运动是人类的一项基本技能。实时传感和反馈是一种很有前途的运动训练策略，可以重建由于衰老或疾病而失去的健康运动模式，并防止受伤。在该研究中，研究者提出了一个通过生物力学建模和可穿戴触觉反馈系统进行运动训练的试验研究。此外，研究者还介绍了一种新型的运动跟踪和分析的模拟框架。这个统一的框架，在Unity环境下实现，用于分析主体的基线和性能特征，并在运动过程中提供实时触觉反馈。该框架结合了从OpenSim导出的精确的肌肉骨骼模型、肌肉路由运动学和运动学雅各布矩阵的封闭式计算、动态性能指标（即肌肉努力）、通过惯性测量单元（IMU）传感器的人体运动重建，以及运动及其动态的实时可视化。
研究者进行了一项试点研究，6名健康受试者学会了通过触觉反馈改变跑步模式以降低膝关节屈曲力矩（KFM）。研究者将目标锁定在三个步态参数（躯干倾斜、节奏和足部击打）上，之前的研究已经确定这些参数对降低膝关节屈曲力矩有影响，并且与跑步损伤风险增加有关。所有受试者都能采用改变的跑步模式，要求同时改变这些运动学参数，并将其KFM降低到基线值的30-85%。运动训练期间的肌肉努力与受试者的基线保持相当。这项研究表明， 生物力学建模与实时传感和可穿戴触觉反馈相结合，可以大大提高运动训练的效率。
本文以“A pilot study on locomotion training via biomechanical models and a wearable haptic feedback system”为题发布于《ROBOMECH Journal》杂志上。
实验结论
尽管对健康有积极的影响，但跑步时下肢受伤的发生率很高。尽管据估计，每年有10-20%的美国人经常跑步，其中40-50%的人受伤，因果关系更为复杂，对17项已发表的研究的结果进行了调查，涉及一系列特定的人口特征(年龄、经验、性别等)。显示每年受伤率在19%至79%之间。在这些损伤中，有一半发生在膝关节处，最常见的诊断是髌骨股痛(PFP)。PFP可导致严重疼痛和残疾，是膝骨关节炎的前兆。
关节力矩可以作为关节负荷的指标，在运动成绩和损伤预防方面具有潜在的应用价值。膝关节峰值屈伸力矩和屈曲力矩冲动与髌股关节(PFJ)骨关节炎的进展有关。膝关节屈膝力矩的增加暗示了股四头肌力量的更大要求，并已被报道导致更高的PFJ反应力和应力。
实时反馈是一种很有前途的运动再训练策略.已实施视觉或触觉反馈，以改变膝关节和撞击负荷。在一些医疗和非医疗领域建立了振动触觉反馈的应用。个体化的数据驱动模型被用来训练新的步态，其中包括运动学的修改。在比较研究中16与视觉反馈或仅凭触觉反馈相比，触觉反馈与视觉反馈相结合对下肢的任务学习有更好的效果。最近由文献记载，研究集中于可穿戴反馈在人体步态中的临床应用，通常使用触觉和听觉反馈感觉。视觉-听觉反馈和视觉-触觉反馈在缩短反应时间和提高性能方面都具有优势。当执行多项任务且认知工作量条件较高时，视觉-触觉反馈更有效。在一项评估盲人辅助导航系统的研究中，听觉反馈导致的认知负荷是触觉反馈的22倍。以前的研究已经观察到视觉反馈提供了很高的精确度。振动提供简单直观的反馈，特别是当视觉被占据时。此外，振动还能很好地传递笛卡尔空间方向线索。
触觉反馈正日益成为最大限度地提高人机交互效率的重要组成部分。通过触觉与用户交流，触觉反馈提供了一种在日常勘探任务中非常重要的相对感觉。它也可以作为一种向用户传递线索的手段，以学习新的运动技能，或接受康复治疗的病人。随着触觉系统作为可穿戴设备的发展，这项技术在医疗保健、虚拟现实、远程辅助和机器人等领域的应用正在激增。日常生活中触觉反馈的一些常见例子包括现代智能手表中的振动警报或汽车电动助力转向系统给驾驶员带来的阻力。有许多不同类型的触觉反馈模式，用于不同的任务和应用。该研究探讨了不同的运动方式，并讨论了振动触觉反馈在运动中的应用。
在皮肤拉伸过程中，触觉装置的表面向使用者的皮肤施加剪切力，以刺激其机械感受器。通过切向拉伸皮肤，皮肤拉伸反馈可以向用户提供方向信息。诺曼等人的一项研究。演示简单的指垫皮肤拉伸装置通过触觉提示和实时纠正反馈引导用户手臂的有效性。有动机增加截肢者和他们的假肢装置之间的化身。评估旋转皮肤拉伸触觉可穿戴装置传递机械手本体感受信息的能力。对于下肢截肢者，建议使用侧皮肤伸展触觉可穿戴装置，以提示使用者行走时的步态事件。
