Science Robotics / Research Article

Closed-loop optogenetic neuromodulation enables high-fidelity fatigue-resistant muscle control

作者：Guillermo Herrera-Arcos, Hyungeun Song, Seong Ho Yeon, Omkar Ghenand, Samantha Gutierrez-Arango, Sapna Sinha, Hugh Herr · 单位：K. Lisa Yang Center for Bionics, MIT, Cambridge, MA, USA, Program in Media Arts and Sciences, MIT Media Lab, Cambridge, MA, USA, McGovern Institute for Brain Research, MIT, Cambridge, MA, USA, Harvard-MIT Division of Health Sciences and Technology (HST), MIT, Cambridge, MA, USA, Department of Biological Engineering, MIT, Cambridge, MA, USA · 来源：Science Robotics · 发布日期：2024-05-22 · DOI：10.1126/scirobotics.adi8995

飞行机器人机器人

精读笔记

Problem Setting

这篇论文真正面对的是 neuroprosthetic muscle actuation 的底层瓶颈：人工刺激能否像中枢神经那样对肌肉做低疲劳、连续、可预测的力调制。FES 的问题不是缺少闭环控制，而是刺激机制本身把 recruitment order 搞反了：大直径、快疲劳运动单位先被招募，导致低力区几乎“一上来就跳到高力”，后续 controller 只能在一个陡峭、非线性、快速疲劳的 actuator 上做补偿。

关键矛盾是：神经假体需要高分辨率小力控制和长时间可用输出，但传统电刺激最容易激活的恰恰是高力、易疲劳单元。论文的目标因此不是提出一个更强 controller，而是证明换成 FOS 后，肌肉本身的输入-输出结构变得更适合控制。

Motivation

已有 FOS 研究已经表明光遗传外周神经刺激可能更接近 orderly recruitment，但之前主要停留在轴突 latency、运动表现或 position control 层面。对于做 neuroprosthesis control 来说，缺的是 force-level map：刺激脉宽/频率/位置如何决定稳态力和动态力，FOS 的非线性和衰减能否被建模，模型能否用于实时闭环。

作者的动机很清楚：如果 FOS 只是“另一个刺激模态”，意义有限；如果它真的改变 motor unit recruitment 的物理机制，那么它应该在 recruitment curve、fatigue curve 和 closed-loop tracking 上系统性优于 FES。论文就是把这个假设从现象推进到控制框架。

Core Idea

核心思想是把 neuromodulation 的难点前移到 actuator physics：先让刺激机制更接近生理招募，再做模型逆和反馈控制。FES 控制长期受限，是因为电场-神经几何决定的招募顺序与 size principle 相反；FOS 通过在神经元膜上表达光敏通道，使刺激阈值不再主要由外部电场和轴突直径支配，从而获得更渐进的 force recruitment。

与 prior FES controller 的本质区别在于，这里不是在同一个坏 recruitment curve 上做更复杂控制，而是改变输入空间的结构，使 pulse width 到 force 的映射更线性、更宽、更可逆。模型部分引入的 inductive bias 是：FOS 力动态由 recruitment static nonlinearity、opsin photocycle transient 和 muscle-tendon linear dynamics 组成。这个分解比黑箱辨识更有迁移价值，因为它把 FOS 特有误差源明确定位到 opsin dynamics。

Method

方法可以压缩为三个机制。

1. 用稳态 recruitment curve 定义控制可用性。作者不是只看峰值 twitch，而是看 2 秒刺激后的稳态力，因为 neuroprosthetic control 关心的是持续力输出。这个设计把评价从“能不能激活肌肉”转向“能不能分级控制肌肉”。

2. 把 FOS 特有的力衰减作为 opsin dynamics 建模。ChR2 在持续光照下存在 desensitization，表现为峰值后衰减到稳态。如果不建模，闭环会把它误认为普通肌肉疲劳或反馈误差。论文先用 exponential dynamics 解释该衰减，再将其等效并入三阶线性系统，使模型可逆、可用于 feedforward。

3. 用 inverse model + PI feedback 做实时闭环。feedforward 负责抵消可预测动力学，feedback 处理动物间差异、噪声和未建模残差。这里控制器本身并不新，关键是 FOS 的 actuator dynamics 足够可建模，使简单 model-based control 就能得到明显增益。

Key Insight / Why It Works

最重要的 insight 是：高保真闭环控制首先来自 recruitment mechanism，而不是 controller sophistication。FOS 之所以有效，是因为它改善了输入-输出曲线的 conditioning：低力区不再被 FES 的陡峭阈值压缩，控制信号有更大的有效动态范围；更多运动单位可被逐步接入；疲劳更低，因为低力任务不必过早动员大而快疲劳单位。

