xiàng)目，Shaharudin等（2014，2016）分析了未受訓(xùn)練的被試分別在滑動(dòng)型和固定型的劃船機(jī)上進(jìn)行劃船運(yùn)動(dòng)的差異，結(jié)果與以往的研究結(jié)果一致（Torres-Oviedo et al.，2010），肌肉協(xié)同的激活曲線(xiàn)被調(diào)節(jié)，但其協(xié)同結(jié)構(gòu)保持不變。中樞神經(jīng)系統(tǒng)對(duì)肌肉的激活權(quán)重分配有所不同，神經(jīng)系統(tǒng)不斷做出調(diào)整，以?xún)?yōu)化肌肉協(xié)同完成劃船運(yùn)動(dòng)，使在滑動(dòng)型劃船機(jī)（腿部肌肉）和固定型劃船機(jī)（背部肌肉）上劃槳時(shí)減少損傷。研究建議在訓(xùn)練階段進(jìn)行肌肉協(xié)調(diào)性的優(yōu)化，以提高訓(xùn)練的經(jīng)濟(jì)性。

對(duì)于冰上曲棍球項(xiàng)目，Kim等（2018）研究了韓國(guó)冰球國(guó)家隊(duì)運(yùn)動(dòng)員和沒(méi)有冰上運(yùn)動(dòng)或其他專(zhuān)業(yè)運(yùn)動(dòng)訓(xùn)練經(jīng)驗(yàn)的健康成年人在平衡受到干擾時(shí)肌肉活動(dòng)的差異。研究發(fā)現(xiàn)，在干擾起始階段，優(yōu)秀運(yùn)動(dòng)員中出現(xiàn)了與頭部的控制有關(guān)特定肌肉協(xié)同。該協(xié)同可以反映頭部位置突然改變時(shí)（如在輕快的加速和減速滑冰中）控制平衡的特殊能力。因此，冰球運(yùn)動(dòng)員通過(guò)平衡訓(xùn)練，避免了外部干擾而產(chǎn)生受傷的潛在風(fēng)險(xiǎn)。肌肉協(xié)同分析為這種訓(xùn)練策略提供了一種量化評(píng)價(jià)工具。

對(duì)于舉重項(xiàng)目，Kristiansen等（2016）研究了不同力量訓(xùn)練是否會(huì)影響舉重運(yùn)動(dòng)員和未接受訓(xùn)練對(duì)象在臥推時(shí)的肌肉協(xié)同變異性。經(jīng)過(guò)5周的臥推力量訓(xùn)練后，肌肉協(xié)同有一個(gè)對(duì)象內(nèi)變異，而那些未接受訓(xùn)練的對(duì)象則沒(méi)有這種變異。根據(jù)所獲得的結(jié)果，肌肉協(xié)同的內(nèi)部組成可以作為評(píng)價(jià)運(yùn)動(dòng)員臥推成績(jī)的一個(gè)指標(biāo)。因此，教練員可以考慮在訓(xùn)練和康復(fù)計(jì)劃中監(jiān)測(cè)肌肉協(xié)同的變化，從而合理完善和評(píng)估訓(xùn)練內(nèi)容。

這類(lèi)研究主要關(guān)注肌肉協(xié)同分析在運(yùn)動(dòng)訓(xùn)練中的應(yīng)用，此外，肌肉協(xié)同理論在人體多關(guān)節(jié)運(yùn)動(dòng)控制仿真中也得到了應(yīng)用（Ezati et al.，2019）。Meyer等（2016）提出一種基于肌肉協(xié)同的神經(jīng)肌肉骨骼仿真框架來(lái)預(yù)測(cè)中風(fēng)患者的步行運(yùn)動(dòng)。通過(guò)建立3種不同模型——肌肉激活控制模型（每條腿35塊）、關(guān)節(jié)扭矩控制模型和肌肉協(xié)同控制模型（每條腿5個(gè)），對(duì)比分析和評(píng)估了3種模型在2種速度（0.5 m/s和0.8 m/s）下被試的步行運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)的能力。研究發(fā)現(xiàn)，在0.5 m/s的模型校準(zhǔn)速度下，這3種控制方法都能很好地預(yù)測(cè)受試者的行走運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)參數(shù)；而速度為0.8 m/s時(shí)，只有肌肉激活控制模型和肌肉協(xié)同控制模型才能很好地預(yù)測(cè)，且肌肉協(xié)同控制模型可以最準(zhǔn)確地預(yù)測(cè)新的步態(tài)周期。當(dāng)預(yù)測(cè)被試如何以1.1 m/s的速度行走時(shí)，肌肉協(xié)同控制模型可預(yù)測(cè)步態(tài)周期，并且接近根據(jù)步速和步幅之間的線(xiàn)性關(guān)系所估算的步態(tài)周期。Shourijeh等（2020）為解決步行生物力學(xué)仿真中靜態(tài)優(yōu)化時(shí)，最小化拮抗肌的共激活以及可能的關(guān)節(jié)僵硬等問(wèn)題，提出一種協(xié)同優(yōu)化算法（synergy optimization，SynO）。該算法優(yōu)化估算肌肉激活上的協(xié)同結(jié)構(gòu)如何影響步行過(guò)程中計(jì)算出的下半身關(guān)節(jié)剛度。隨著協(xié)同個(gè)數(shù)從2增加到6時(shí)，髖部和膝蓋屈曲的最大和平均關(guān)節(jié)剛度降低，而靜態(tài)優(yōu)化算法產(chǎn)生最低的關(guān)節(jié)剛度值，結(jié)果表明，SynO可通過(guò)增加肌肉的共同激活作用來(lái)增加關(guān)節(jié)的僵硬度，而且以較少數(shù)量的肌肉協(xié)同作用行走會(huì)導(dǎo)致關(guān)節(jié)僵硬度增加，甚至可能增加穩(wěn)定性。

