Science Robotics / Research Article

On prosthetic control: A regenerative agonist-antagonist myoneural interface

作者：S. S. Srinivasan, M. J. Carty, P. W. Calvaresi, T. R. Clites, B. E. Maimon, C. R. Taylor, A. N. Zorzos, H. Herr · 单位：Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA 02139, USA, Center for Extreme Bionics, MIT Media Lab, Massachusetts Institute of Technology, Cambridge, MA 02139, USA, Department of Plastic and Reconstructive Surgery, Brigham and Women’s Hospital, Boston, MA 02115, USA, Department of Media Arts and Sciences, Massachusetts Institute of Technology, Cambridge, MA 02139, USA · 来源：Science Robotics · 发布日期：2017-05-31 · DOI：10.1126/scirobotics.aan2971

仿生机器人机器人

精读笔记

Problem Setting

【On prosthetic control: A regenerative agonist-antagonist myoneural interface，Science Robotics / 2017】这篇论文面对的核心问题不是假肢机械本体不够先进，而是截肢手术本身把神经控制问题变成了一个劣质接口问题。传统截肢后，远端运动神经没有合适终末器，残余肌肉位置深、信号混杂，原本用于关节控制的 agonist-antagonist 结构被切断；于是高级假肢需要多自由度、稳定、可分离的控制输入和状态反馈，但残肢只能提供弱、低维、非自然的信号。关键矛盾是：现代假肢越来越像机器人系统，要求 closed-loop control；而传统残肢被外科上处理成一个主要用于承重和套筒适配的软组织残端，缺少闭环控制所需的生物接口结构。

Motivation

作者真正抓住的缺口是：已有神经接口大多在“读出意图”上做文章，却没有恢复“产生本体感觉”的生物机械条件。直接神经电极理论上最接近神经信号，但微伏级信号、炎症反应、fascicle 选择性和长期稳定性都很难；TMR 把信号转到肌肉上，改善 readout，但需要改造/牺牲可用肌肉，也没有恢复拮抗肌之间的动态拉伸关系；RPNI 更优雅，使用再生肌肉 graft 作为神经信号放大器和 neuroma 处理手段，但标准 RPNI 仍然是单个 nerve-end-organ 单元，缺少 joint-like biomechanics。作者的动机不是再做一个更好的 EMG amplifier，而是把“截肢残端”重新设计成一个能承载 efferent + afferent 双向信号的生物控制器。

Core Idea

AMI 的核心思想是：不要把残肢神经接口建模成纯电接口，而要建模成一个小型再生的肌肉-肌腱-神经动力系统。两个自由肌肉 graft 分别被截断的 flexor/extensor nerve 重新支配，再通过肌腱连接成 agonist-antagonist pair。这样一侧神经激活导致肌肉收缩并产生可记录 EMG，另一侧因机械耦合被拉伸并通过肌梭等 mechanotransducers 产生 afferent 信号。这个结构相当于在残肢内重建一个 proxy joint controller。

本质区别在于，它不是把神经信号“转译”为机器可读信号后再人为构造反馈，而是让生物组织本身承担一部分编码工作：肌肉负责神经放大，肌腱连接负责状态耦合，肌梭/GTO 负责把机械状态转为神经反馈。这是一个很强的 inductive bias：用原生 neuromuscular mechanics 对控制和反馈的 latent structure 进行约束，而不是完全依赖外部解码器或人工刺激模式。

Method

关键机制可以压缩为三层。

第一层是再生终末器：将 transected peripheral nerves 接入去神经、去血管化后移植的小肌肉 graft。它解决的是直接神经记录信号弱、神经末端无靶器官易形成 neuroma 的问题；核心变化是把神经活动转换成毫伏级肌电信号，同时给神经一个生物学上合理的再支配目标。

第二层是 agonist-antagonist 机械耦合：两个 graft 通过 tendon-tendon coaptation 连接。它解决的是单个 RPNI 缺少关节状态生成机制的问题；核心变化是让一侧激活必然改变另一侧长度/张力，从而恢复类似自然关节中肌肉对之间的互信息结构。

第三层是隔离与可运动性：肌腱连接和筋膜表面布置同时服务于两个目标——电/神经上的隔离，以及力学上的滑移。没有隔离，两个 graft 不能作为独立控制通道；没有滑移，收缩不能可靠转成 antagonist stretch，也就不会产生有意义的 proprioceptive afference。

文中关于未来假肢系统的 EMG readout、FES feedback、sonomicrometry 估计 fascicle state、Hill model 估力等属于合理但尚未闭环验证的系统设想。它们说明 AMI 可嵌入更完整控制架构，但不是本文已证明的能力。

Key Insight / Why It Works

这篇最有价值的 insight 是：对假肢控制而言，肌肉不是简单的 EMG signal source，而是一个生物信号放大器 + 机械状态编码器 + 感觉转导器。传统接口把这些功能拆散后再试图用电子系统补回来；AMI 则把其中一部分交还给组织本身。

为什么可能有效？因为自然运动控制中的 proprioception 很大程度依赖肌肉长度、速度和张力的生物机械转导。只要再生 graft 中存在可工作的 mechanoreceptors，并且 agonist contraction 能稳定拉伸 antagonist，那么 afferent pathway 就不需要从零设计复杂编码；它利用的是 CNS 原本就能处理的肌肉-神经信号形式。这里的贡献更接近 better inductive bias / latent structure restoration，而不是 scaling、数据覆盖或复杂解码器。

最可能的核心贡献是“机械耦合的再生 RPNI”：单个 RPNI 已经能放大神经信号，AMI 的新增信息在于把两个 end organs 组织成一个互相施加状态约束的对偶系统。tendon-tendon coaptation 的选择也不是小实现细节，而是决定该结构能否同时做到 force transmission 和 electrical/neural isolation。