在电触觉反馈过程中，电信号通过表面电极刺激皮肤中的神经。这种方式的主要好处是没有运动部件，与其他形式的反馈相比，它可以提供各种不同的感觉。描述一个电触觉反馈系统，该系统将远程对象的表面特性传递到用户手背。使用调幅电触觉反馈到颈部，开发了一个系统，提供有关握住物体的握力和闭合的信息。
振动触觉反馈可能是最常见的触觉反馈类型之一，因为它发现在手机和游戏机控制器。振动触觉执行器因其成本低、体积小、放置在身体几乎任何地方时都具有有效的能力，在许多触觉应用中变得非常理想。结合运动捕捉技术，振动触觉反馈可以帮助学生学习新的运动技能，如拉小提琴。更值得注意的是，振动触觉反馈系统的研究将有助于改善患中风后有跌倒风险的老年人或患有功能性残疾的患者的步态表现。演示震动触觉提示预防跌倒的功效，使用分裂带跑步机模拟不可预测的扰动。的便携式步态不对称康复系统。提供基于步态相位测量的振动触觉线索，以改善中风患者的步态对称性。两项研究表明，触觉反馈可用于识别和重新训练步态参数，如步行时的脚趾/外伸结构和步长。另一项研究显示，在需要步态指导的患者中，由于缺乏康复平衡而出现步态异常的患者取得了积极的结果。
研究人员建议在他们的设备中使用多种触觉模式来提供多模态感觉反馈。Alonzo等人建议将振动触觉刺激器叠加在触觉刺激器上，使系统更加紧凑。另一种可穿戴触觉设备可以提供皮肤拉伸、压力和振动触觉，以传递关于遥操作机器人状态的信息，并已被证明有效地提高了用户的操作性能。皮肤伸展是本体感觉的一种自然感知方式，因此很理想地直观地向用户传达本体感受信息，即使与振动触觉反馈相比。作为一种预警方案，振动触觉反馈在准确性和用户舒适度方面优于电触觉反馈。振动触觉反馈系统也被证明是一种有效和非侵入性的方法来传递比电和热反馈更安全的信息或线索。
用精确的肌肉骨骼模型进行计算机模拟，可以详细了解步行的生物力学和跑步在治疗过程中。在生物力学领域，采用人体下肢和上肢标本的高精度模型，对肌肉协调进行了研究，找出了病理运动的来源，为治疗规划和设计奠定了科学基础。有几项研究使用了肌肉骨骼系统的生物力学模型和动态模拟来确定单个步态的贡献者。还引入了代谢成本模型，以改进考虑被动动力学的机器人援助[54和完全驱动的人体行走系统。OpenSim是一个广泛应用的生物力学建模和分析应用，它引入了以下几项创新：关节建模。多体接触建模和数值方法对生物力学界来说。它提供了生物学上精确的关节和肌肉模型，可以用来建立解剖学上精确的肌肉骨骼系统。然而，由于OpenSim采用数值方法来估计运动动力学，因此不能同时跟踪和分析运动动力学。
有大量的仿真软件可以用来建模和分析多体系统，其中一些是商用的，而另一些则是开源的。目前可用于建立和分析人类和动物模型的软件系统包括：LifeModeler(商业)、任何人(商业)，Visual3D(商业)西姆，D-Flow(商业)，V-REP(商业)和OpenSim (开放源码)。任何人，Visual3D和D-流都只能进行逆动力学。其他软件系统可以用于前向动力学，但它们需要预先计算的肌肉活动，从而限制了它们用于预测病人对医疗干预的反应。OpenSim、LifeModeler和Simm都缺乏实时动态仿真功能；它们不能同时用于实时跟踪和分析运动。D-Flow、Visual3D和V-Rep虽然能够进行实时模拟，但并不是开源的.此外，在这些软件系统中的仿真开发通常很麻烦，与第三方系统(如虚拟现实设备、IMUS、触觉系统)的接口对于一般的开发人员来说并不简单。在一个被广泛支持的引擎中开发一个仿真框架，将会更加实用，因为最终的产品可以设计成可扩展、高度定制、易于使用和开放源码。
尽管最近在生物力学、机器人技术和计算机动画研究方面取得了许多进展，但对于实时多模态反馈如何整合到运动训练中以提高运动学习和性能，还没有得到科学的认可。此外，震动触觉刺激作为运动中的反馈工具，还没有得到科学证据的支持。最后，没有一个统一的、便携的框架将实时传感和反馈与人类生物力学模型集成在一起。
