基于帕累托原理的诊断与选择方法：用于未测量肌肉激活重建中的力学-协同效应权衡 作者：江伯贤（Po-Hsien Jiang）与詹魁源（Kuei-Yuan Chan）

《Chemosensors》：Pareto-Based Diagnostics and Selection for Mechanics–Synergy Trade-Offs in Unmeasured Muscle Activation Reconstruction Po-Hsien Jiang and Kuei-Yuan Chan

肌肉激活轨迹重建方法通过协同性启发和物理约束，利用非负矩阵分解提取协同基，结合多目标优化最小化关节力矩误差与协同性偏离，解决稀疏测量下的不确定性问题。

　　

摘要

背景：从稀疏测量数据中重建完整的肌肉激活轨迹是一个不确定性较高的问题：许多不同的激活模式都可能导致相似的关节力矩结果，而纯粹基于机械原理的逆向计算方法可能会得出不符合生理规律的解。方法：我们提出了一种基于协同作用和物理约束的框架，用于在仅观测到部分肌肉活动的情况下重建未测量的肌肉激活情况。首先通过非负矩阵分解（NMF）从代理激活数据中识别出协同作用基础，然后从测量到的信号通道中估计出随时间变化的协同激活信号。接着利用受限约束的多目标优化算法来求解未测量的肌肉激活情况，该算法同时最小化（i）OpenSim正向计算得到的关节力矩与逆动力学计算结果之间的归一化误差，以及（ii）与协同作用先验的偏差；此外还包含一个可选的平滑处理步骤。结果：在已知真实数据的OpenSim Arm26（2自由度）仿真案例中进行验证表明，采用第一阶段帕累托优化后的选择方法，将归一化关节力矩误差从0.154（仅使用协同作用先验时）降低到了约0.138，但代价是使得结果与协同作用先验的偏差增大。这些帕累托分析揭示了在数据稀疏且真实数据不可用的情况下，肌肉激活的可识别性和选择过程的敏感性。结论：所提出的框架明确了力学效应与协同作用之间的权衡关系，并为数据稀疏的测量场景提供了结构化的诊断方法和选择指导。