lxjz2021 056人体肌骨的多柔体系统动力学研究进展

第 52 卷第2期力学进展 2022 年 6 月
研究综述
人体肌骨的多柔体系统动力学研究进展
1,* 1 1 2 1
郭建峤王言冰田强任革学胡海岩
1 北京理工大学宇航学院, 飞行器动力学与控制教育部重点实验室, 北京 100081

2 清华大学, 航天航空学院, 北京 100084
摘要人体肌肉骨骼系统简称肌骨系统, 包括骨骼、骨骼肌与关节连接, 其力学模型是典

型的多柔体系统. 从多体动力学角度研究肌骨系统, 主要关注其在运动过程中的肌肉内力、
关节力矩及产生的动力学影响, 属于动力学与生物力学的交叉融合. 肌骨系统的多体动力学
模型已被广泛地应用于临床医学、竞技体育、军事训练、人机工程等诸多领域, 其仿真结
果可为提高人体运动能力、降低关节载荷与能耗、避免运动损伤、加快康复进程等提供重
要计算参考数据. 与此同时, 上述研究亦对肌骨动力学研究提出了许多新挑战. 本文综述了
人体肌骨多柔体系统动力学相关研究进展, 包括骨骼肌功能解剖与生物力学建模、神经与
肌肉控制理论、肌骨系统动力学问题与求解方法, 以及近年来肌骨多体动力学在步态分
析、飞行员抗荷动作、口颌手术规划等领域的典型应用. 与工程领域的机械多体系统相比,
人体肌骨多体系统具有肌肉内力主动性与肌肉控制冗余性两大特征. 现有骨骼肌模型难以
同时考虑肌肉的解剖结构、三维几何与肌力产生的生物化学机制. 已有大多数肌骨模型采
用静态优化假设消除肌肉冗余性, 忽略了肌肉与肌腱内力平衡及兴奋收缩耦联机制. 此外,
目前仍缺乏实现肌骨模型个性化的无创在体测试手段. 未来, 人体肌骨多体动力学研究将会
向更精确、智能、个性化的方向发展, 成为动力学与生物力学交叉的热点研究领域.
关键词肌骨系统, 多柔体动力学, 骨骼肌, 逆向动力学, 运动生物力学
中图分类号: O313.7 文献标识码: A DOI: 10.6052/1000-0992-21-056
收稿日期: 2021-11-19; 录用日期: 2022-01-17; 在线出版日期: 2022-01-19

* E-mail: guojianqiao@bit.edu.cn
引用方式: 郭建峤, 王言冰, 田强, 任革学, 胡海岩. 人体肌骨的多柔体系统动力学研究进展. 力学进展, 2022, 52(2):
253-310
Guo J Q, Wang Y B, Tian Q, Ren G X, HU H Y. Advances in flexible multibody dynamics of human
musculoskeletal systems. Advances in Mechanics, 2022, 52(2): 253-310
© 2022《力学进展》版权所有
254 力学进展 2022 年第 52 卷
1 引言
人体肌肉骨骼系统简称肌骨系统 (musculoskeletal system), 包括骨骼、骨骼肌与骨连接, 其

质量占人体总质量的 50% 以上 (郑思竞 1983). 骨骼构成人体的支架, 起到支撑、保护内部脏器
的作用. 骨骼肌包裹在骨骼外部, 通过附着点与骨骼连接, 并受神经支配; 它既是人体运动的原动
机 (Fung 1993), 又维持人体在外部载荷作用下的力学稳定性. 骨连接包括关节与辅助结构两部
分. 辅助结构主要由结缔组织构成, 其中, 韧带维持关节局部稳定性, 避免关节脱位; 软骨起到润
滑关节、缓冲冲击载荷的作用 . 从力学角度看 , 人体肌骨系统是典型的多柔体系统 (Alizadeh
et al. 2020), 其骨骼肌、韧带等运动部件均具有大范围相对运动和变形耦合的动力学特征
(Shabana 1997).
1.1 学科发展概述
人体肌骨系统动力学 (musculoskeletal dynamics), 主要研究人体在运动过程中产生的时变肌