该研究通过可穿戴触觉反馈系统和生物力学模型的应用，对运动训练进行了初步研究。这为研究者了解实时振动触觉反馈在运动中诱导运动适应的作用提供了初步的结果。这项工作是建立在研究者最近关于人类在运动过程中振动触觉反馈的感知准确性的基础上的。此外，该研究还介绍了一种新的运动跟踪与分析仿真框架。这统一框架在统一环境下实现，用于分析对象的基线和性能特征，并在运动过程中提供实时的触觉反馈。在统一环境中构建框架的一个显著优点是，用户可以访问联合的广泛资产存储，它包含了大量的资产，用户在构建自定义的运动分析应用程序时，可以将这些资产与仿真框架集成在一起。该框架包含了来自OpenSim的精确的肌肉骨骼模型、肌肉路径运动学和运动学雅可比矩阵的封闭计算、动态性能度量(即肌肉努力)，通过IMU传感器重建人体运动，并实时可视化运动及其动力学。
该仿真框架是专门为解释和建立OpenSim模型而开发的。该框架实现了OpenSim的肌肉骨骼定义，并结合了OpenSim的许多独特行为，例如：条件肌肉路径点、移动肌肉路径点、三次样条联合连接和坐标耦合约束。该框架还被设计成在联合编辑器窗口中使用，以便用户能够在编辑模式下加载和自定义动态模型。该框架通过与MIT的Math.NET Symbolics进程间通信提供矩阵操作和符号演算功能，C++数学表达式工具箱库(ExprTk)，以及ALGLIB数值分析和数据处理库。与Math.NET Symbolics的接口为用户提供了在运行时象征性地计算多体模型的运动学和肌肉雅可比的能力。符号计算的输出是一个符号表达式，可以使用ExprTk解释。然而，符号解释在计算上是昂贵的，特别是对于大型表达式(即运动雅可比)。为了避免这个问题，研究者在框架中添加了动态编译功能，使用户能够在运行时编译符号表达式，并将输出程序集保存到磁盘以供将来的实例使用。这种运行时编译与Math.NET Symbolics提供的封闭形式符号计算相结合，是该框架能够以100 FPS或更高的模拟帧速率执行复杂动态计算同时跟踪运动的原因。
该框架通过实现将物体的变换分解为多体模型的广义坐标。这个运动跟踪接口独立于所使用的运动捕捉系统，并且完全依赖于被跟踪的身体的运动；这使得用户能够使用预先构建的类人模型框架，这通常伴随着运动捕获系统的统一包。统一环境提供了一个框架，可以与与统一兼容的第三方系统(如Oculus Rift)进行接口和上述IMU系统。此外，UnityAPI可以与仿真框架一起使用，以创建直观且易于定制的用户界面，为用户提供与加载的多体模型交互的能力。下面的图形展示了使用感知神经元临imu运动捕捉系统进行实时运动重建的统一环境下的仿真框架。
OpenSim格式的ForceSet元素包含模型中力的定义。OpenSim格式支持各种类型的力，例如外部点力和弹簧广义力。然而，在研究者的框架内，只实现了肌肉路径执行器类型。肌肉路径致动器类型是指在一个定义的几何路径上施加可控张力的产生力元件。这种致动器类型的力生成行为是由由此产生的肌肉定义定义的。每个肌肉定义都包含一个独特的定义，描述肌肉的力量生成行为。然而，这些独特的定义不在研究者框架的范围之内，因为列出的肌肉类型的充分实现目前并不是框架需求的一部分。
在研究者框架的当前状态下，唯一被积极利用的元素是“MaxIometriForce”和“GetimeyPath”元素。“MaxIometriForce”元素用于肌肉力量的计算。“几何路径”元素包含肌肉执行器在每个模拟帧中必须遵循的路径点以及与肌肉元素的可视化相关的属性。在框架中，“GetimeyPath”元素包含肌肉执行器的“PathPointSet”元素的定义，这些元素包含每个路径点的定义，这些路径点勾勒出肌肉执行器的几何路径。根据采用的OpenSim格式，所有路径点类型都必须包含路径点的“位置”和“主体”元素的定义。“Location”元素包含三个数字条目，它们引用路径点的XYZ位置(或起始位置)与定义的“body”元素的参考框架。
