《IEEE Transactions on Biometrics, Behavior, and Identity Science》：Restricted Receptive Fields for Face Verification
编辑推荐：
本研究聚焦于利用机器学习技术，作为传统高成本、高复杂度的物理驱动肌肉骨骼模型的替代方案，以估算下肢关节接触力。研究团队通过系统性综述，梳理了该领域近十年的文献，归纳了现有研究的局限性，如数据集的规模与代表性不足、验证方法不一致等，并指出了未来通过数据集扩展、方法标准化及融合物理信息模型来提升临床适用性的方向。
行走，奔跑，这些看似寻常的动作背后，是人体精密的肌肉骨骼系统与关节承受的复杂力学相互作用。准确测量下肢关节（如髋、膝、踝关节）在运动中所承受的力（关节接触力），对于理解正常步态、诊断关节疾病（如骨关节炎）、评估手术效果以及优化康复方案至关重要。传统的测量方法——仪器化三维步态分析，虽然是“金标准”，但往往只能提供运动学和地面反作用力等外部数据。为了深入了解关节内部的力学环境，物理驱动的肌肉骨骼建模与仿真成为有力工具。然而，这种方法对计算资源要求高、设置复杂且耗时，极大地限制了其在常规临床环境中的应用。面对这一瓶颈，研究人员开始寻求更高效、便捷的替代方案。机器学习（ML），凭借其强大的数据拟合与模式识别能力，被视为预测关节接触力的潜力股。那么，机器学习是否真的能胜任这一角色？目前的研究进展如何？又面临哪些挑战？一篇发表于《IEEE Transactions on Biometrics, Behavior, and Identity Science》的综述文章，为我们系统梳理了机器学习在估算人体下肢关节接触力方面的应用现状与未来。
为回答上述问题，研究人员开展了一项系统性的范围综述。他们依据PRISMA-ScR（系统评价和荟萃分析扩展版）指南，系统检索了2014年1月至2024年8月期间PubMed、IEEE Xplore、Scopus和SpringerLink数据库中的相关英文文献。纳入标准为应用机器学习技术估算人体下肢关节接触力并提供充分方法学细节的研究。最终，共有27项研究符合条件被纳入分析。数据提取通过标准化的图表形式进行，涵盖了研究人群、运动类型、输入数据、ML方法、验证程序和性能指标等多个维度。
主要研究结果
1. 研究现状的多样性
综述发现，现有研究在研究人群（如健康成人、患者）、运动类型（如平地行走、跑步、上下楼梯）、输入数据来源（如运动捕捉数据、肌电图信号、地面反作用力）、采用的机器学习方法（如人工神经网络、支持向量机、随机森林）、验证策略（如留一法交叉验证、独立测试集）以及性能评估指标（如均方根误差、皮尔逊相关系数）方面均表现出显著的异质性。这种多样性反映了该领域研究方向的广泛性，但也带来了模型比较和结论整合的困难。
2. 数据集与模型泛化能力的局限性
一个突出的共性问题在于数据集规模普遍偏小，且常常未能充分代表女性参与者。小样本数据集训练的机器学习模型，其泛化能力（即对新数据或不同人群的预测能力）受到严重制约，这直接影响到模型未来在多样化临床人群中的可靠应用。
3. 方法学标准化与可重复性的挑战
研究之间在验证方法和性能报告指标上缺乏一致性，加之许多研究未公开其原始数据和算法代码，严重阻碍了研究成果的可重复性、可验证性以及不同研究之间的公平比较。这构成了该领域科学严谨性和临床转化道路上的一大障碍。
4. 机器学习模型的预测潜力
尽管存在上述挑战，综合分析表明，机器学习模型在准确预测关节接触负荷和力方面展现出明确潜力。部分研究报道的预测结果与“金标准”仿真结果或有限数量的直接测量数据具有良好的一致性，证明了机器学习作为高效估算工具的可行性。
结论与讨论
本综述系统总结了机器学习在估算下肢关节接触力领域的研究图景。结论指出，尽管机器学习模型表现出令人鼓舞的预测精度和应用前景，但当前研究仍受限于数据集的规模与代表性不足、方法学缺乏标准化以及可重复性低等关键问题。这些因素共同制约了模型的临床可靠性与广泛适用性。
讨论部分强调了未来研究的几个关键方向：首先，必须致力于构建更大规模、更多样化（涵盖不同性别、年龄、健康状况和运动模式）的高质量数据集，以提升模型的泛化能力。其次，推动验证流程、性能评价指标和报告规范的标准统一，是确保研究可比性和科学严谨性的基石。第三，积极拥抱开放科学实践，共享数据与代码，将极大促进该领域的协作、验证与快速进步。最后，探索将物理定律或生物力学约束整合到机器学习模型中的“物理信息”机器学习方法，有望在保持计算效率的同时，增强模型的预测合理性与可解释性，从而更有效地弥合数据驱动模型与物理机理之间的鸿沟，加速其在临床评估、个性化医疗和康复工程中的实际应用。