肉内力、关节力矩及产生的动力学影响, 包括生物组织变形/失效、人体做功、人体与环境相互
作用等 (Yamaguchi 2005). 人体肌骨系统动力学建模与分析技术的进步, 离不开近年来运动生物
力学实验手段的蓬勃发展. 目前, 研究者已能够通过动作捕捉实验获取人体运动过程中的三维关
节运动, 测量各足所受合力、合力矩与足底压力空间分布, 同时采集靠近皮肤的表面肌群受神经
控制产生的生物电信号 (Winter 2009), 即表面肌电 (electromyography, EMG) . 然而, 由于人体系
统的复杂性以及科技伦理因素, 仅凭人体动力学实验无法完全解释人体运动系统的神经与肌肉
控制及肌肉驱动、承载与做功机制. 因此, 研究人体动力学仍强烈依赖计算机仿真手段.
自 20 世纪 90 年代以来, 力学界已初步构建起人体肌骨多体动力学建模的基本范式 (Hicks et
al. 2015). 鉴于骨骼是由胶原蛋白与羟基磷灰石构成的生物复合材料 (Fratzl 2007), 在绝大多数肌
骨模型中将骨骼简化为刚体, 仅在存在骨折风险 (Kłodowski et al. 2012) 时考虑其柔性小变形. 骨
骼肌与其他生物软材料不同, 即便不发生变形, 其内部肌原纤维亦能在神经刺激下通过滑动产生
主动肌力 (Hill 1938, Fung 1993). 骨骼肌的其他组织, 包括筋膜系统、肌腱等, 具有超弹性本构关
系, 仅能在被动拉伸条件下产生内力. 因此, 已有肌骨模型一般将骨骼肌用 Hill、Zajac 模型 (Hill
1938, Zajac 1989) 描述, 包含主动收缩元件与串、并联被动拉伸元件. 此外, 通常将韧带、软骨等
骨连接辅助结构视为超弹性体, 用非线性弹簧建模 (Blankevoort et al. 1991), 从而实现动力学模
型与肌骨系统解剖特征的对应.
目前, 力学界已开发出一系列肌骨动力学模型与计算软件. 其中, 最具代表性的肌骨模型是
Stanford 大学 Delp 教授团队建立的开源模型“OpenSim” (Seth et al. 2018), 如图 1(a) 所示. 截至
2021 年 11 月, 这一模型的下载量已达到 438 111 次, 是目前最受关注的人体力学模型. 丹麦 Aal-
borg 大学建立的 Anybody 模型如图 1(b) 所示, 其肌肉解剖精度达到肌束级, 并在脊柱 (de Zee et
al. 2007) 与口腔 (Andersen et al. 2017) 建模等方面具有优势. 美国 LifeModeler 公司依靠商业软
件 MSC Adams 开发了 LifeMOD 插件, 参见图 1(c). LifeMOD 已被世界著名医疗器械公司施乐
辉收购, 专门应用于人工关节数字化设计. 如图 1(d) 所示, 加拿大 British Columbia 大学针对人
第2期郭建峤, 王言冰, 田强, 任革学, 胡海岩 : 人体肌骨的多柔体系统动力学研究进展 255
a b


c d
图1
人体肌骨系统多体动力学模型 . (a) OpenSim 全人体模型 (Raabe & Chaudhari 2016), (b) Any-
body 全人体模型 (Bassani et al. 2017), (c) LifeMOD 全人体模型 (Kia et al. 2014), (d) ArtiSynth 口
颌模型 (Stavness et al. 2011)
体口颌系统开发了“ArtiSynth”工具 (Lloyd et al. 2012), 在肌骨模型中引入大变形柔性单元, 实现

