Abstract
This paper provides an overview of forward dynamic neuromusculoskeletal
modeling. The aim of such models is to estimate or predict muscle forces,
joint moments, and/or joint kinematics from neural signals. This is a four-step
process. In the first step, muscle activation dynamics govern the transforma-
tion from the neural signal to a measure of muscle activation—a time varying
parameter between 0 and 1. In the second step, muscle contraction dynamics
characterize how muscle activations are transformed into muscle forces. The
third step requires a model of the musculoskeletal geometry to transform muscle
forces to joint moments. Finally, the equations of motion allow joint moments to
be transformed into joint movements. Each step involves complex nonlinear
relationships. The focus of this paper is on the details involved in the first two
steps, since these are the most challenging to the biomechanician. The global
process is then explained through applications to the study of predicting iso-
metric elbow moments and dynamic knee kinetics.
本篇文章提供一个forward dynamic neuromusculoskeletal
model，目的是利用神经信号（neural signals）预测或者估计 muscle forces(肌肉张力)、joint moments(关节力矩)、joint kinematics(关节运动学)。
过程分为四步
1.肌肉激活动力学 govern 神经信号到肌肉激活的measure的转换（一个0-1之间的随时间变化的参数）。
2.肌肉收缩动力学告诉我们肌肉激活是如何转为肌肉张力的。
3.需要一个肌肉骨骼模型来将肌肉张力转化为关节力矩。
4.the equations of motion(运动方程式），将关节力矩转化为关节运动。
应用于预测等距肘关节力矩和动态膝关节动力学的研究。
该团队将对由神经系统控制的肌肉和骨骼系统产生的运动建模。
研究人体运动的生物力学有两种方法：正向与反向的动力学。
EMG-Based Forward Dynamics
正向动力学的方法中，输入是神经命令，决定了肌肉激活的程度，神经命令可由EMG信号获取，也可以通过优化或模型来估计。
EMG信号的大小由神经命令要求改变肌肉的力量有关，但很难将来自一个肌肉二队EMG的绝对幅度与另一块肌肉的绝对幅度进行比较。所以需要处理EMG信号，将其转化为一个叫肌肉激活的参数。
肌肉收缩动力学，控制 a i a_i ai到 F i F_i Fi 的转化，之后再将F传递到骨骼。也叫做肌肉肌腱力。
力矩 力矩 力矩= ∑ ( 肌肉肌腱力 × 各自的力臂 ) \sum{(肌肉肌腱力×各自的力臂)} ∑(肌肉肌腱力×各自的力臂)
肌肉骨骼决定了肌肉的力臂，肌肉的力臂不是一个恒定值，根据关节的角度的函数而变化。每个关节的多个自由度，因为肌肉可能在关节处有多个动作。
该变换的输出是每个关节（或者更准确地说，每个自由度）的力矩。
多关节动力学可用于计算关节的加速度、速度和角度。
在反馈方面，神经命令通过肌梭受到肌肉长度的影响，通过高尔基肌腱器官受到肌腱力的影响。
————————————————————————————————2023-3-7