了解人体维持平衡的内部过程是模拟姿势控制行为的基础。身体使用多个感觉系统的信息来获得对当前身体状态的可靠估计。该信息用于控制反应行为以保持平衡。为了利用肌肉力量的知识预测某种运动行为，可以利用生物力学人体模型的前向动态模拟。我们的目标是使用预测姿势控制模拟，为将来患有姿势疾病的患者提供治疗建议。重要的是要知道哪些类型的建模方法已经存在，以应用这种预测正演动态模拟。目前的文献提供了不同的模型，旨在模拟人体的姿势控制。我们进行了系统的文献研究，以确定姿势控制模型的不同方法。讨论了不同的方法在站立和步态模拟中的应用生物力学模型、感觉表征、感觉整合和控制方法。我们使用检索字符串在Scopus、Web of Science和PubMed上检索，扫描了1253条记录，发现102项研究符合纳入条件。纳入的研究使用不同的方式进行感觉表征和整合，尽管潜在的神经过程仍不清楚。研究发现，在姿态控制中，当模型的细节程度增加，非线性变得更加重要时，线性二次型调节器和模型预测控制等最优控制方法的使用越来越少。考虑到肌肉骨骼模型，基于反射和PD控制器主要应用并显示出有希望的结果，因为它们旨在创建考虑生理过程的类人运动行为。
在站立和行走过程中，人体是一个内在不稳定的生物力学系统。站立和行走时保持平衡是一项复杂的任务，由中枢神经系统(CNS)控制，包括脊髓产生的低级控制和脊髓上产生的高级控制。这个过程被称为姿势控制。模拟姿势控制行为需要对人体负责平衡的内部过程有基本的了解。我们希望利用姿势控制模拟，为将来患有姿势控制障碍的患者提供治疗建议，建议有针对性的运动来恢复身体功能或评估特定运动的影响。当这些模拟行为与真实的姿势控制相似时，这是可能的。目前的文献提供了不同的模型，旨在模拟身体在站立、走路或执行其他任务时保持平衡的机制。这些控制方法被应用于生物力学人体模型，以了解动力学和模型控制之间的相互作用。根据范围的不同，生物力学人体模型可以高度简化以模拟一般的运动行为，也可以非常详细地关注姿势控制过程中的内部过程。目前的方法范围从1自由度的二维单倒立摆模型[75]，到更多自由度的双倒立摆模型[23]或三重倒立摆模型[28]，再到复杂的三维肌肉骨骼模型[86]。根据模型细节，重点是对运动行为的一般，具体或广泛的理解和模拟。这样的模拟应该包括身体用来感知其内部状态和身体动态的不同感觉系统。然而，直到今天，我们还没有完全理解人体如何在中枢神经系统中处理这些感觉信息，以便在受干扰和不受干扰的情况下做出充分的反应来维持平衡[35,44,95]。
为了预测某种运动行为，前向动态模拟可以使用关节力矩或肌肉力作为输入。正向动态模拟从特定的关节扭矩或肌肉激活到运动合成，而不需要进一步的实验运动数据。这允许研究控制输入、模型动力学和执行任务之间的相关性[108]。这样的模拟可以瞄准站立场景中的平衡任务，其中重心(CoM)应该保持在支撑基础内，这是由脚与地面接触点内的面积描述的。这样的模拟还可以通过将预定义的步态模式与控制、反应元素相结合，在行走场景中产生稳定的步态，对外部扰动具有鲁棒性。为了我们自己的目的应用预测前向动态模拟，重要的是要知道哪些建模方法已经存在，何时应用它们，它们在研究中的应用范围是什么，以及这种建模方法如何在姿势控制模型中实现，以尽可能自然地产生人体运动行为。此外，重要的是，感觉系统和控制方法是准确地表示时，使用模拟治疗建议在未来。
数字人体模型也用于其他领域的运动控制，如角色动画。例如Cruz Ruiz等人[16]对该研究领域的不同仿真策略进行了比较。因此，我们将重点关注生物力学的应用领域。
在本文中，我们概述了以前发表的模拟人类姿势控制行为的模型，包括身体的感觉反馈。通过系统的文献研究，我们回答了以下研究问题:
RQ1:什么样的生物力学人体模型被用来模拟人体的运动学和动力学?
RQ2:现有的模型是如何表示身体的感觉系统的?它们的感觉信息是如何整合到姿势控制模型中的?
RQ3:在生物力学人体模型中，哪些控制方法可以用来实现姿势控制机制?
