《Frontiers in Neuroscience》：Intelligent prosthetic hips and knees: from actuation to perception and control
编辑推荐：
本综述系统梳理了智能假肢髋/膝关节在驱动、感知与控制三大核心领域的最新进展。文章重点探讨了混合主动-被动驱动机制在模拟人体自然步态能量传递方面的优势，分析了基于机械信号、生物电信号（如sEMG）、生物力学信号（如FMG）及外部环境信号的多源信息融合意图识别策略，并对比了轨迹跟随、力矩补偿与直接意图控制等智能控制方法的优缺点。最后指出实现髋-膝协同混合驱动、人类自主意志控制及人-机-环境双向闭环交互是未来提升假肢自然性与适应性的关键方向。
智能假肢髋关节与膝关节的技术演进
智能假肢髋关节与膝关节的核心目标是通过仿生设计恢复下肢截肢者的自然步态功能。当前研究聚焦于驱动机制、感知技术与控制策略的协同创新，以解决高能耗、意图识别延迟及环境适应性不足等关键技术瓶颈。
驱动机制：从被动阻尼到混合协同
传统被动假肢依赖液压、气动或磁流变（MR）阻尼器产生适应性阻尼力矩，虽能耗低且稳定性高，但无法提供主动扭矩以应对复杂步态需求。主动假肢采用电机或气动肌肉作为驱动器，虽能输出高扭矩，却存在功耗大、噪音显著等问题。近年来兴起的混合主动-被动驱动机制通过模拟人体双关节肌群的双向能量传递特性，在步态周期不同阶段动态切换主动驱动与被动阻尼功能。例如，基于多腔液压缸与线性执行器的混合膝关节可在摆动期提供按需辅助，而远程运动中心（RCM）机构结合串联弹性驱动器（SEA）的髋关节设计，能精准复现解剖髋关节旋转中心，实现轻量化助力与可调刚度。未来研究需突破髋-膝关节间的能量流协同设计，以模拟半腱肌（ST）和股二头肌（BF）等双关节肌在步态中的能量回收机制。
运动意图识别：多源信号融合提升准确性
意图识别信号源包括机械信号（如关节角度、地面反力）、生物电信号（如表面肌电图sEMG）、生物力学信号（如肌肉收缩压力变化的力肌图FMG）及外部环境信号（如激光雷达、深度相机）。机械信号稳定性高但存在固有延迟；sEMG虽能直接反映中枢神经活动，却易受界面压力、汗液干扰且信号非平稳性强；FMG通过测量肌肉收缩时的压力变化，具有抗干扰能力强的优势，但在下肢假肢中尚处探索阶段。外部环境信号可提前预测地形变化，但易受肢体运动遮挡影响。多源信息融合成为解决单一信号局限性的关键路径，例如结合FMG与惯性测量单元（IMU）的感知系统，通过CNN-BiLSTM模型实现高精度运动模式识别与过渡预测。
智能控制策略：从轨迹跟踪到自主意志驱动
控制方法主要包括运动跟随控制、力矩补偿控制及直接意图控制。运动跟随控制通过映射健侧肢体轨迹或预定义轨迹实现步态对称性，但适应性差；力矩补偿控制基于有限状态机（FSM）的阻抗控制，将关节模拟为虚拟弹簧-阻尼系统，需针对不同用户和活动精细调参；直接意图控制利用sEMG或FMG等信号直接映射至关节运动参数，使假肢响应使用者的连续意志指令。例如，基于高斯过程回归的模型可估计髋、膝、踝关节力矩，但实时性仍是挑战。未来需开发自适应解码机制，使截肢者能通过残肢肌肉激活状态直接调控假肢行为。
发展趋势：人-机-环境智能协同
智能假肢系统的终极目标是实现物理与认知层面的双向闭环交互。在驱动层面，需构建髋-膝协同的混合主动-被动能量补偿系统；在感知层面，融合肌肉收缩信息与环境上下文数据，提升意图识别的鲁棒性；在控制层面，通过感觉反馈（如振动触觉、电刺激）增强用户对假肢状态的感知，形成双向控制环路。尽管植入式神经接口已展示感知反馈对运动策略的调控潜力，但其安全性与临床普及性仍待突破。未来研究应聚焦于轻量化、低功耗的硬件设计与自适应智能算法的深度融合，最终助力截肢者获得更自然、高效的移动能力。
