通过基于强化学习的肌肉控制器来描述人类平衡
Kübra Akbaş1, Carlotta Mummolo2, Xianlian Zhou1
1Department of Biomedical Engineering, New Jersey Institute of Technology, Newark, New Jersey, United States of America.
PloS one
|April 1, 2025
概括
这项研究引入了一种使用肌肉骨模型和强化学习的新计算方法,以客观地评估人类平衡. 它量化了质量状态空间中心的平衡极限,为各种健康状况提供了个性化的评估.
科学领域:
- 生物力学 生物力学
- 计算神经科学是一种神经科学.
- 康复工程 康复工程 康复工程
背景情况:
- 临床平衡测试缺乏客观性,是主观的.
- 现有的计算模型 (例如,压力跟踪中心,倒置的摆形) 无法捕捉到多关节和肌肉对全身平衡的贡献.
研究的目的:
- 提出一种新的肌肉骨建模和控制方法,用于研究在质量中心 (COM) 状态空间中的人类平衡能力.
- 客观地量化平衡能力,探索动态平衡的极限.
主要方法:
- 将肌肉骨模型与通过强化学习 (RL) 使用近接政策优化 (PPO) 训练的平衡控制器集成.
- 从随机的初始COM状态中探索平衡恢复,以定义平衡区域 (BR).
- 研究肌肉衰弱和神经刺激延迟对BRs的影响.
主要成果:
- 获得了一个平衡区域 (BR),封闭了COM平衡的成功状态空间轨迹.
- 与线性倒置摆形模型的比较显示出类似的趋势,但可回收面积减少.
- 发现肌肉软弱和神经刺激延迟会降低平衡能力.
结论:
- 开发的基于RL的肌肉骨模型为量化人类平衡提供了一个客观的方法.
- 这种方法为个性化平衡评估和评估健康状况的个体的平衡提供了一个有希望的途径.
- 该研究强调了多关节和肌肉在动态平衡控制中的重要性.