在下一节中，描述了姿势控制模拟的生物学背景。有许多不同的术语来描述人类在静态或动态情况下保持直立姿势的行为或反应。中枢神经系统调节来自身体不同受体的感觉信息，以启动适当的肌肉反应。更快、更低层次的控制，如反射，在脊髓中产生，更高层次的控制在脊髓上产生。姿势控制、平衡控制或平衡行为是用来描述保持平衡的过程的术语。下面我们将使用姿势控制这个短语。
为了保持平衡，人体使用几种受体类型的信息，如肌肉长度或脚下的压力分布，来观察身体运动学和动力学的内部状态。这方面的相关组成部分是体感系统、前庭系统和视觉系统[15,41]。所有这些感觉系统的信息在中枢神经系统中被解释为启动肌肉兴奋，这转化为足够的肌肉力量来保持身体平衡。图1显示了姿势控制过程的总体概述。体感觉系统由本体感觉和皮肤感受器组成。通过本体感觉，身体获得有关身体各部分的相对方向和运动的信息。肌肉的长度和速度由位于骨骼肌的肌梭感知，关节的角度由位于关节囊的关节感受器感知。肌腱力是由位于肌肉和肌腱之间的高尔基肌腱器官感知的。足底足表面的皮肤感受器传递压力分布的信息。此外，从这些传递的信息中，机体可以估计支撑面的几何形状[41]。前庭系统感知直线和角运动以及头部相对于重力的方向。这个感觉系统位于内耳内，由两个耳石器官和半圆形管道组成。耳石器官检测头部的线性加速度，半圆形管道识别头部的角加速度[41]。视觉反馈用于获取头部和整个身体相对于环境的方向和运动信息。例如，中枢神经系统可以利用这些信息来解释身体摇摆的方向和速度。必须提到的是，视觉反馈本身可以被模糊地解释为头部或身体的自我运动，或者是周围物体的运动[41]。
图1
简化控制系统模型。身体的几个感觉系统可以观察到身体的动态。这些获得的信息必须被整合以获得准确的身体感知。控制器使用当前状态和特定的控制目标，如目标状态或平衡状态，来确定身体的后续运动
使用前面描述的不同的感觉系统，身体根据特定的感觉系统获得关于身体运动学和动力学的通道特定信息。每个通道都会受到噪声的影响，并且传递的值可能彼此不同。因此，有必要将反馈信息集成到CNS中，以提供稳定和准确的人体运动学和动力学估计。对当前身体状态的可靠感知对于产生合适的姿势控制反应非常重要[41]。为了适应不断变化的环境条件或感觉系统的干扰，身体能够重新权衡感觉通道的相对贡献[58,67,74]。
身体运用不同的方式利用先前处理过的感觉信息来保持平衡。有必要保持支撑底座内部的CoM，以确保稳定的姿态。在站立时，这可以通过例如脚踝或臀部的纠正机制来实现[1,37]。这些校正机制改变了压力中心(CoP)，从而控制了重心的运动。当这些纠正不再足够时，人类可以应用进一步的动作，如一个或多个恢复步骤。在步态中，更多的动态稳定性方法被使用，因为CoM不一定总是在支撑的基础内。下一个站立腿的足部放置和当前站立腿的髋部扭矩控制等机制对于稳定步态中的躯干非常重要[85]。此外，在扰动的情况下，可以识别出自适应步长和步长时间等恢复行为[45]。
这些用于维持平衡的方法可以分为反馈机制和前馈机制。反馈意味着当前的感官信息被包含进来，以产生适当的反应，就像身体对姿势的控制一样。前馈意味着主动运动控制是按照预先定义的方式进行的。前馈因素在人类姿势控制中的作用仍在文献中讨论[19,29,87]。
时间延迟代表对扰动产生的反应时间的另一个生理学相关参数。通过传入的感觉信息和通过传出通路的肌肉控制信号的信息传递，以及中枢神经系统在脊髓和脊髓上水平的信息处理，导致姿势控制的时间延迟。这个过程是持续存在的，因此对站立和步态运动都很重要。因此，时间延迟也是建模的一个重要参数，并且对反馈和前馈元素都有影响。
为了识别与前面提到的研究问题相关的重要文献，我们遵循了一个系统的协议(图2)。我们应用了一个搜索字符串，以确保透明、可重复的过程，并在之后手动筛选结果记录的内容。搜索字符串由识别生物力学人体模型的元素组成，这些模型描述了站立和步态模拟期间的姿势控制:
图2
文献识别与扫描的系统方案。搜索字符串用于识别来自Scopus、PubMed和Web of Science的记录。删除重复项后，根据包含标准筛选和过滤记录。本综述纳入了102项研究进行进一步分析
[(肌肉-骨骼*)OR(肌肉-骨骼*)OR(生物力学*)OR(多节*)OR(多节*)OR(神经-肌肉*)OR(多关节)OR(多关节)OR(倒立摆)]
