引言：从传统假肢到神经接口的范式转变
人类能够准确感知自己肢体的位置、速度和扭矩，即使闭上眼睛也能做到。这种被称为本体感觉的能力，使得人类能够精确控制身体运动。然而，传统的假肢无法向神经系统提供反馈，截肢者无法感知假肢关节的位置、速度和扭矩，这使得控制运动变得困难。
MIT Media Lab 的研究人员发明的拮抗肌对神经接口（Agonist-antagonist Myoneural Interface, AMI），正是为了解决这一根本问题。AMI 通过在截肢残端内连接拮抗肌对，恢复截肢者的本体感觉。在完整的生物肢体中，本体感觉是由作用于同一关节的拮抗肌对中的生物传感器介导的。为了在截肢残端中复制这种反馈，AMI 由两块肌肉组成 —— 主动肌和拮抗肌 —— 机械连接；当主动肌收缩时，拮抗肌被拉伸，反之亦然。
AMI 系统的技术架构与信号处理挑战
1. AMI 的神经机械转导机制
AMI 的核心创新在于其神经机械转导架构。在截肢手术过程中，外科医生通过在截肢残端内连接肌肉对来创建 AMI。可以创建多个 AMI 肌肉对，用于控制和感知多个假肢关节。放置在每块 AMI 肌肉上的人工肌肉电极与先进仿生肢内的小型计算机通信，控制仿生关节的运动。
当仿生肢移动时，AMI 使截肢者能够感受到其位置和运动。在第一个人类实施中，研究人员在患者膝盖以下截肢时，在其残端内手术构建了两个 AMI。每个 AMI 向机器人踝足假肢的一个关节发送控制信号，并将与该关节运动相关的本体感觉信息提供回患者的中枢神经系统。
2. 实时信号处理的核心挑战
实现 AMI 系统的精确闭环控制面临多重信号处理挑战：
信号干扰问题：经皮神经电刺激（TENS）是用于感觉反馈的有前途的方法，但 TENS 电流会通过皮肤传输并干扰表面肌电图（sEMG）信号，产生 "伪影"。这种伪影会降低意图估计的性能。
频带重叠：sEMG 信号和 TENS 都在低于 500Hz 的频带内，这使得频率分离变得困难。TENS 的方波双相形式在通过手臂时会发生变化，这种转变受到传感器位置、手臂姿势、TENS 参数等因素的影响。
实时性要求：闭环控制系统需要实时处理信号，延迟必须控制在可接受范围内。研究表明，100ms 的延迟阈值在机器人领域被认为是实时操作的可接受标准。
自适应滤波器的工程化设计
1. 最小均方自适应滤波器架构
针对 TENS 伪影去除，研究人员提出了基于最小均方（LMS）的自适应滤波器。该系统的关键过程是通过自适应滤波器从参考信号计算估计噪声，然后从输入信号中减去计算出的估计噪声以创建假设信号。
LMS 方法通过使用 Wiener-Hoff 方程更新滤波器系数，最小化误差。当使用基于 LMS 的自适应滤波器时，选择正确的参考信号至关重要。为了遵循相关性原则，研究人员实现了三个关键修改：
多延迟参考信号：基于 sEMG 具有零均值高斯分布的知识，利用多个过去的伪影来很好地恢复伪影。
脉冲宽度补偿：设计系统以消除来自频率 / 脉冲宽度变化反馈的伪影。
滤波器分离：分离伪影残留时间范围以选择性地消除和快速收敛滤波器系数。
2. 关键技术参数优化
伪影持续时间：伪影持续时间约为 3ms，根据每个通道、脉冲宽度等而变化，但持续时间短于 10ms，这是开发的 TENS 板的最小操作周期。这是因为人们通常可以耐受的 TENS 最大脉冲宽度约为 500μs。在本研究中，伪影的残留时间设置为 5ms（r=50 个样本）。
延迟信号数量：通过仿真实验验证，使用 10 个延迟信号作为参考信号通常能获得最佳性能。归一化均方根误差（NRMSE）随着延迟信号数量的增加而普遍呈下降趋势，但在 5 到 10 个延迟信号之间观察到最显著的统计差异，最大的 NRMSE 降低在 10 个延迟信号时达到 6.57%。
