可穿戴机器人，可以读懂你的“肌肉”了？｜Science Robotics

“六个电极，读出肌肉的秘密。

人在跑步机上走，皮肤下面的肌肉一伸一缩。贴在小腿上的六个电极，也在跟着记录这些变化。

它们没有拍出肌肉的影像，却从电学信号里，提取出了肌肉内部伸缩的线索。拿超声测量结果一对照，两者显示出较强的关联。

这正是美国佐治亚理工学院团队近日发表于《Science Robotics》的一项成果，他们把电极贴在皮肤上，就能追踪人行走时肌束的伸缩变化。

对外骨骼这样的可穿戴机器人来说，这意味着有机会用更便于穿戴的电学传感，获取一部分通常借助超声观察的肌肉信息。

机器人已经能跟着腿动。现在，研究者希望再往皮肤下面走一步，看看真正带动腿的肌肉，到底在忙什么。

01.

六个电极，想接超声的一部分活

如果把肌肉比作一台发动机，关节运动相当于它带来的外部动作。要知道内部运转得怎样，还需要另一套观察办法。

肌电图是其中一种。它能记录肌肉兴奋产生的电信号，相当于捕捉开工的消息。超声则能进一步观察内部结构，包括一束束肌纤维组成的肌束，正在怎样伸缩。但把超声带到可穿戴机器人上，并不轻松。探头要固定，设备要供电，图像还要及时处理。能在实验室测清楚，并不等于适合长期跟着人走。

这些肌肉内部的变化，能不能换一种更便于穿戴的方式来测？

研究团队选择了电阻抗肌描记术（EIM）。它通过贴在皮肤上的电极，向组织施加低幅度的高频电流，再测量电压响应，计算组织的电阻抗。整个过程无需植入。

简单来说，这可以把它理解为让电流去“探路”。肌肉内部的结构和生理状态发生变化，电流通过时遇到的阻抗也可能改变。顺着这些变化，研究者便有机会判断肌肉正在发生什么。

工作概述

具体到这套系统，团队在小腿内侧的腓肠肌表面布置了六个电极，从两个方向、以两种频率采集信号，再从中提取肌束伸缩的信息。

这样一来，无需生成超声图像，也有机会追踪内部肌束的变化。对于可穿戴机器人，这意味着一种有望更易集成、功耗更低的传感方案。

02.

电极读到的，未必是你用了多大力

电极能捕捉肌肉的变化，但这些变化该怎么解读？

肌肉用力时，内部结构往往也在变化。电阻抗跟着变了，究竟反映的是力量，还是肌束的伸缩？这两件事经常同时发生，很容易混在一起。

此前，已有研究尝试用电阻抗估算肌肉力量。这次，团队要把两者的关系拆开看。他们招募了10名健康成年人，让受试者改变脚踝角度，以不同程度用力。同时，用超声观察肌束，用肌电图记录肌肉激活，再用测力计记录踝关节力矩，与电阻抗信号对照。

脚踝固定在一个角度时，结果很漂亮：用力程度变化，阻抗信号也随之变化，两者高度相关。可一换姿势，这套“力量刻度”就不那么可靠了。

把不同角度的数据放在一起，同样的阻抗读数，可能对应不同的关节力矩。也就是说，只看这条信号，无法直接判断人用了多大力。

相比之下，肌束长度与阻抗的联系更稳定。跨越不同测试角度，这种关系依然存在。这里有个反直觉的细节：脚踝不动，肌束也可能在缩短。因为肌腱具有弹性，关节被固定，并不意味着肌肉内部也被完全“锁住”。

电极捕捉到的，就包括这些外面看不见的伸缩。这让研究者找到了更明确的解读方向——电阻抗中包含肌束变化的信息；要进一步判断力量，还需要结合姿势等条件。

对可穿戴机器人来说，这个发现很实用。人走路时，关节角度不断变化，固定姿势下建立的对应关系未必够用。而追踪肌束伸缩，为机器人了解人体状态提供了另一条线索，也为后续结合生物力学模型估算力量打下了基础。

03.

站起来走，换个人测，还能读懂吗？

接下来，团队把测试搬上跑步机。对可穿戴机器人而言，这一关更接近实际使用场景。人要动起来，传感器也得跟得上。

走路时，肌肉不断伸缩，激活程度随步态变化，电极下方的组织也会相对移动。多种变化叠在一起，信号比固定姿势下复杂得多。

怎样从中找出肌束伸缩的线索？团队把两种频率、两个方向采集的数据组合起来，再通过主成分分析，提取其中主要的变化模式。简单理解，就是从多条起伏的曲线中，找出共同的变化规律，再与超声记录对照。

在最终纳入分析的9名参与者中，提取出的相应信号成分与肌束长度相对变化的相关系数达到0.83。

这说明，肌束伸缩的信息没有被走路时的复杂变化淹没，仍然可以从电极信号中提取出来。

但能读懂一个人，还不够。每个人的肌肉结构、走路习惯都有差别，换个人戴上，原来的方法还能用吗？

团队又加了一道考题。他们用其他参与者的数据建立关系，再去估计那个未参与建模的人。结果显示，在这组小样本中，方法具有一定的跨人泛化能力。

这对后续应用很有意义。如果每换一个使用者，都要重新采集大量数据、建立一套模型，设备的使用门槛就会提高。这次验证为减少这类负担提供了线索，但还需要更大规模、更多样的人群测试。

目前，这套方法更擅长追踪肌束“比原来长了多少、短了多少”。要确定肌束的绝对长度，仍可能需要个人校准；对肌肉激活的识别，也没有同样稳定。

总的来说，它已经能跟踪行走中的部分肌肉变化，距离完整读取肌肉状态还有一步。

04.

读到了肌肉变化，机器人怎么用？

这项研究对可穿戴机器人研发的启示，可以落到一个具体问题上：控制器能不能多拿到一点来自肌肉本身的反馈？

以踝关节外骨骼为例，它如果同时知道关节怎么转、肌束怎么伸缩，就有机会利用已有的生物力学模型，更细致地估计人体状态，为助力时机和力度提供依据。

再与肌电图结合，还可能同时观察肌肉兴奋的信号和随后的结构响应。尤其当疲劳等因素改变两者的关系时，多一路信息，就多一种核对身体状态的办法。

对开发者而言，值得关注的也因此不只是“又多一种传感器”。这项研究解释了信号与肌肉行为的联系，为后续选择控制模型、组合传感信息提供了依据。

不过，传感能力还没有变成助力成绩。论文只做了离线分析，尚未用这套信号实际控制外骨骼，也没有报告步行能耗下降。实验主要针对健康青年在每秒0.75米速度下慢走；快速运动、长期佩戴，以及患者使用的表现，都需要继续验证。

接下来真正值得期待的，是把这条信号接入机器人，看看它能否带来更合适的助力。从实验室的角度，六个电极读出了肌束变化；从机器人研发的角度，它们指向了一个更有意思的目标——让穿在身上的机器，能够根据肌肉实际发生的变化，调整自己的动作。

论文链接：https://www.science.org/doi/10.1126/scirobotics.aea4580