和[人类*]
AND [(simulation*) OR (modulation*) OR (numeric) OR (model*)]
AND[(姿势*)OR(平衡*)OR(稳定*)OR(反射*)OR(反应*)OR(平衡)OR(本体感觉*)OR(传感器*)OR(反馈)]
W/2[(控制*)或(行为*)或(恢复*)]
AND[(姿势)或(站立)或(步态)或(行走)或(摇摆)]
搜索使用了三个不同的数据库:Scopus、PubMed和Web of Science。在Scopus中，我们使用标题、摘要和关键词进行搜索，并将结果限制在文档类型文章和学科领域工程、计算机科学、数学、医学、多学科、神经科学、物理和天文学。由于Scopus、PubMed和Web of Science之间可用的搜索标准不同，我们必须调整PubMed和Web of Science中的搜索:在PubMed中，我们将搜索字符串应用于标题/摘要，并将结果限制为出版物类型的文章、英语语言和过滤标准。在Web of Science(核心集合)中，我们将搜索字符串应用于标题、摘要、关键字加上，其中我们将结果限制为英文和文档类型的文章。将搜索字符串应用到PubMed和Web of Science中，我们必须将运算符W/2替换为and。我们确定了符合以下纳入标准的研究:这些研究包含一个人类姿势控制模型，该模型描述了调节姿势控制的感觉反馈动态;该模型必须是新的或现有模型的重要扩展;该模型可用于正演动态仿真。本综述的重点是用于站立或步态条件的模型，考虑上半身和下半身(简化被接受)。该模型至少要模拟在站立或步态的生理运动中的动态和控制行为。由于本综述旨在概述用于模拟人类运动行为的模型，因此不包括人形，外骨骼或假肢的应用。
我们用搜索字符串找到的文献将根据前面提到的包含标准进行筛选，首先是它们的标题和摘要，然后是全文。由于在文献中有许多不同的术语用来描述人类的姿势控制，我们意识到搜索字符串无法找到所有匹配的出版物。为了弥补这一点，我们通过扫描纳入研究的参考文献，根据我们的纳入和排除标准，另外纳入了一个反向搜索。
纳入的研究从以下几个方面进行分析和分类:
什么样的生物力学模型被认为是用来描述人体动力学的?
人体姿势控制的感觉系统是如何整合到模型中的?
采用什么样的控制方法来处理感官信息?
包括截至2023年4月28日的所有出版物，我们确定了1253篇带有搜索字符串的出版物。根据我们的方案进行筛选后，我们纳入了102项研究，结果如图2所示。
摘要
介绍
方法
结果
讨论
有限公司
结论与展望
数据和材料的可用性
缩写
参考文献
致谢
作者信息
道德声明
搜索
导航
#####
我们确定了几种不同的建模和模拟人体姿势控制的方法。在这些方法中，生物力学人体模型的细节水平各不相同，因为这个水平是根据所确定的范围和研究问题进行调整的。一般来说，应用的模型在非肌肉骨骼和肌肉骨骼模型之间变化，用于站立或步态模拟。肌肉骨骼模型通过大量的自由度增加了复杂性，并且通过包括肌肉动力学，关节可以接近解剖结构建模[18]。非肌肉骨骼模型的驱动可以通过关节扭矩来实现，肌肉骨骼模型的驱动可以通过肌肉兴奋来实现。在下文中，我们概述了用于姿势控制模拟的生物力学人体模型。我们将人体生物力学模型分为非肌肉骨骼模型和肌肉骨骼模型，分别在站立和步态模拟中进行。表1和2显示了站立模拟时的非肌肉骨骼(表1)和肌肉骨骼模型(表2)，表3和4显示了步态模拟时的非肌肉骨骼(表3)和肌肉骨骼模型(表4)。
表1应用生物力学人体模型在站立模拟中纳入的研究分类:站立模拟中的非肌肉骨骼模型
表2应用生物力学人体模型在站立模拟中纳入的研究分类:站立模拟中的肌肉骨骼模型
表3应用生物力学人体模型在步态模拟中纳入的研究分类:步态模拟中的非肌肉骨骼模型
表4应用生物力学人体模型在步态模拟中纳入的研究分类:步态模拟中的肌肉骨骼模型