脉冲宽度补偿参数：脉冲宽度补偿参数 α 经验设置在 100-150 范围内。应用该方法后，NRMSE 在每个实验和通道中从最小 7.3% 到最大 19.4% 不等。这证实了在脉冲宽度变化的情况下，使用脉冲宽度补偿有助于去除伪影。
实时闭环控制系统的实现
1. 系统通信配置
系统配置以主 PC 为中心，从主 PC 到微控制器（TMS320F28379D）的通信涉及电刺激的基本变量，如频率和脉冲宽度，遵循各种反馈场景。微控制器将这些变量通信到 TENS 板，TENS 板通过附着在人体皮肤上的电极控制 TENS。
sEMG 信号由信号采集板滤波，并通过 DAQ 板（PCIe-6363）传输到主 PC。研究人员设计了符合人体工程学形状的硬件，用于测量三个手指的屈曲力。这种设计包括在每个指尖附着称重传感器，使用户自然握拳时能够测量力。
2. 目标达成实验验证
研究人员实施了目标达成实验（TRE），这是一种带有视觉反馈的实时控制模拟器。该实验涉及基于测量的 sEMG 值操纵条形图，旨在精确控制其向任意目标的移动。
实验利用了手腕屈曲和伸展期间获得的 sEMG 信号。由于其由两块肌肉控制的对立运动，当一块肌肉被激活时，对立的肌肉几乎保持不活动，创建了与手腕意图高度相关的独立肌肉活动。
实验包括十六个任务，目标位置范围从 1.7 到 - 1.7，增量为 0.2，不包括 0.1 和 - 0.1。成功定义为条形图在目标值上方和下方 0.2 范围内保持 0.5 秒。任何超过 10 秒偏离此范围都被视为失败。
3. 性能评估指标
研究人员采用了四个性能指标来比较 TRE 中的在线性能：
完成率：成功完成任务的百分比。
完成时间：成功完成任务所需的时间。
轨迹效率：实际轨迹长度与从初始位置到结束位置的直接线性距离之间的比率。
超调：通过目标的次数。
实验结果显示，提出的方法在所有类别中显示出最佳结果，并接近实现目标。在没有 TENS 和提出的方法之间，成功率分别为 98.75±2.64% 和 96.88±6.07%，成功时间分别为 3.88±0.70 秒和 3.84±0.66 秒。
工程化参数与监控要点
1. 实时处理延迟管理
提出的方法引入了大约 50-100ms 的延迟，这需要进一步的定量分析。先前的研究报告了延迟为 88/138ms 和 100-125ms 的方法，这与提出的方法观察到的延迟相似。由于该方法满足机器人领域实时操作普遍接受的 100ms 阈值，因此可以认为对于实时应用足够快。
2. 信号质量监控参数
信噪比改善：TENS 在信号的信号和噪声中产生相似水平的伪影，导致信噪比下降。提出的方法在所有通道的所有实验中平均增加信噪比 10.3dB。
伪影去除效率：通过时间频率图定性评估信号恢复。参考信号和提出的方法在所有部分显示相似的模式。然而，在伪影保留的 RE 和 FB 方法中，1）在发生 100Hz 伪影的开始和结束部分出现 100Hz 谐波，2）由于高频分量的消除，呈现了低频伪影的蓝色垂直模式。
3. 自适应滤波器的超参数优化
收敛系数：自适应滤波器的收敛系数在所有比较组中经验设置为相同的值。
脉冲宽度补偿参数 α：通过检查每个用户的信号确定 α 值；然而，没有基于此进行全面的性能分析。虽然 α 对脉冲宽度补偿的结果不高度敏感，但使用优化值可以提高性能。此外，用户之间的个体差异表明，个性化的 α 选择方法可以进一步改善结果。
系统集成与临床应用考虑
1. 硬件实现约束
设计的电路和系统具有小型化和低计算成本的特点，提出的系统可以在不修改的情况下在假肢手中实现。所有设计的电路都是小尺寸的，计算成本低，提出的系统可以在不修改的情况下在假肢手中实现。