了面部 (Stavness et al. 2011)、舌 (Stavness et al. 2012) 等软组织与肌骨系统耦合仿真. 然而, 这些
模型均基于西方人的解剖数据建立数据库, 其模型参数无法真实反映中国人肌骨系统具有的独
特属性 (例如: Lu Y et al. 2020), 肌肉生物力学参数亦偏离大多数健康中国人的参数范围. 此外,
上述肌骨动力学模型的求解内核不完全对普通研究者开放, 难以根据研究需求调整或实现复杂
问题的计算.
与机械系统动力学不同, 人体肌骨多柔体系统动力学的多数研究需求解逆动力学 (inverse
dynamics) 问题. 逆动力学一般需通过实验手段测定人体关节运动与外载荷, 分别作为肌骨模型
的运动学与外力输入, 求解肌肉内力与神经与肌肉控制问题. 这一方法的主要难点在于如何处理
关节肌肉控制的冗余性 (redundancy) . 冗余性是指人体关节的某一运动自由度同时受多条肌肉
控制, 满足关节动平衡条件的肌肉内力分配模式可能有无穷多组, 但神经与肌肉控制应满足某一
确定规律. 为了确定不同肌肉的内力, 绝大多数研究将肌肉的冗余控制视为求解最优化问题, 即
假设真实肌力分配应实现某一生理量最优. 然而, 人体运动应满足哪一优化目标, 尚未有确定答
案 (Ackermann & van den Bogert 2010). 另外, 肌骨动力学仿真预测的肌肉激活度 (muscle activa-
tion) 与实测表面肌电间仅在定性上相关, 定量上仍存在显著差异 (Shourijeh et al. 2016; Kian et al.
256 力学进展 2022 年第 52 卷
2019). 近年来, 部分学者开始尝试将研究转向正问题求解. 正向动力学 (forward dynamics) 以神

经对各个肌肉的归一化激活水平作为肌骨模型输入, 即已知肌肉内力, 求解肌骨系统运动. 与逆
向动力学相比, 正向动力学实现了从人体动作分析到动作预测的跨越, 但其受制于目前对人体解
剖与神经与肌肉控制认识程度的局限性, 计算和分析方法尚不成熟.
如图 2 所示, 人体肌骨系统动力学模型在临床医学、竞技体育、军事训练、人机工程等诸
多领域具有广泛的应用前景. 例如, 在日常生活中, 肌骨模型可以与 Kinect (Skals et al. 2017b)、
Xsens (Karatsidis et al. 2019) 等消费级传感技术融合, 监测跑步人群的下肢肌肉发力模式. 在矫
形骨科领域, 肌骨模型可用于分析关节置换患者术后肌肉发力方式与关节接触载荷 (Modenese &
Phillips 2012), 判断术后出现二次脱位的潜在风险, 参见图 2(a). 针对脊柱侧弯患者, 可根据其正
侧位 X 光片建立全脊柱肌骨模型 (Jalalian et al. 2017, Shayestehpour et al. 2021), 帮助医生理解
脊柱侧弯病情产生与发展的生物力学机制, 给出个性化康复训练方式. 在口腔颌面外科领域, 肌
骨建模被用于分析口颌肿瘤患者手术切除部分下颌骨后出现的肌肉非对称发力模式 (Hannam
et al. 2010). 在神经康复领域, 肌骨动力学仿真结果有助于降低脑瘫患儿出现关节僵硬的可能性
(van der Krogt et al. 2016), 参见图 2(b). 在眼科领域, 肌骨模型能够帮助人们理解眼外肌对眼球
运动的控制机制 (Gao Z et al. 2014; Guo H et al. 2016; Guo H et al. 2019). 在体育工程领域, 很多学
者将肌骨建模与动作采集相结合, 应用于运动员定量化动作分析, 实现高尔夫 (Balzerson et al.
2016)、场地自行车 (Inkol et al. 2020)、越野滑雪 (Vel Lace & Błażkiewicz 2021) 等项目的数字化
训练. 在军事领域, 美国军方资助建立了如图 2(c) 所示的“Santo”人体动力学模型, 优化士兵负重
行走步态 (Xiang et al. 2009, 2010). 在人机功效领域, 肌骨模型可被应用于外骨骼设计中, 分析手
臂运动范围的可达域 (Sartori et al. 2012). 如图 2(d) 所示, 肌骨模型仿真亦能应用于优化汽车座
椅靠背 (Zhang et al. 2019a, 2019b), 减小脊柱振动传递率, 避免脏器与脑部出现振动损伤.
1.2 我国研究现状
我国学者对人体动力学的研究始于 20 世纪 80 年代. 上海交通大学洪嘉振教授发表的《人体