102篇论文中有66篇描述了站立模拟。使用56次非肌肉骨骼站立模型，10次肌肉骨骼站立模型。我们根据关节的数量和自由度将站立模型分成不同的组。为了保证可比性，本文将自由度表示为内部自由度。模型可能包含全局框架的额外自由度，比如相对于地面的相对旋转或平移。非肌肉骨骼站立模型分为1关节模型[2,100,102]至5关节模型[38]，肌肉骨骼站立模型分为1关节模型[107]至8关节模型[101]。关注矢状面的站立模型经常合并左右节段:1-关节模型描述(合并的)踝关节周围的运动，可与单个倒立摆相媲美[7,74,105]。即使没有对足部进行建模，这个关节在站立时也可以被认为是踝关节。双关节模型描述了踝关节和髋关节周围的运动，类似于双倒立摆[53,58,62]。3关节模型描述了踝关节、膝关节和髋关节周围的运动，类似于三重倒立摆[4,28,97]。包含3个以上关节的肌肉骨骼模型分别考虑左右节段[42,90,101]。更复杂的站立模型包括附加关节，如腰椎关节[42,50]、距下关节[101]或肩关节和肘关节[38]。自由度的多少取决于建模关节的数量以及模型是二维的还是三维的。
102篇论文中有36篇描述了步态模拟。非肌肉骨骼模型使用了9次，肌肉骨骼模型使用了27次。同样，我们根据关节的数量将模型分成不同的组。非肌肉骨骼步态模型分为2关节模型[8,49,59]至8关节模型[70]，肌肉骨骼模型分为2关节模型[17]至6关节模型[6,24,29]至13关节模型[31,32,55]。在模拟步态时，模型分别考虑左右两段。2关节步态模型描述了髋关节周围的运动，不考虑单独的足段，4关节模型描述了踝关节和髋关节周围的运动，6关节模型还包括膝关节周围的运动。更复杂的步态模型包括附加关节，如腰椎关节[92]或肩关节和肘关节[31,55]。
身体感觉系统的实现表示显示出非常多样化。输入到控制模型中的感官输入取决于所使用的生物力学模型、模型的自由度和各自研究的研究问题。一些作者没有具体说明他们在姿势控制模型中复制了哪些感觉系统。通常，使用来自不同节段的全状态信息，如关节角、角速度，有时还使用角加速度[104]。另一个经常使用的参数是CoM[85,101,105]。如果研究的重点是以类似于生物学的方式再现身体的感觉系统及其测量信息，那么姿势控制系统的不同感觉也包括在内。
大多数情况下，躯体感觉系统，因此本体感觉和皮肤受体的信息被执行。在更抽象的生物力学模型[80,97]和肌肉骨骼模型[24,43,56]中，通过跟踪关节角度和角速度来模仿肌肉纺锤体。高尔基肌腱器官已通过扭矩[46,80]或肌肉力反馈进行模拟[24,56]。人体从足底足表面的皮肤感受器接收到的信息可以用脚掌重力矢量的位移[68]或通过计算地面反作用力来建模。皮肤感受器提供身体相对于支撑面运动的信息[74]。
虽然大多数研究不包括生物感觉系统的模型，或者只考虑体感觉系统的模型，但前庭反馈有时也被考虑在内。半圆形管道可以用头部在世界框架中的旋转加速度来建模，而耳石器官可以用头部在世界框架中的平移加速度来建模[43,52,97]。在更简化的模型中，整体躯干角度和角速度也被解释为前庭信息[25,36]。
此外，一些研究还包括视觉信息。视觉系统可以使用头部的全局位置和速度来估计[25,74]。
如果使用来自多个不同渠道的感官信息，这些信息必须融合和整合，以获得对实际身体动力学的稳定可靠的估计。中枢神经系统在体内提供这种机制。这种信息冗余的好处是可以检测到受干扰或错误的感官信息，并且可以对当前情况进行更稳健的解释。这种冗余导致身体能够在一定程度上补偿某些感觉信息的缺失，并且仍然能够保持平衡。应用感觉整合和重称重机制试图在不同的模型中复制中枢神经系统的过程。在这篇综述中，我们使用Maurer等人的分类[67]，他们将感觉整合方法分为三种类型:简单地添加不同感觉信息而不考虑依赖关系的模型，使用最优估计器方法进行自适应感觉重称重的模型，以及允许不同信息路径之间交互的模型。第一种方法被引入为独立通道模型[74]。一个包含对不同感官信息进行重新加权的最优估计器的模型称为最优估计器模型。Van Der Kooij等人[97,98]采用这种方法，使用卡尔曼滤波器进行感官重称重。第三种方法称为感官间互动模型。它通常可与独立通道模型相媲美，但也允许几个感觉通道之间的相互作用[68]。表5概述了本综述中研究中使用的不同感觉统合方法。表中列出的研究使用了多种感官输入来建立姿势控制模型。只有少数考虑多种传感器类型的研究使用肌肉骨骼模型[43,87,107]或步态模拟[45,51,87]。处理后的感觉信息作为应用控制方法的输入，在“姿势控制方法”一节中讨论。
表5感觉统合方法
