目的跑步是人类独特的运动模式,肌肉协同作为一种低层级模块化控制,通过控制特定肌肉群来实现简化运动控制。表面肌电技术已被广泛应用于肌肉协同特征研究。本研究旨在探讨近10年来跑步过程中下肢肌肉协同的研究进展,并对未来研究方向...目的跑步是人类独特的运动模式,肌肉协同作为一种低层级模块化控制,通过控制特定肌肉群来实现简化运动控制。表面肌电技术已被广泛应用于肌肉协同特征研究。本研究旨在探讨近10年来跑步过程中下肢肌肉协同的研究进展,并对未来研究方向提出建议。方法以跑步、肌肉协同、running、muscle synergy为关键词,检索中国知网、Web of Science等数据库,检索时间跨度为2014~2024年。共得到跑步过程中肌肉协同相关文献127篇,选取其中相关度高的79篇文献并进行整理分析。结果(1)国外文献主要研究短跑、跑前跑后以及特定跑速的肌肉协同模式,国内对跑步的研究也相对较少。(2)近10年来表面肌电技术在跑步中对下肢肌肉协同的研究中,提取的计算方法在不断地优化,其中使用最多且被证实最优的方法是非负矩阵分析法。(3)跑步过程中4~6个基本协同模式组就足以描述整个跑步过程下肢肌肉协同方式。(4)肌肉协同理论研究在可穿戴设备/辅助外骨骼的设计方面提供有效信息。结论本研究主要总结跑步过程中下肢肌肉协同的研究状况。未来研究中可以进一步探索不同类型的跑步中下肢肌肉协同特征,以及如何通过训练来优化肌肉协同,提高运动表现和减少受伤风险。展开更多
目的以有标记点三维运动捕捉系统(MoCap)为金标准,基于双向长短时记忆(bi-lateral long short term memory,BiLSTM)递归神经网络和线性回归算法构建深度学习融合模型,减小深度传感器的系统误差,从而提高深度传感器下肢运动学分析的准确...目的以有标记点三维运动捕捉系统(MoCap)为金标准,基于双向长短时记忆(bi-lateral long short term memory,BiLSTM)递归神经网络和线性回归算法构建深度学习融合模型,减小深度传感器的系统误差,从而提高深度传感器下肢运动学分析的准确性。方法招募10名健康男性大学生进行步态分析,应用MoCap系统和Kinect V2传感器同时采集数据。通过Cleveland Clinic及Kinect逆运动学模型分别计算下肢关节角度。以MoCap系统为目标,Kinect系统得到的角度为输入构建数据集,分别用BiLSTM算法和线性回归算法构建学习模型,得到系统误差修正后的下肢关节角度。使用留一交叉验证法评估模型的性能。采用多重相关系数(coefficient of multiple correlations,CMC)及均方根误差(root mean square error,RMSE)表示下肢关节角度波形曲线相似程度以及平均误差。结果BiLSTM网络比线性回归算法更能够处理高度非线性的回归问题,尤其是在髋关节内收/外展、髋关节内旋/外旋和踝关节趾屈/背屈角度上。应用BiLSTM网络的误差修正算法显著降低Kinect的系统误差(RMSE<10°,其中髋关节RMSE<5°),下肢角度波形呈现很好的一致性(除髋关节内旋/外旋角度外,CMC>0.7)。结论本文开发的基于深度学习融合模型的无标记点步态分析系统可以准确评估下肢运动学参数、关节活动能力、步行功能等,在临床和家庭康复中具有广泛的应用前景。展开更多
目的系统评价下肢外骨骼机器人辅助步态训练(RAGT)对脑卒中和脊髓损伤患者运动功能、步行能力和日常生活活动能力的康复效果,并探讨不同技术类型与控制策略的临床价值。方法基于PRISMA指南,检索2020年至2024年Scopus、Web of Science、P...目的系统评价下肢外骨骼机器人辅助步态训练(RAGT)对脑卒中和脊髓损伤患者运动功能、步行能力和日常生活活动能力的康复效果,并探讨不同技术类型与控制策略的临床价值。方法基于PRISMA指南,检索2020年至2024年Scopus、Web of Science、PubMed、Cochrane Library和中国知网中相关随机对照试验。