腾空运动的数学模型》(洪嘉振 1983), 标志着人体动力学研究在我国正式起步. 2006 年, 上海交
通大学王成焘教授获得“中国力学虚拟人”国家自然科学基金重点项目资助 (30530230). 该项目基
于中国人体数据库建立了肌骨系统有限元分析与肌肉力预测平台 (王成焘 2006, 唐刚等 2010),
已在临床与人机工效等领域实现初步应用. 2015 年, 中国科学院大学孙应飞教授获得“人体运动
生物力学测量、分析和模拟”国家自然科学基金重点项目资助 (61431017), 建立了非最优激活条
件下的骨骼肌 Hill-Zajac 模型 (Sun et al. 2018), 并实现基于 EMG 预测上肢肌肉力 (Hou et al.
2016; Guo Y et al. 2019). 2021 年, 上海交通大学马少鹏教授获得“大范围快速骨肌运动过程的精
细动作测量与能效分析”国家自然科学基金重点项目资助 (12132009). 该项目旨在研究适合中国
人的肌骨快速运动过程的运动特性测试与能效分析方法. 此外, 我国学者在骨生物力学领域也开
展了系统研究, 代表性研究包括损伤防护 (Wang et al. 2011)、内植物固定 (Yao et al. 2020)、矫
形康复 (Wang et al. 2016)、骨细胞力学 (Li et al. 2020), 等. 近年来, 我国学者已逐步将肌骨动力
学建模与临床医学、竞技体育、人机功效等场景相结合, 其典型研究工作如下.
a c
1.5
球头 1.0
臼杯
内衬 3.0
弹簧 45° 0.5 2.5
2.0
力元

1.5
0 1.0

股骨 0.2 0.5
0
-0.2 0
1
b d 1 1
2
2 2
3
肌骨模型 3 3
4
4 4
5
5 5
6
 
座椅
sin()
图2
人体肌骨模型典型应用场景. (a) 人工髋关节假体设计 (Zhang et al. 2015), (b) 脑瘫患儿关节僵硬
缓解 (Van Der Krogt et al. 2016), (c) 士兵负重步态 (Xiang et al. 2009), (d) 汽车座椅减振 (Zhang
et al. 2019a)
(1) 骨伤科领域: 西安交通大学靳忠民教授团队 (Zhang et al. 2015, Chen et al. 2016, Peng et
al. 2018) 将 Anybody 模型与有限元结合, 基于关节接触分析设计下一代人工关节假体. 首都医科
大学张宽教授团队基于 OpenSim 模型评价全膝关节置换患者术后下肢功能变化 (刘佳耕等
2020). 北京大学荣起国教授等 (Liu et al. 2020a, 2020b) 基于肌骨动力学仿真结果提取正态度指
标, 应用在前交叉韧带断裂的早期诊断.
(2) 康复医学领域: 上海交通大学王冬梅教授、王玮博士建立了腰椎肌骨模型 (Wang et al.
2020), 实现手法治疗效果定量评估 (王玮等 2016). 同济大学牛文鑫等与香港理工大学张明教授
合作, 实现椎间盘、韧带有限元模型与 OpenSim 模型耦合 (Wang et al. 2019). 太原理工大学陈维
毅教授团队建立了下蹲动作膝关节软骨接触力的理论模型 (Guo Y et al. 2012), 靳忠民教授团队
建立了膝关节软骨损伤的有限元模型 (林伟健等 2021). 最近, 王凡嘉等 (2021) 基于 OpenSim 仿
真优化深蹲康复训练方案. 南京体育学院钱竞光等 (2015) 针对偏瘫患者开展正−逆向耦合动力学
分析 (束一铭等 2017). 河南科技大学胡志刚等建立了个性化手部肌骨模型, 分析了脑卒中患者手
部抓握肌肉力 (赵梦文等 2021).
258 力学进展 2022 年第 52 卷
(3) 竞技体育领域: 北京体育大学李翰君等 (2012, 2014a) 建立了 EMG 驱动的膝关节肌骨模