根据不同的控制方法应用于姿势控制模型，我们对这些研究进行分类。这种分类显示了姿势控制模型中考虑的控制方法的多样性(图3)，以及哪种控制方法与哪种生物力学人体模型结合使用(图4)。纳入的102项研究共显示了108种控制方法，6项研究确实应用了两种方法的组合。我们确定了6种不同类型的控制方法:比例(P)、比例导数(PD)、比例积分导数(PID)控制器、基于反射的控制器、线性二次调节器(LQR)和模型预测控制(MPC)。表6显示了所有纳入的研究及其在不同控制方法中的分类。下面我们对不同的已识别控制方法进行概述。
图3
姿势控制方法的分类。扫描了102项纳入的研究，总共采用了108种对照方法(6项研究确实采用了两种方法的组合)。9个模型使用比例(P)控制器，43个模型使用比例-导数(PD)控制，17个模型使用比例-积分-导数(PID)控制。扩展P控制器被考虑了14次。9项研究采用线性二次型调节器(LQRs)， 4项研究采用模型预测控制(MPC)。在12个研究的模型中使用了其他方法
图4
被纳入研究的姿势控制模型。它们通过控制方法进行分类，并在这些类别中通过非肌肉骨骼模型(每个左柱)和肌肉骨骼模型(每个右柱)以及站立和步态应用进行区分
表6应用体位公司对纳入研究的分类控制方法，分为站立和步态模型
常用的描述姿态控制的方法有P、PD和PID控制器。根据控制器类型，P-， D-或i -项被应用于最小化误差信号(P项)，它的导数(D项)，或它的积分(i项)之间的期望和实际值的运动学或动力学反馈回路。这样就可以调整控制变量。式(1)给出了PID控制器的一般功能:
（1)
其中和为P、D和i项的增益常数，表示不同分量的幅值[74]。当应用PD控制器时，积分增益为零，而对于P控制器，积分增益和导数增益均为零。总共有69次P、PD或PID控制器应用于姿势控制模型。P控制器使用了9次，PD控制器使用了43次，PID控制器使用了17次。更详细地说，应用方法的分布可以分为模拟站立或步态的模型。P控制器用于3个站立模型和6个步态模型。PD控制在站立模拟中被考虑30次，在步态模拟中被考虑13次。PID控制器应用于15个站立模型和2个步态模型。这些模型中的控制变量是关节角、角速度[25,44]、关节角[14,47]，或者肌肉长度或肌肉力(当这些被包含在(肌肉骨骼)模型中时)[46]。
另一种方法我们称之为扩展比例(扩展P)控制，在文献中被称为“基于反射的控制”[24]。这里，肌肉骨骼模型是由肌肉反射控制的。这种模型基于肌肉力量和长度反馈，无需额外的前馈机制即可生成人体行走动力学。反射控制的主要组成部分，肌肉力量和长度反馈，有一个类似于P控制器的方程。由于我们的目标是创建一个与其他控制方法相当的水平，因此我们将此方法称为扩展P控制器。此外，该模型包含一个PD控制项，用于主干控制作为前庭反射的调制。扩展P控制器应用了14次，其中13次是基于Geyer & Herr[24]首次引入该模型。其中2个模型专注于站立，其他12个模型(包括Geyer & Herr[24])处理步态模拟。模拟的反射在肌肉之间是不同的，在模拟步态时，在步态阶段之间也是不同的。
线性二次型调节器(LQR)也可用于模拟人体姿势控制的动态行为。LQR是一种状态反馈控制器，其中反馈最小化一个二次代价函数，该函数惩罚控制信号和状态变量[53]。该控制器需要线性机械系统动力学和二次成本函数[96]。当假设运动范围相对较小时，具有非线性动力学的人可以在站立期间实现线性动力学[96]。这种方法的应用是基于人体试图最小化成本函数的假设[53]。成本函数可以通过假设CNS中的信号通过状态和控制的二次函数进行优化来实现，这是有效的，因为人体中存在一组冗余的致动器和传感器，这使得CNS能够选择这些的最佳组合[96]。在本文中包含的9个姿势控制模型中发现了LQR，其中8个模拟人类站立，1个与P控制器结合模拟人类步态[17]。
另一种可以用于模拟姿态控制行为的方法是模型预测控制(MPC)。这种方法考虑当前的输入信号、输出信号和预测值，并在特定的时间范围内最小化成本函数。它是一个离散时间的迭代过程，在每个时间步重复。MPC给出了一个解析不可解的最优控制问题的数值解，该问题适用于非线性系统和线性系统[62]。本文献综述中有4项研究考虑了该方法，均以站立为重点。