采用PEDro量表评估文献质量,综合分析RAGT在步行能力、平衡功能、下肢肌力和功能独立性等方面的疗效。结果最终纳入8项研究,涉及702例参与者,主要来自中国、意大利、印度、土耳其和波兰等,研究设计均为随机对照试验。研究对象为成年脑卒中或脊髓损伤患者,涵盖多种亚型;主要发表在老年神经科学、生物科学、医学和运动科学等领域的期刊,发表时间集中在2020年至2024年。干预方式涉及3类下肢外骨骼机器人:基于跑台的系统(末端执行器与外骨骼型)、地面行走式和专用关节与平台式机器人。训练频率每次20~45 min,每天1~2次,每周1~7 d,共2~10周。RAGT显著改善脑卒中和脊髓损伤患者的步态参数和下肢肌力,但在功能独立性上的效果存在异质性。自适应控制策略(如按需辅助)较固定参数模式更优。基于跑台的系统(如Lokomat)和地面外骨骼(如EKSO-GT)各具优势,前者适用于早期康复,后者更促进真实环境适应。结论RAGT是脑卒中和脊髓损伤患者步态和下肢功能康复的有效手段,干预效果取决于外骨骼机器人的个别化以及适应性的控制策略和模式的建构,3类下肢外骨骼机器人分别建立了不同的自适应控制模式。在康复训练中,要设计特定的下肢活动任务,并且与下肢外骨骼机器人的自适应活动和控制模式结合。展开更多
文摘目的跑步是人类独特的运动模式,肌肉协同作为一种低层级模块化控制,通过控制特定肌肉群来实现简化运动控制。表面肌电技术已被广泛应用于肌肉协同特征研究。本研究旨在探讨近10年来跑步过程中下肢肌肉协同的研究进展,并对未来研究方向提出建议。方法以跑步、肌肉协同、running、muscle synergy为关键词,检索中国知网、Web of Science等数据库,检索时间跨度为2014~2024年。共得到跑步过程中肌肉协同相关文献127篇,选取其中相关度高的79篇文献并进行整理分析。结果(1)国外文献主要研究短跑、跑前跑后以及特定跑速的肌肉协同模式,国内对跑步的研究也相对较少。(2)近10年来表面肌电技术在跑步中对下肢肌肉协同的研究中,提取的计算方法在不断地优化,其中使用最多且被证实最优的方法是非负矩阵分析法。(3)跑步过程中4~6个基本协同模式组就足以描述整个跑步过程下肢肌肉协同方式。(4)肌肉协同理论研究在可穿戴设备/辅助外骨骼的设计方面提供有效信息。结论本研究主要总结跑步过程中下肢肌肉协同的研究状况。未来研究中可以进一步探索不同类型的跑步中下肢肌肉协同特征,以及如何通过训练来优化肌肉协同,提高运动表现和减少受伤风险。
文摘目的以有标记点三维运动捕捉系统(MoCap)为金标准,基于双向长短时记忆(bi-lateral long short term memory,BiLSTM)递归神经网络和线性回归算法构建深度学习融合模型,减小深度传感器的系统误差,从而提高深度传感器下肢运动学分析的准确性。方法招募10名健康男性大学生进行步态分析,应用MoCap系统和Kinect V2传感器同时采集数据。通过Cleveland Clinic及Kinect逆运动学模型分别计算下肢关节角度。以MoCap系统为目标,Kinect系统得到的角度为输入构建数据集,分别用BiLSTM算法和线性回归算法构建学习模型,得到系统误差修正后的下肢关节角度。使用留一交叉验证法评估模型的性能。采用多重相关系数(coefficient of multiple correlations,CMC)及均方根误差(root mean square error,RMSE)表示下肢关节角度波形曲线相似程度以及平均误差。结果BiLSTM网络比线性回归算法更能够处理高度非线性的回归问题,尤其是在髋关节内收/外展、髋关节内旋/外旋和踝关节趾屈/背屈角度上。应用BiLSTM网络的误差修正算法显著降低Kinect的系统误差(RMSE<10°,其中髋关节RMSE<5°),下肢角度波形呈现很好的一致性(除髋关节内旋/外旋角度外,CMC>0.7)。结论本文开发的基于深度学习融合模型的无标记点步态分析系统可以准确评估下肢运动学参数、关节活动能力、步行功能等,在临床和家庭康复中具有广泛的应用前景。