3.2 在臨床上的應(yīng)用

中風(fēng)、腦癱、脊髓損傷和帕金森病等患者常伴有運(yùn)動(dòng)功能障礙，其主要病因是神經(jīng)功能障礙。臨床上，因?yàn)檫\(yùn)動(dòng)過(guò)程中的神經(jīng)活動(dòng)難以直接測(cè)量，所以大多數(shù)運(yùn)動(dòng)能力評(píng)估測(cè)試都集中在行為和運(yùn)動(dòng)學(xué)水平上進(jìn)行（甕長(zhǎng)水等，2004；尹傲冉 等，2014；Safavynia et al.，2011）。但行為或運(yùn)動(dòng)學(xué)結(jié)果的改變可能是由多種不同的神經(jīng)功能異常導(dǎo)致。肌肉活動(dòng)反映了運(yùn)動(dòng)神經(jīng)元活動(dòng)，因此，對(duì)運(yùn)動(dòng)功能障礙人群進(jìn)行肌肉協(xié)同分析，有利于識(shí)別執(zhí)行各種任務(wù)時(shí)的大腦活動(dòng)變化。Cheung等（2012）研究了不同嚴(yán)重程度中風(fēng)患者患側(cè)和健側(cè)的手臂肌肉協(xié)同特征，揭示了皮質(zhì)損傷后肌肉協(xié)同的3種不同作用模式——保留（preservation）、合并（merging）和分級(jí)（fractionation）。在同一患者中可能同時(shí)存在2個(gè)或所有的肌肉協(xié)同作用模式。另外，這些模式與運(yùn)動(dòng)功能受損程度和中風(fēng)后的持續(xù)時(shí)間有關(guān)。對(duì)于輕、中度患者，健側(cè)和患側(cè)的肌肉協(xié)同屬保留模式，盡管激活系數(shù)有差異，但協(xié)同結(jié)構(gòu)相似；對(duì)重度患者，患側(cè)的肌肉協(xié)同數(shù)量減少，屬合并模式。其他學(xué)者對(duì)中風(fēng)后亞急性患者步態(tài)期間肌肉協(xié)同的研究表明，肌肉協(xié)同的合并模式是亞急性腦卒中患者的重要標(biāo)志，運(yùn)動(dòng)功能改變并不依賴(lài)于肌肉協(xié)同的數(shù)量，其合并程度與肌肉力量的增加和踝關(guān)節(jié)角度范圍的增加負(fù)相關(guān)（Hashiguchi et al.，2016）。肌肉協(xié)同的分級(jí)機(jī)制僅在中風(fēng)多年后的慢性中風(fēng)患者中發(fā)現(xiàn)，患側(cè)的肌肉協(xié)同數(shù)量較健側(cè)有所增加，而且是健側(cè)肌肉協(xié)同的分級(jí)。肌肉協(xié)同的這種分級(jí)機(jī)制可增加四肢和肌肉控制的靈活性，彌補(bǔ)中風(fēng)導(dǎo)致的遠(yuǎn)端關(guān)節(jié)運(yùn)動(dòng)受損。Steele等（2015）在研究腦癱患者步態(tài)過(guò)程時(shí)發(fā)現(xiàn)，與健康的受試者相比，腦癱患者肌肉協(xié)同數(shù)量減少。Fox等（2013）研究了不完全脊髓損傷兒童在完成不同任務(wù)活動(dòng)時(shí)的肌肉協(xié)同表現(xiàn)，結(jié)果發(fā)現(xiàn)與健康兒童相比，他們的肌肉協(xié)同數(shù)量減少。

國(guó)內(nèi)學(xué)者也利用肌肉協(xié)同分析，在腦癱、中風(fēng)患者的臨床康復(fù)與評(píng)價(jià)應(yīng)用上進(jìn)行了研究（湯璐，2017；Ji et al.，2018）。肌肉協(xié)同分析為臨床醫(yī)生提供洞察潛在的神經(jīng)運(yùn)動(dòng)策略和肌肉活動(dòng)的功能結(jié)果。