最后，12项研究使用的方法不适合已确定的分类。我们发现一些研究应用了经验推导的姿势控制反馈方程[31、32、55、71、101、109]、在P项和d项旁边附加加速信息的全状态反馈方法[52、104、107]、没有任何主动反馈的纯被动机制[59、105]或模糊控制器[40]。
图4显示了哪种姿势控制方法与哪种生物力学模型类型相结合，分为肌肉骨骼和非肌肉骨骼人体模型以及站立和步态模拟。总共有4个P控制器，13个PD控制器和3个PID控制器应用于肌肉骨骼模型。此外，所有14个扩展P控制器，以及12个不属于特定集群的方法中的6个，都使用了肌肉骨骼模型，而只有1个肌肉骨骼模型，结合了P控制和LQR，与最优控制方法之一(LQR和MPC)一起使用。
文献中讨论的一个主题是前馈机制对姿势控制和步态生成的影响[29]。例如，中心模式生成器可能是生成循环步态行为的解决方案。一些作者使用反馈和前馈元素的组合来产生步态运动[19,72,73,94]。然而，正如扩展P控制器(例如Geyer & Herr[24])所显示的那样，前馈组件并不是创建步态运动所必需的。
在不同的姿势控制模型中，另一个不同的方面是考虑时间延迟来描述影响、影响、处理时间或其中的一部分。纳入的研究考虑了从0 ms[38,59]到200 ms[7]的时间延迟。
系统综述揭示了我们研究问题的以下答案:
RQ1:各种生物力学人体模型用于模拟姿势控制。在站立模拟中，主要采用非肌肉骨骼模型，在这些模型中主要采用单关节模型。当站立时使用肌肉骨骼模型时，没有明确的首选模型类型。在步态仿真中，主要采用肌肉骨骼模型，多为考虑左右踝关节、膝关节和髋关节的6关节模型。当使用非肌肉骨骼模型进行步态模拟时，没有明确的首选模型类型。
RQ2:不同的人类感觉系统是通过跟踪生物力学人体模型的几种类型的信息和内部状态来表示的，例如抽象生物力学模型中的关节角度、全局位置和特定节段的方向，或肌肉骨骼模型中的肌肉长度、肌肉速度或肌肉力。此外，地面反作用力被认为是足底表面皮肤受体的代表。这样，身体的不同感觉系统就可以为姿势控制建立模型。为了融合这些不同的信号，感觉整合方法使用独立感觉通道的总和，允许感觉间相互作用的感觉通道的总和或最优估计器方法来实现感觉重称重，如卡尔曼滤波器。独立通道模型和感官间交互模型是融合多感官信息的主要方法。尽管有这些不同的实现方法，存在于人体的潜在神经过程仍然不清楚。
RQ3:文献显示，在生物力学人体模型中，有多种控制方法来实现姿势控制机制。最优控制方法如LQRs和MPCs，以及P、PD、PID和扩展P控制器。对于更复杂的生物力学人体模型，具有更多的自由度，后者似乎更倾向于模拟姿势控制行为。PD和扩展P控制器是肌肉骨骼模型中首选的控制器类型。其他方法是否可能为基于生理的模拟提供有希望的结果，这意味着是否有可能使用这些方法稳定复杂的生物力学人体模型，仍然需要研究。
生物力学人体模型类型与所使用的姿势控制方法有关，反之亦然。PD控制器通常是最常用的。然而，对于肌肉骨骼模型，特别是对于姿势控制的步态模拟，扩展P控制器也占主导地位。在102个已确定的研究中，总共应用了108种控制方法，我们将其归为6种不同类型的控制方法。在所有分析的研究中，PD控制器应用最多(108个中有43个)。所有其他方法的分布大致相同(9种P, 17种PID, 14种扩展P, 9种LQR, 4种MPC, 12种其他)。当只考虑站立模型时也是如此，而P控制器和扩展P控制器的使用最少。在考虑步态模型(共39个)时，经常使用P控制器(6次)和扩展P控制器(12次)，而PD控制器仍然是选择最多的(13次)。最优控制方法(LQR和MPC)不用于步态模拟，除了P控制器与LQR的一种组合[17]。当选择肌肉骨骼模型作为生物力学人体模型时(总共108次中有41次)，PD(13次)和扩展P控制器(14次)是最常选择的控制方法，而它们从未与LQR或MPCs结合，无论是站立还是步态模拟，除了一个将P控制器与LQR结合的肌肉骨骼步态模型。PD(6次)和扩展P控制器(2次)在肌肉骨骼站立控制中占主导地位(总共11个模型)，而扩展P控制器是肌肉骨骼步态控制的主要控制方法(30个模型中有12个)。对于这种从一般的主导PD控制器(以及其他方法的均匀分布)转变为主要PD和扩展P控制器的肌肉骨骼模型的解释可能是，对于具有大量DoF的模型，两者都表现良好。同时，扩展P控制器是肌肉骨骼步态模型中应用最多的控制方法。扩展P控制器需要在模型中包含肌肉动力学。它旨在描述姿势控制过程中的类人运动，并根据神经生理学证据实现反射[24]。必须提到的是，扩展P控制器能够仅基于肌肉反射产生行走，这可能不是现实中唯一的效应。此外，在本文献综述中包含的模型中，无论是具有大量自由度还是考虑肌肉动力学，都很少使用lqr和MPCs来模拟更复杂的模型动力学。只有一个模型至少代表了P控制器和LQR的组合。这种罕见的应用可能是由于模型的复杂性和必须确定的相应的大量自由参数。尽管如此，人体在姿势控制过程中考虑寻找合适反应的优化问题仍然是合理的。