由于肌肉属于多体肌肉骨骼模型，雅可比肌代表肌肉力矩臂，这是衡量肌肉契约力在产生给定关节扭矩方面的有效性的一种衡量标准。肌肉的雅可比可以通过取肌肉总长度相对于系统独立的广义坐标的偏导数来计算。对于具有肌肉执行器的多体系统，每个肌肉的肌肉雅可比可以垂直连接来表示系统的肌肉雅可比矩阵。然后，可以使用肌肉雅可比矩阵将肌肉力与肌肉诱导的关节力矩沿系统的广义坐标联系起来。在研究者的框架内，所有点到点的肌肉连接都是线性的，没有弯曲的肌肉路径。实际上，对于肌肉包裹，框架使用移动路径点和条件路径点之间的点对点连接来模拟曲线路径。该框架还假定肌肉的长度纯粹是运动学的，并且只取决于配置。它还假定在给定的一组肌肉下，运动学总是采用最短的肌肉路径。最后，按照[80]使用给定任务的广义作战空间力和物理力学优势函数。在该框架下实现了一个开放链多体系统的关节空间运动方程。对离心和科里奥利项的建模是计算昂贵的，特别是对于大型多体系统.因此，科里奥利和离心术语目前没有在框架内执行。另一方面，实现了重力、质量矩阵和广义坐标导数项。
运动跟踪与重构
在研究者的框架内，实现了一个通用接口[81]通过开发一个运动跟踪元素，将任何被引用对象的转换分解为所需的广义坐标值，从而将模拟的“关节”或“身体”元素驱动到被引用对象的转换过程中。引用的对象可以是对象的层次结构。在这种情况下，运动跟踪元素将尝试分解的转换是对象层次结构中的最后一个元素相对于根对象的帧的转换。运动跟踪元素的特点是通用的，因为它不依赖于所使用的运动捕获系统的类型；它完全取决于它所跟踪的对象的转换。这一特性是有价值的，因为大多数在设备和团结之间提供接口的运动捕获系统公司也提供了一个可操纵的类人模型，它可以简单地被拖放到统一环境中，并与运动捕获系统一起工作。然后，类人模型的肢体可以被分配到相应的运动跟踪元件，而运动跟踪元件又遵循指定肢体的平移和方向，而不直接连接到运动捕获系统。在研究者的框架中，通用的运动跟踪元素由JointTracker类表示.变换分解是通过提取被引用物体变换的平移分量和旋转分量，然后将这些分量投影到试图模拟被参考物体变换的物体的广义坐标上来实现的。
为了评估JointTracker元素的性能，将感知神经元全身IMU套装整合到框架中。正如预期的那样，Noitom已经提供了软件(AxisNeuron)和被操纵的类人模型，这是在Unitity内部使用IMU运动捕捉系统所必需的。按照设计，使用IMU运动捕获系统和研究者的框架必须完成的唯一任务是将类人模型的各个分支连接到适当的JointTracker元素。该框架利用IMU的运动数据和被摄体的质量矩阵来估算地面反作用力。
图为无线传感反馈系统
图为仿真框架：实时运动重建和对象基线数据采集
实验招募了几名实验者，八名受试者足以识别膝关节屈膝力矩的减少。在研究者未来的工作中，为了有科学正确的主题特定尺度来建模，研究者不包括儿童或老人。受试者招募的纳入标准如下：(1)年龄在18岁至40岁之间；(2)熟悉跑步机跑步；(3)参与前至少每周跑8英里(4周)。受试者被招募的排除标准如下：(1)可能影响跑步运动学、运动动力学或肌肉活动的下肢或下背部手术史；(2)在实验期间或参与前3个月内引起疼痛或不适的下肢或腰部病理；(3)任何可能妨碍受试者安全跑步的身体或精神状况。
实验的目的是通过触觉反馈来调整受试者的姿势。研究者针对先前的研究确定的三个步态参数，即躯干倾斜对降低膝关节屈膝力矩有影响。这些运动变量中的每一个都被证明与增加跑步受伤的风险有关。
实验由三个主要部分组成。实验的第一部分从90年代的跑步过程中收集了受试者的基线信息。然后受试者休息了2分钟，然后进入实验的第二个主要部分，以避免疲劳。实验的第二个主要部分是第一次触觉反馈，包括3次120秒的跑步，每次运行间隔2分钟。在第一次反馈过程中，受试者经历了3种触觉反馈中的一种。这些振动引导主体在运行过程中调整特定的运动变量。触觉反馈包括躯干反馈(增加/减少躯干倾斜)、膝关节反馈(增加/减少步态)和踝关节反馈(增加/减小足下垂角度)。实验的第二个主要部分是第二次触觉反馈，包括四次120秒的跑步，中间休息2分钟。