3.3 在機(jī)器人控制方面的應(yīng)用

受人體姿勢(shì)控制理論的啟發(fā)，肌肉協(xié)同分析技術(shù)在基于 sEMG的實(shí)時(shí)假肢，如手（Catalano et al.，2014）、上肢（Rasool et al.，2016）、下肢（Afzal et al.，2017）等控制中應(yīng)用較多（Alessandro et al.，2013），其主要思路是利用肌肉協(xié)同分解提取運(yùn)動(dòng)意圖特征，從而識(shí)別目標(biāo)任務(wù)特征。例如，Choi等（2011）使用非負(fù)性肌肉協(xié)同矩陣，將前臂肌肉活動(dòng)映射到4個(gè)預(yù)定義的腕關(guān)節(jié)運(yùn)動(dòng)意圖（屈/伸和橈/尺側(cè)活動(dòng)）。類(lèi)似地，Jiang等（2014）使用NMF算法提取肌肉協(xié)同，隨后使用該算法實(shí)時(shí)獲取控制信號(hào)控制手腕屈/伸和旋前/旋后。Berniker等（2009）利用肌肉協(xié)同和低維模型構(gòu)建了一個(gè)性能接近全維控制器的簡(jiǎn)化控制器。Rasool等（2016）提出一種基于肌肉協(xié)同的任務(wù)識(shí)別算法（muscle synergy based task discrimination，MSD）控制下臂假肢，通過(guò)概率獨(dú)立成分分析（probabilistic independent component analysis，pICA）來(lái)獲得特定任務(wù)的肌肉協(xié)同。然后根據(jù)狀態(tài)空間的過(guò)程動(dòng)力學(xué)模型，并結(jié)合一個(gè)有約束的卡爾曼濾波器來(lái)實(shí)時(shí)估計(jì)控制信號(hào)?；诩∪鈪f(xié)同理論的在機(jī)器人假肢控制，可實(shí)現(xiàn)更靈活的動(dòng)作控制。

4 總結(jié)與展望

肌肉協(xié)同理論認(rèn)為復(fù)雜人體運(yùn)動(dòng)的冗余控制是以肌肉協(xié)同為基本單元來(lái)進(jìn)行的，它假定CNS使用少量肌肉協(xié)同的靈活組合來(lái)激活肌肉。肌肉協(xié)同理論的研究已取得較大進(jìn)展，研究者常通過(guò)2種不同方法產(chǎn)生肌肉活動(dòng)驗(yàn)證肌肉協(xié)同假設(shè)：1）直接刺激運(yùn)動(dòng)系統(tǒng)；2）使人類(lèi)或動(dòng)物執(zhí)行具體目標(biāo)行為。前者是人為地刺激神經(jīng)系統(tǒng)中的多個(gè)位置，可產(chǎn)生相對(duì)較少的肌肉激活模式。一部分對(duì)脊椎動(dòng)物直接刺激其運(yùn)動(dòng)系統(tǒng)的研究為肌肉協(xié)同理論提供了生理學(xué)證據(jù)，且另一部分研究通過(guò)對(duì)行為過(guò)程中sEMG的統(tǒng)計(jì)分析提取出肌肉協(xié)同也可檢驗(yàn)這個(gè)假設(shè)，但這些研究一些證據(jù)仍是間接的，難以證偽。有部分與之相矛盾的實(shí)驗(yàn)對(duì)這一假設(shè)提出了挑戰(zhàn)，這類(lèi)研究的主要觀點(diǎn)在于肌肉協(xié)同反映任務(wù)約束，而不能反映CNS的運(yùn)動(dòng)控制策略。因此，需要有更能批判性地評(píng)估這一假設(shè)的實(shí)驗(yàn)。

為了驗(yàn)證肌肉協(xié)同理論，獲得直接證據(jù)，未來(lái)關(guān)于肌肉協(xié)同的研究方向有：1）通過(guò)設(shè)計(jì)多樣化任務(wù)實(shí)驗(yàn)范式，營(yíng)造多自由度的冗余控制環(huán)境來(lái)驗(yàn)證肌肉協(xié)同。實(shí)驗(yàn)設(shè)計(jì)的關(guān)鍵是在足夠豐富的行為條件下檢查記錄的sEMG。肌肉協(xié)同可以解釋的行為條件的范圍越廣，這種解釋的支持就越多；2）通過(guò)理論建模工作來(lái)嚴(yán)格檢驗(yàn)肌肉協(xié)同的模塊化假設(shè)并評(píng)估其潛在的神經(jīng)起源。肌肉協(xié)同理論是一種不同于最優(yōu)化理論的方法，但并不互相排斥。在肌肉活動(dòng)中發(fā)現(xiàn)的維數(shù)減少可能是最優(yōu)化控制的一種結(jié)果，不能歸因于嚴(yán)格意義上的神經(jīng)硬連線(xiàn)協(xié)同效應(yīng)，特別是當(dāng)肌肉協(xié)同是通過(guò)對(duì)任務(wù)執(zhí)行過(guò)程中的sEMG信號(hào)進(jìn)行矩陣分解提取出來(lái)時(shí)。