AnyBody　適用例

概要

在日常生活中，我们经常无意识地重复执行走路、坐着、站着等各种动作。这些动作是通过精细控制我们体内600多块肌肉来实现的。然而，关于“如何控制这600多块肌肉”的问题，至今仍未完全明了。这个问题被称为伯恩施坦问题（Bernstein's problem），是运动生物力学领域的一大难题。

近年来，肌肉协同假说（Muscle Synergy Hypothesis）因其能够较好地解释伯恩施坦问题而受到广泛关注。根据这一假说，并不是每一块肌肉都被单独控制，而是少数功能上相互连接的肌肉活动模块，即“肌肉协同”，被控制。在运动过程中，可以通过非负矩阵分解（Non Negative Matrix Factorization: NNMF）等方法识别这些肌肉协同。

肌肉协同分析通常依赖于肌电图（EMG）数据。然而，从理论上讲，也可以利用骨骼肌肉模型分析得到的肌肉活动数据。尽管如此，利用肌肉骨骼模型计算出的肌肉活动数据进行肌肉协同分析的先例却非常少。如果可以利用肌肉骨骼模型分析得到的肌肉活动数据进行肌肉协同分析，那么在难以测量EMG的环境或动作任务中进行肌肉协同分析将成为可能，这将是一个巨大的优势。因此，本次尝试验证是否可以使用AnyBody计算出的肌肉活动数据进行肌肉协同分析。

分析步骤1：使用AnyBody获取肌肉活动数据

使用AnyBody计算步行动作时的肌肉活动量。在本次分析中，我们选择了26块肌肉的肌肉活动量作为分析数据，这些肌肉在肌肉协同分析中常被作为研究对象。

这些肌肉包括：胫骨前肌、腓肠肌、比目鱼肌、腓骨肌、股内侧肌、股外侧肌、股直肌、缝匠肌、 股二头肌、半腱肌、长收肌、阔筋膜张肌、臀大肌、臀中肌、腹外斜肌、腹内斜肌、背阔肌、 髂腰肌、 腹直肌、竖脊肌、肱二头肌、肱三头肌、三角肌、斜方肌、胸锁乳突肌、夹肌。

解析步骤2：执行肌肉协同分析

在肌肉协同分析中，我们基于这样一个假设：“肌肉活动量是由少数几个功能上相互连接的模块——即‘肌肉协同’——所产生的”。肌肉协同被认为由两个要素构成：第一，肌肉连接模式，它描述了各块肌肉如何协同工作；第二，时间变化模式，它展示了肌肉连接模式在动作过程中的使用时机。

图1. 肌肉协同作用与肌肉活动量之间的关系

然而，根据现代测量技术，直接测量运动中的肌肉协同是不可能的。这时，非负矩阵分解（NNMF）扮演了重要角色。利用NNMF，我们可以从肌肉活动数据中识别出肌肉协同的肌肉连接模式和时间变化模式。

图2. 利用非负矩阵分解（NNMF）确定肌肉协同的流程

在本次分析中，我们将NNMF应用于AnyBody分析得到的肌肉活动数据，以执行肌肉协同分析。

结果

将NNMF应用于AnyBody计算出的肌肉活动数据后，我们成功识别出了5个肌肉协同。下图展示了这些肌肉协同的肌肉连接模式和时间变化模式。

图3. 识别出的肌肉协同的肌肉连接模式

图4. 识别出的肌肉协同的时间变化模式

解释

参考以往使用EMG数据进行肌肉协同分析的研究，我们了解到在步行动作中通常可以识别出3到5个肌肉协同。仅从肌肉协同的数量来看，基于骨骼肌肉模型分析的肌肉协同分析结果与基于EMG的肌肉协同分析结果是一致的。

本次验证的意义

通过本次验证，我们了解到即使基于骨骼肌肉模型分析的肌肉协同分析也能够识别运动中的肌肉协同。尽管本次验证是初步的，但通过进一步深化这一验证，我们认为可以实现以下目标：

・在难以测量EMG的环境或动作任务中进行肌肉协同分析
・基于骨骼肌肉模型的神经系统功能解析
・基于肌肉协同信息的机器人服装等设备的开发