在第二次反馈过程中，受试者经历了两种触觉反馈的组合：躯干和膝盖(增加/减少躯干倾斜和增加/减少躯干倾斜和增加/减少步态)、躯干和踝关节(增加/减少躯干倾斜和增加/减小足下垂角度)和膝盖和踝关节(增加/减少步态和增加/减小脚下垂角度)。振动以连续或交错的方式传送表示主体必须增加或减少感兴趣的运动变量。被试被要求保持一种姿势和速度，在总共15秒内没有触觉反馈。整个实验过程中，被试的时间最长为15.5分钟。然而，这一时间可以减少取决于主体的成功实现的姿态和步伐的目标。实验结束后，受试者还被要求用双相Likert型十点量表报告在运动过程中的舒适度。
在120 Hz采样率下，用感知神经元Pro套装获取运动数据。肌肉骨骼模型是根据每个受试者的总质量和身高进行缩放的。在整个站姿阶段，用研究者的模拟框架确定了地面反作用力和下肢关节的角度。基线训练和触觉训练的运动学参数包括躯干倾斜角、步频、跌落角和跑速。采用牛顿-欧拉逆动力学方法，计算了矢状面和额面内踝关节、膝关节和髋关节的净内力矩。所有的净关节矩被标准化为受试者的基线。此外，还确定了KFM在运行阶段的平均峰值。整个身体的努力是用前面提出的算法计算出来的。
所有8名受试者对触觉反馈装置的反应都采用新的模式，并与基线相比，用触觉反馈降低了他们的KFM。新的跑步模式导致躯干倾斜角、足下垂角和步频增加，KFM降低。在所有情况下，最终KFM值都明显低于基线值。
图为模型驱动、单参数和多参数运动训练对个体膝关节屈膝力矩响应的影响
实验结论
该试验研究表明，提供基于生物力学模型和触觉的实时反馈是一种有效的减少KFM的运动训练方法。这种用于重复任务的实时反馈方法有可能极大地提高特定主题的运动训练的有效性，并减少受伤的风险。研究者的研究符合先前的研究，认为运动变量对减少膝关节屈膝力矩有影响：躯干倾斜，节奏和脚打击。增加躯干倾斜度、步频和脚下垂角会降低站立时的KFM值，这与以前的研究结果一致。此外，研究者的初步研究结果表明，通过一个完全便携式反馈系统，运动变量对KFM的综合影响。虽然每个运动变量的变化方向在不同的受试者之间是一致的，但变化的数量却有很大的差异。这是由于特定主题的不同程度的运行参数对KFM的影响。
单参数训练中，足下垂角(即前脚打击)对KFM有显著影响(。此外，主干瘦度和韵律的增加导致了KFM平均峰值的减少。单参数躯干倾斜、足下垂、韵律反馈，KFM平均减少35.43%、46.33%和14.78%。在多参数训练中，躯干倾斜角和足下垂角的组合对KFM有显著影响(平均KFM下降36.09%)。第二有效的多参数训练是躯干倾斜角和步频相结合，平均KFM降低24.58%。足下垂角与韵律的组合对KFM的影响不显著。总体而言，计算的工作量仍然与被调查对象的基线相当。这一发现证明了新的跑步模式并没有显着地增加肌肉的力量，因此对实验对象来说还是很舒服的。
总之，该研究表明，采用触觉反馈的生物力学建模是一种有效的提高姿势的有效方法。KFM的显著减少表现在每个人身上，这是由于特定主题的变化，并且没有改变被试的努力。使用基于模型的便携式传感和反馈系统，在多个培训班中识别和采用了新的运行模式。在未来，研究者计划扩展研究者的框架和实验，以包括多模态提示和评估所采用的运动模式的保留。多模式反馈计划包括为运行提供并发反馈和终端反馈。当被试在没有任何反馈的情况下行走时，将进行一次保留测试。已发现末端反馈有助于促进运动学习和促进运动保持。除了视觉反馈，研究参与者还将收到触觉反馈。为了验证和验证反馈的类型，参与者之间的设计将调查参与者检测反馈的能力。在触觉状态下，参与者将接受振动刺激，并自行选择15分钟的跑步速度。运行时反馈的时间和位置将由。参与者将被要求通过指示实验者感受到振动或重复听觉反馈提供的身体部分来回应反馈。
参考文献：Emel Demircan A pilot study on locomotion training via biomechanical models and a wearable haptic feedback system ROBOMECH Journal 19 (2020)