2. 临床适应性参数
感觉阈值测量：由于 TENS 使用固定幅度，脉冲宽度是影响受试者感觉的最重要参数。如果脉冲宽度太短，受试者可能无法识别他们正在接受 TENS。另一方面，如果脉冲宽度太长，可能导致肌肉震颤或痉挛，引起不适。为了搜索这些边界，脉冲宽度在每个步骤中增加 10μs，以测量受试者最初感知 TENS 的感觉阈值（ST），以及 TENS 变得不适的疼痛阈值（PT）。
力传感器校准：由于参与者之间的握力也存在差异，研究人员校准了称重传感器的测量范围并归一化了测量值。通过调整称重传感器放大器的增益，当参与者不施加力时，力传感器记录为零，当施加最大自主收缩（MVC）的 70% 时达到一。
局限性与未来发展方向
1. 当前系统的局限性
运动伪影处理：虽然已经证明了提出的自适应滤波器对于去除 TENS 诱导的伪影的有效性，但当前研究没有考虑运动伪影，这在现实世界应用中普遍存在。运动伪影由肢体运动和电极位移引起，可能显著影响信号质量，并对准确的伪影去除构成挑战。
定量评估指标：尽管进行了全面的方法论和实验验证来评估提出的方法的性能，但仍存在某些限制。一个显著的限制是缺乏额外的定量指标进行评估。在本研究中，旨在从 sEMG 和伪影同时测量的信号中去除伪影，与先前经常使用由混合 sEMG 和伪影组成的合成信号的研究不同。
2. 技术发展方向
多模态反馈集成：未来的研究可以探索多模态反馈策略，结合 TENS 与其他感觉反馈方法，如振动触觉反馈或温度反馈，以提供更丰富的感官体验。
机器学习增强：将机器学习算法集成到自适应滤波器中，可以进一步提高伪影去除的性能和适应性。深度学习模型可以学习复杂的伪影模式，并在变化的条件下提供更稳健的性能。
无线通信优化：随着无线技术的发展，未来的 AMI 系统可以采用更先进的无线通信协议，减少延迟并提高数据传输的可靠性。
结论
拮抗肌对神经接口代表了神经假肢领域的重大突破，通过恢复本体感觉实现了更自然、更直观的假肢控制。实时信号处理流水线的设计，特别是自适应滤波器的工程化实现，是确保系统性能的关键。
提出的基于 LMS 的自适应滤波器，通过多延迟参考信号、脉冲宽度补偿和滤波器分离等技术，在变化的 TENS 参数下实现了有效的伪影去除。实验验证表明，该方法在信噪比改善和实时控制性能方面均表现出色，延迟控制在 50-100ms 范围内，满足实时操作的要求。
然而，要实现 AMI 系统的广泛应用，仍需解决运动伪影处理、超参数优化和临床适应性等挑战。未来的研究应关注多模态反馈集成、机器学习增强和无线通信优化等方向，推动神经接口技术向更自然、更智能的方向发展。
通过精心设计的实时信号处理流水线，拮抗肌对神经接口不仅能够恢复截肢者的运动功能，更能实现真正的神经体现，让假肢成为使用者身体的一部分，这标志着人机交互新时代的到来。
资料来源：
- MIT Media Lab. "Agonist-antagonist Myoneural Interface (AMI)" - https://www.media.mit.edu/projects/agonist-antagonist-myoneural-interface-ami/overview/
- Lee, B., Kim, K.-S., & Cho, Y. (2024). "Real-time adaptive cancellation of TENS feedback artifact on sEMG for prosthesis closed-loop control." Frontiers in Bioengineering and Biotechnology.