模型贡献的核心在于把 FOS 的“麻烦动态”变成可利用结构。ChR2 desensitization 看起来会降低控制性能，但一旦被显式建模，它反而可以通过 inverse dynamics 部分抵消。论文中 model-based FOS 显著优于 feedback-only FOS，说明 opsin/muscle dynamics 的前馈知识确实有用；而 model-based FES 增益不明显，说明问题不在于控制器不够强，而在于 FES actuator 本身太差。

哪些可能只是辅助？三阶 LDS 的具体形式、PI gain tuning、实时 2 kHz implementation 更多是 engineering。真正贡献不是某个控制算法，而是证明 FOS muscle 可以被组织成一个可辨识、可逆、低疲劳的 biological actuator。这里不是 scaling，也不是 data coverage；更像是 better inductive bias + 改变物理接口带来的 representation alignment：刺激输入空间和生理力输出空间更对齐。

Relation To Prior Work

这篇最接近两条线：一是传统 FES recruitment/model-based force control；二是早期 FOS peripheral nerve stimulation，包括 Llewellyn 的 orderly recruitment 和 Srinivasan/Herr 的 closed-loop FOS position control。

相对 FES 文献，模型结构并不颠覆：static nonlinearity + linear dynamics + inverse feedforward 都是经典思路。真正不同的是被建模对象变了，FOS 的 recruitment curve 更接近可控 actuator，opsin dynamics 成为新增物理环节。也就是说，这篇不是控制理论创新，而是 stimulation modality + biophysical modeling 的系统化。

相对既有 FOS 工作，新增信息是 force modulation characterization 和 fatigue-resistant force control。之前证明“光可以按较生理方式招募”或“可以做闭环位置控制”，但没有把 FOS 肌肉当作 force actuator 做完整辨识、逆模型和长时控制验证。这是实质推进。

Dataset / Evaluation

评估是体内小鼠实验，测量 lateral gastrocnemius 肌腱力，直接比较同类 FOS/FES 条件；这比只做离体肌肉或仿真有说服力。任务覆盖了 open-loop recruitment、频率响应、系统辨识、短时方波/正弦跟踪和长时疲劳控制，基本覆盖了论文核心 claim 所需的证据链。

但 evaluation 的外推边界很明显：单肌肉、等长、麻醉、短期急性实验，不等于真实 neuroprosthetic deployment。长时抗疲劳最关键，但样本量只有两个动物级别的 extended demonstration，统计上不足以支撑强泛化。闭环参考轨迹频率也偏低，更像验证 sustained force control，而不是复杂 locomotion 或 dexterous manipulation。总体上，实验充分支持 proof-of-principle，但还不能证明临床可扩展性。

Limitation

第一，成立前提很重：需要稳定、均匀、长期的 opsin expression，并且光能有效到达目标神经纤维。转基因鼠上的 Thy1-ChR2 表达不能代表人类外周神经 AAV 转导。

第二，FOS 的优势可能依赖刺激位置、光照几何和神经解剖。论文发现 distal stimulation 明显优于 proximal，这说明 FOS 不是简单“照哪里都行”。部署时神经运动、组织散射、封装、热限制都会影响有效输入空间。

第三，泛化到动态任务未证明。等长力控制避免了肌肉长度变化、关节动力学、负载扰动和反射环路。真实 prosthesis 里，模型参数会随姿态、疲劳、温度、组织状态变化，三阶逆模型可能需要在线自适应。

第四，增益归因仍有混杂。FOS 高力输出和抗疲劳可能来自更 orderly recruitment，也可能部分来自 FES extraneural electrode 无法接触深部 fascicle、光刺激覆盖更广、刺激参数选择差异。文中给出合理解释，但没有直接单运动单位层面的完整验证。

第五，临床上最大问题被转移到 gene delivery 和 optical hardware。论文解决了控制可行性，但没有解决长期免疫、opsin 毒性、植入式光源功耗/发热、红移 opsin 选择和多通道控制接口这些真正 translational bottleneck。

Takeaway

  • 1. 对 neuroprosthetic control，底层 recruitment physics 比 controller 复杂度更重要；坏 actuator 上的好控制器上限很低。
  • 2. FOS 的最大价值不是“无线/光学刺激”，而是把输入空间重新塑造成更接近生理 motor unit recruitment 的空间，从而提高可控性和抗疲劳性。
  • 3. Opsin dynamics 不能被当作噪声；它是 FOS 系统的核心 latent structure，必须进模型，未来不同 opsin 的选择应同时考虑 kinetics、疲劳、可逆性和控制带宽。
  • 4. 下一步真正有价值的不是再调 PI 或换复杂控制器，而是验证多肌肉动态控制、慢性植入、在线辨识和人类可转导/可照明接口。

一句话总结

这篇论文把 FOS 从“能激活外周神经的光遗传工具”推进为“可建模、可逆、低疲劳的神经肌肉 actuator”，其真正贡献在于改变 recruitment 物理机制而非提出新控制算法。