如第2节所述。“感觉表征与整合法”，存在不同的方法来模仿身体的感官知觉。当包括身体的多个感觉系统时，有必要使用整合方法融合这些信息。由于潜在的神经过程，即中枢神经系统对受体信息的处理，仍然是未知的[47,107]，研究描述了不同的感觉整合方法。将模拟数据与实验测量结果进行比较，表明几种方法可以为具体的应用案例提供合理的结果。重要的是要考虑到，即使模拟数据与实验数据相似，人类的处理在现实中仍然可能以不同的方式实现。尽管如此，在将来使用姿势控制模拟作为治疗建议时，准确地表示感觉系统是很重要的。更简单的方法，如不同受体信息的总和(独立通道模型)可能在干扰或缺乏一种或多种传感器类型的情况下显示出局限性。在这些情况下，身体必须重新权衡几个输入通道，以确保对其内部状态的可靠估计[97,98]。
姿势控制模型的局限性和潜力主要与模型如何模拟生物力学系统的反应行为有关。在下面，共同的特点，以及不同的集群确定在节。讨论了“姿势控制方法”。
通常，大多数仿真数据都与新的或现有的实验测量数据进行比较，以评估仿真模型。在姿势控制方法的每一个识别集群中，仿真数据通常显示类似人类的运动行为[3,21,24,74,77,109]。但不同的比较方法，如关节角度和关节运动的相关性[19,56]、肌肉激活[19,109]、相互关联值[21]或步态周期参数[52]，使得直接比较变得困难。同样难以评估的是，显示与实验数据相似的运动的模型是否真实地代表了人类的内部过程，或者只是以不同的方式产生了类似人类的运动。例如，对于临床应用，它不仅可以产生类似人类的运动行为，而且可以真实地代表身体的内部过程。此外，许多模型已被线性化。这提供了一个更简单的力学模型，更容易实现，以及更少的未知参数，从而实现更快的计算。与此相反，人体(和运动)的非线性被忽略，并且一些特征动态行为不会被这些类型的模拟所覆盖，例如肌肉行为。
在控制方法中，P控制器、PD控制器和PID控制器表现出不同的特点，但都可以比较容易地实现[44]。它们显示出一些可以用于人体姿势控制模拟的特性。P、PD或PID控制器的比例增益就像弹簧常数一样。在站立模拟中，随着增益的增加，身体摆动的范围减小，同时身体摆动的频率增加。通过P控制可以控制系统的反应速度，但单独使用P控制器可以导致系统输出的期望值与实际值之间的稳定差异。这会导致稳态误差。同时，由于比例增益是唯一需要确定的参数，因此实现相对简单。PD或PID控制器的导数增益作为阻尼常数。当这些增益增加时，身体摇摆的幅度分别减小[44]。例如，关节的纠正力矩将与身体摆动的速度成正比。一些作者发现运动速度提供了CoM变化的足够信息[65]。同时，如果在反馈回路中考虑时滞，PD控制似乎显示出缺点[7,53]。在站立模拟中，PID控制器的积分增益显示与保持身体在平衡位置的特定参考点周围的摇摆振荡有关。否则会在偏离点附近发生振荡[44]。因此，积分项控制着机械系统的稳态误差[75]。对比PID控制器和PD控制器，在静立状态下，PD控制会使机体在一个设定值附近产生振荡，而采用PID控制可以消除这种振荡[66]。应该提到的是，在一个稳定的位置周围的一些摇摆通常出现在人类站立时。
与这些类型的控制器相比，扩展P控制器的目标是创造类似人类的运动，考虑一些生理过程，如肌肉反射。Haeufle等人[30]发现，与扭矩驱动的PD控制模型相比，使用肌肉致动器的基于反射的模型需要更少的信息来产生相同的运动，这似乎也适用于人类的内部过程。使用肌肉骨骼模型和步态模拟，扩展P控制器似乎非常有前途。