相对次要的是论文中提出的未来控制器实现。FES 如何闭环调制、如何估计 AMI force、如何映射到多自由度假肢，这些都还停留在架构推演层面。文中没有证明这些 controller 会比现有 myoelectric control 在真实任务中更好。真正被证明的是 AMI 的生物物理可行性，而不是完整 prosthetic control stack 的优越性。

需要直接指出：ENG 随 antagonist stretch 增加并不等价于“恢复自然本体感觉”。它说明存在 stretch-correlated afferent activity，但 CNS 是否能把它解释为 phantom joint position/torque，是否有足够分辨率、稳定性和 embodiment 增益，文中未充分说明。

Relation To Prior Work

AMI 最接近 RPNI 和 TMR，但它不是二者的简单替代。TMR 的实质是重新布线，把截断神经接到较浅表的去神经肌肉上，用肌肉作为 readout site；它改善 efferent control，但受限于可用肌肉和缺少自然拮抗反馈。RPNI 更模块化，用小肌肉 graft 作为神经末端放大器，避免牺牲功能肌肉，也有 neuroma 处理优势；但标准 RPNI 是 isolated channel，没有 joint-level mechanical relation。

AMI 可以看作 RPNI 谱系上的结构性扩展：从“单神经-单肌肉放大器”扩展为“成对神经-成对肌肉-机械耦合控制单元”。它真正新增的是 agonist-antagonist 关系和 proprioceptive signal generation，而不是再生肌肉 graft 本身。与直接神经刺激/记录路线相比，AMI 的路线选择更保守但更生物兼容：不追求高密度 fascicle-level decoding，而是用肌肉端器官进行前端转换，牺牲一部分直接性，换取信号幅值、稳定性和生理编码结构。

也可以把它放在“外科重构作为神经接口设计”的技术谱系里：不是单纯改传感器或算法，而是先改变身体残端的可观测性和可控性。这个方向的价值在于，很多 prosthetic control 问题不是算法后端能完全补救的，接口物理层的组织结构决定了上限。

Dataset / Evaluation

评估是小鼠模型的机制验证，不是 prosthetic task benchmark。n=7，4–5 个月再生后做力学、电生理和组织学测试。覆盖范围集中在 AMI 是否能形成、是否再支配、是否产生独立 EMG、是否有耦合拉伸、是否有 stretch-correlated ENG，以及组织中是否存在神经再生和肌梭样结构。

这套 evaluation 对论文最保守的 claim——“AMI 是可行的双向信号架构”——支持较强。尤其是切断 tendon linkage 后 afferent activity 消失，是比较关键的因果对照，说明信号不是单纯刺激 artifact 或电串扰。

但它并没有验证更强的系统 claim：没有真实假肢闭环控制任务，没有人类主观感觉报告，没有长期植入传感/刺激系统，没有多自由度并行 AMI，也没有与 TMR/RPNI 在同一控制任务上的性能比较。因此，论文标题中的 prosthetic control 更像是方向性定位；本文实验证据主要仍是 preclinical interface feasibility。

Limitation

最核心限制是从“有 afferent ENG”到“有可用 proprioception”的跨越没有被实验证明。肌梭存在、ENG 随拉伸单调变化，只能说明这个组织块可能产生某种机械相关神经活动；它是否被 CNS 解释为关节位置、速度或力，文中未充分说明。

第二，scalability 有真实上限。作者强调每个 AMI footprint 小、可为多个 DOF 构建，但多 AMI 系统需要更多残肢空间、更多可用神经、更多稳定传感/刺激通道，并且要防止机械串扰、瘢痕固定和信号混杂。多自由度假肢真正难的是长期稳定的高维闭环映射，AMI 只是把接口物理层改善了，并没有自动解决控制策略和感觉融合问题。

第三，长期人类 deployment 的关键工程问题基本未解决：传感器如何慢性封装，FES 是否导致疲劳，肌肉 graft 长期 atrophy/hypertrophy 如何影响 calibration，皮下位置是否适合不同残端解剖，瘢痕和 socket 压力是否改变 excursion，这些都可能决定临床效果。

第四，增益归因未来可能会混在一起。若人类 AMI 假肢表现更好，提升可能来自更清晰的 EMG 通道、训练适应、控制算法、植入传感器、FES feedback，还是真正自然 proprioception，必须通过 linked vs unlinked graft、feedback on/off、matched controller 等实验拆分。当前论文还不能归因到最终功能收益。

第五，该方法并非纯算法式 generalization，而是强依赖外科条件和组织再生能力。糖尿病、外周神经病变、血供差、创伤残端空间不足等患者群体可能不适合；作者提到除 neuropathic diseases 外风险低，但真实适应症边界仍未充分说明。

Takeaway

  • 1. 这篇真正推动的是“把截肢手术本身作为神经接口设计的一部分”，而不是在既有残端上继续堆传感器和解码器。
  • 接口物理层的结构重构可能比后端算法优化更能改变上限。
  • 2. 最可迁移的 insight 是：如果目标是恢复闭环控制，不应只读出 motor intent，还要恢复产生 state-dependent afference 的物理机制。
  • 对其他神经假体/康复机器人问题，这意味着要优先设计能让生物组织自然编码状态的结构，而不是完全依赖人工反馈编码。

一句话总结

AMI 是 RPNI/TMR 之后把外科神经接口从单向肌电读出推进到生物机械闭环代理的一步，真正贡献在于用再生 agonist-antagonist 结构恢复控制与本体感觉之间的物理耦合，而不是单纯做更强的 EMG 接口。