《Human Movement Science》:Feedback control stabilizing the center of mass can be identified in unperturbed, upright standing
编辑推荐:
本文针对直立站立稳定性的反馈控制机制提出了一种新的模型。研究人员通过构建一个将校正地面反作用力(Fcorr)与先前的质心(COM)位置(PCOM)和速度(VCOM)联系起来的线性模型,旨在不施加外部扰动或测量生理活动的情况下,识别人体站立时的反馈控制参数。该模型在模拟和人体实验数据中均能有效重建Fcorr(R2:模拟0.77–0.99,人体0.92–0.98)。研究结果揭示了健康年轻人在内外侧(ML)和前后侧(AP)方向上不同的延迟和增益特征,表明站立稳定性的实现主要依赖于接近临界稳定水平的姿态反馈增益。此模型仅需易于测量的输入变量,为平衡障碍的评估提供了一个有价值的、无创的分析框架。
即使我们“静止站立”,身体也从未完全静止,而是持续着细微的摇摆。没有适当的校正机制来应对这些内在扰动和外部干扰,我们将失去稳定并面临摔倒风险。长期以来,科学家们试图理解人体如何像不倒翁一样保持稳定。传统观点认为,中枢神经系统像一位警惕的控制员,不断接收身体姿态(例如质心位置和速度)的“传感器”信号,经过一定的处理时间(延迟),再下达指令给肌肉,产生校正力矩来对抗摇晃。以往的研究常常通过施加外界的推力或拉力(外部扰动),或者测量复杂的生理信号(如肌电图EMG),来“窥探”这套反馈控制系统。然而,这些方法要么操作复杂,要么改变了自然的站立状态。这就引出了一个问题:我们能否从一次安静的、不受打扰的站立过程中,仅通过一些容易获得的物理测量数据,就“破译”出大脑和神经系统控制身体稳定的“算法”?
为了回答这个问题,来自荷兰阿姆斯特丹自由大学人类运动科学系的Yang Geng、Sjoerd M. Bruijn和Jaap H. van Die?n 在期刊《Human Movement Science》上发表了一项研究。他们提出的核心假设是:任何旨在维持稳定的校正动作,最终都会体现在地面的反作用力上。如果存在一个基于质心(COM)状态的反馈控制,那么它应该表现为地面反作用力与之前的COM状态之间存在一种时滞关系。基于此,研究人员提出了一个简洁的线性模型,将校正地面反作用力(Fcorr)与先前的COM位置(PCOM)和速度(VCOM)联系起来。这个模型仅需易于测量的变量:COM的运动学(位置、速度)和地面的水平反作用力(或COM加速度)。研究的核心目标有两步:首先,通过在已知参数的倒立摆(IP)模型中进行模拟,验证这个新方法能否有效地识别出反馈参数;然后,将该模型应用于真实人体的站立实验数据,评估健康年轻人的站立反馈控制特征,并探讨其作为评估平衡障碍工具的潜力。
研究方法:本研究采用了计算机模拟与人体实验相结合的方法。首先,研究人员构建了一个受控的倒立摆(IP)模型,该模型结合了内在力学(刚度、阻尼)和具有时滞的反馈控制机制,并引入了运动噪声和感觉噪声,以模拟人体自然站立时的摇摆。他们通过系统性地改变模型的输入参数(如反馈增益、延迟、内在刚度、噪声水平等),生成了大量模拟数据,然后应用所提出的反馈模型(公式(2))来估计参数,并评估模型拟合优度(R2)。其次,研究招募了15名健康年轻成人志愿者(21±4岁),采集了他们在双脚并拢、安静站立1分钟(重复5次)时的全身三维运动学数据(50Hz)和地面反作用力数据(1000Hz)。通过3D环节链模型计算全身质心(COM)的位置和速度,并通过牛顿第二定律计算并校正地面反作用力中的重力分量,得到Fcorr。随后,对实验数据(ML和AP方向分别)应用相同的反馈模型进行参数估计,得到每位受试者的反馈延迟(τ?)、位置增益(K?)和速度增益(B?)。为便于比较,位置增益和速度增益均根据身体惯性参数进行了标准化处理。
3.1. 模型模拟
在默认输入参数下的模拟中,模型产生了幅度和时程结构都接近真实人体站立的摇摆。模型能有效重建Fcorr(R2范围0.74–0.79)。估计的反馈参数(延迟、位置增益、速度增益)表现出稳定的偏差,但变异系数较低,表明估计具有一致性。这表明,在默认条件下,该反馈模型能够产生稳定但有偏的估计,这种偏差可能源于内在控制机制的贡献。在系统性地改变所有输入参数的大量模拟组合中,研究发现,估计的反馈参数主要受实际反馈参数驱动而变化,尽管存在偏差,但两者之间存在明显的相关关系。多元线性回归分析进一步证实,实际反馈参数是影响其对应估计值的最主要因素。这意味着,尽管估计值代表了内在和反馈效应的总和,但只要内在机制的影响在正常站立条件下可忽略,这些估计值就仍然能提供关于反馈机制的有效信息。
3.2. 实验设计 & 数据收集 / 3.3. 数据分析
研究人员成功地将模型应用于15名健康年轻人的实验数据。结果显示,模型在AP和ML两个方向上都能极好地重建Fcorr(R2:AP方向0.95±0.02,ML方向0.97±0.01;VAF方差解释率均大于0.90)。这表明,即使在自然、无扰动的站立中,地面反作用力也可以被先前的COM状态很好地预测,支持了“站立稳定性由基于COM信息的延迟反馈控制实现”的假说。
3.3.2. 人体实验数据
对人体实验数据的分析得出了关键的量化结果。首先,在延迟方面,内外侧(ML)方向的有效延迟(239±20ms)显著短于前后(AP)方向(271±28ms)。其次,在反馈增益方面,ML方向的位置增益显著大于AP方向,标准化后的增益值分别为-1.09±0.04和-1.03±0.02倍临界刚度。这意味着,在ML方向上,神经系统使用了更强的位置反馈来维持稳定。然而,两个方向之间的速度增益没有显著差异。
研究结论与意义:本研究提出的模型成功地从不施加外部扰动的自然站立数据中,识别出了人体稳定控制的反馈参数。尽管估计的参数代表了内在机制和反馈控制的综合效应,但由于内在机制在正常站立条件下的贡献可忽略,这些参数主要反映了反馈控制的特性。研究结果表明,健康年轻人站立稳定性的实现,依赖于其位置反馈增益刚好略高于维持临界稳定性所需的水平。这一“临界稳定”策略可能是在能耗、稳定性和反应性之间取得的最优平衡。此外,ML和AP方向在延迟和增益上的差异,可能反映了不同解剖结构(如髋关节与踝关节)和神经控制策略的特异性。最重要的是,本研究提出的模型仅需要COM的运动学数据和地面反作用力这两类易于测量的输入,这使得它成为一种极具潜力的、无创的临床评估工具。未来,该模型可应用于平衡障碍患者(如老年人、神经系统疾病患者)的研究,通过比较其反馈参数与健康人群的差异,来量化其平衡控制缺陷的机制,从而为诊断、康复评估和干预效果监测提供新的客观指标。