用于人体运动系统外部仿真的仿生神经网络

利用肌骨（MSK）建模技术估计的肌肉力和关节运动学提供了描述运动质量的有用指标。基于模型的计算MSK模型可以解释神经对肌肉的驱动、肌肉动力学、身体与关节运动学以及动力学之间的动态交互。然而，这类解决方案存在计算时间长以及肌肉募集问题，尤其在复杂建模中。近年来，数据驱动方法因灵活性和可适应性而成为一种有前景的替代方案。但大量有标签训练数据不易获取。本文提出一种基于MSK建模的物理信息深度学习方法，用于预测关节运动和肌肉力。MSK模型作为常微分方程（ODE）损失函数嵌入神经网络中，其中肌肉激活动力学和肌肉收缩动力学的生理参数待辨识。这些参数在训练过程中自动估计，并结合MSK前向动力学模型指导肌肉力的预测。在两个数据集（包括一个基准数据集和一组来自六名健康受试者的自采集数据集）上进行了实验验证。结果表明，所提出的深度学习方法能有效辨识受试者特异的MSK生理参数，且训练得到的物理信息前向动力学代理模型可准确预测运动和肌肉力。