应用LQR的模型可以在简化和线性化后使用很少的变量来实现[60]。这样，它们代表了一种设计全状态反馈系统的简单技术。通过这样做，增益的数量必须保持在最小[60]。然后可以以计算效率高的方式生成模拟。模型模拟提供了平滑和稳定的轨迹[96]。与真实的生物力学系统相比，由于必要的简化和假设，线性化带来了局限性[76]，尽管在本综述所包含的文献中从未研究过这种线性化和非线性系统之间的差异。当模型变得更复杂时，也需要涉及被动结构，例如非线性控制系统[97]。
基于MPC的姿势控制模型的特点是实现简单，在线性化模型的情况下，计算效率高[3]。MPC比LQR有优势，因为生物力学系统需要更少的能量来完成相同的运动任务[3]。它们还表明，非线性问题可以通过时间离散化来快速求解和精确求解[62]。
这里讨论的所有控制方法都有一个共同点，即必须找到自由参数，如控制增益。为了确定这些收益，可以在纳入的研究中确定不同的策略。一些作者使用手动调整或基于文献的参数来描述控制器方程[24,65]，另一些作者使用不同的优化算法来寻找控制参数的最优值[60,88]。不同优化方法的选择取决于优化目标。例如，它可以最小化与现有测量值的偏差[52]或预定义的参考姿势[38]，或者模仿人类的生理过程。在后一种情况下，假设可以是身体对其能量消耗的优化[83]。
在姿势控制模拟的背景下，作者关注了本研究主题的许多不同领域。一些作者试图从实验数据中确定具体的参数，另一些作者研究特殊任务对姿势控制的影响，还有一些作者建立了可以用于前向动态仿真的模型。因此，当采用搜索字符串进行系统的文献研究时，很难在一般搜索策略和特定搜索策略之间找到妥协。姿势控制的命名法在文献中也不一致，正如已经在章节中提到的。“生物背景”。这就是为什么搜索字符串作为起点并与额外的向后搜索相结合的原因。一些研究没有详细描述控制模型，而是关注仿真过程的其他领域。因此，这些研究不包括在分类中。许多模型被用来研究姿势控制的原理，但被应用于机器人系统，如人形或外骨骼，特殊运动任务或患有特定疾病的人，如中风后患者。这些特殊的情况也不考虑在这篇综述中，因为我们想给一个概述在健康站立和步态的可比水平上的人类姿势控制模型。
我们进行了系统的文献综述，概述了在生物力学人体模型中用于模拟姿势控制的不同方法，目的是利用姿势控制模拟为将来患有姿势疾病的患者提供治疗建议。这篇综述的目的是对已经发表的模拟人类姿势控制行为的各种方法给出一个总的概述和印象。姿势控制的过程包括对身体内部状态和动态的感觉感知，这些不同类型的感觉信息的感觉整合，以及一个控制机制，该机制决定应该根据这些考虑的信息执行哪些反应。文献中存在各种模型，包括特定受体观察到的不同感觉系统，感觉整合方法和控制策略，以描述和模仿人类的姿势控制行为。这些选项的选择取决于模型的细节程度和研究的范围。许多方法显示出与人类行为类似的运动，但目前尚不清楚实际人类的中枢神经系统中究竟发生了哪些过程来处理其感觉信息。然而，可以认识到，人体生物力学模型越详细，观察到的运动越复杂，越来越多的扩展P控制器被用于描述人体的姿势控制。
本文献研究中的许多模型侧重于简单方法来模拟一般运动特征(RQ1)，其他模型则侧重于感觉整合机制，并使用简化的生物力学模型(RQ2)考虑多个感觉系统。一些作者使用专注于一个感觉系统的肌肉骨骼模型。我们发现只有少数研究考虑到一个以上的人体感觉系统的姿势控制。这是第一个有希望的方法来模拟人类的姿势控制系统与详细的生物力学人体模型，包括多个感觉系统。对于一般的肌肉骨骼模型，主要采用PD和扩展P控制器，而对于步态仿真中的肌肉骨骼模型，主要采用扩展P控制器(RQ3)。由于其他控制方法无法稳定，这些方法是否适用于更复杂的人体模型，以及其他控制模型是否仍有希望模拟姿势控制，目前尚不清楚，可以在未来进行研究。
由于仿真结果与实验测量数据的比较方法不同，很难对不同姿态控制模型的精度进行直接比较。因此，直接比较不同的现有姿势控制模型将是未来研究的有趣之处。
另一个有前景的研究领域，也是我们本次综述的目的是模拟人类的姿势控制行为，包括站立和步态，无论是健康人还是有运动障碍的人。这样，运动控制受到疾病影响的人的姿势控制可以被模拟，并与健康的控制行为进行比较。这种方法可以支持治疗建议，例如建议有针对性的锻炼来改善活动能力、稳定性和反应性。这篇综述有助于评估哪些方法已经存在，哪些方法显示有希望以生理为基础的方式模拟姿势控制。
下载原文档：https://link.springer.com/content/pdf/10.1186/s12984-023-01235-3.pdf