型, 并提出了运动员骨骼肌参数个性化方法 (李翰君等 2014b). 国家体育总局体育科学研究所郝
卫亚等基于 LifeMOD 模型, 优化跳马 (李旭鸿和郝卫亚 2018, 肖晓飞等 2015)、平衡木 (吴成亮等
2016) 等体操动作.
(4) 人机功效领域 : 北京航空航天大学樊瑜波教授、王丽珍教授等 (Wang et al. 2016,
2018) 将头颈部多刚体模型与有限元模型结合分析, 发现了避免飞行员着陆时颈椎冲击产生挥鞭
伤的规律. 清华大学成波教授团队基于 OpenSim 建立了驾驶员肌骨模型, 分析了人椅界面接触
负载 (孟祥杰等 2016) 与脊柱振动传递率 (Zhang C et al. 2019a, 2019b). 福州大学姚立纲、卢宗兴
等基于 Anybody 模型仿真结果定量设计了足部康复机器人摆幅 (彭晨等 2021).
然而, 我国在肌骨系统这一多体动力学新兴领域的研究水平与欧美发达国家相比仍有一定
差距. 例如, 据 Web of Science 数据库统计显示, 截至 2021 年 11 月, 以“musculoskeletal dynamics”
(肌骨动力学) 或“neuromusculoskeletal dynamics” (神经肌骨动力学) 为主题的论文共 8558 篇, 其
中 ESI 高被引论文 47 篇 . 中国学者在本领域共发表论文 391 篇 , 全球排名仅第 6 位 ; 与美国
(5545 篇) 、英国 (759 篇) 、德国 (524 篇) 相比, 尚有明显差距. 又如, 在 2021 年 7 月举办的顶级
会议“第 28 届世界生物力学大会”上, 其“musculoskeletal modeling”分会场包含 40 个口头报告, 而
我国仅有本文第一作者参会介绍了多柔体动力学方法在骨骼肌弹性波传递领域的应用 (Guo J
et al. 2021b).
目前, 我国动力学研究领域的部分学者已将目光投向基于多体动力学理论的人体动力学研
究 . 例如 , 大连理工大学齐朝辉教授建立了滑雪平面多刚体模型 (Chen & Qi 2009), 并在 MSC
Adams 中建立了考虑主动肌力的髋关节肌骨系统模型 (孙广艳 2006). 同济大学徐鉴教授团队忽
略肌肉内力分配, 建立了人体与外骨骼耦合系统 (张佳俊 et al. 2021) 与人体与假肢耦合系统 (Ma
et al. 2022) 平面多刚体模型. 近年来, 北京大学王雪峰、上海交通大学马道林等学者分别针对手
术机器人 (Wang et al. 2018)、接触力感知 (Ma D et al. 2019) 等人机交互场景开展动力学研究.
最近, 本文第一作者等提出了骨骼肌多柔体动力学建模新方法, 同时考虑骨骼肌质量分布、主/
被动肌力、肌肉与骨骼相互作用 , 应用在膝关节与脊柱运动分析 (Guo J et al. 2020a, 2020b,
2021a). 2021 年 5 月, 由国家自然科学基金委员会数理科学部、中国力学学会生物力学专业委员
会、中国体育科学学会运动生物力学分会联合举办的 “首届运动生物力学与体育科技促进研讨
会”在首都体育学院召开, 本文第一作者在会上做了“人体肌骨系统柔性多体动力学建模与应用
研究”邀请报告.
综上所述, 通过研究人体肌骨系统多体动力学建模、计算与实验新方法, 可揭示人体运动过
程中的生物力学机制、为提高运动能力、避免损伤、加快治疗与康复进程以及研制新康复医疗
设备提供计算机模拟工具. 近年来, 随着国家重点研发计划“科技冬奥”专项的实施, 越来越多的
国内学者展开了人体动力学研究. 本文主要回顾了多柔体系统动力学与运动生物力学在人体肌
骨系统领域的交叉研究进展, 介绍了人体运动系统基础解剖学与生物力学、神经与肌肉控制理
论、肌骨系统动力学建模原理与计算方法, 以及近年来肌骨模型在多学科领域的典型应用. 最
后, 作者结合前期研究经验, 归纳出人体肌骨系统多体动力学建模理论与方法领域的未来研究趋
势, 为我国相关领域力学科研人员提供借鉴.
2 骨骼肌生物力学
骨骼肌具有驱动人体运动并维持其稳定的生物力学功能. 因此, 骨骼肌生物力学一直是人体

动力学最具特色、最富挑战的研究主题. 人体具有至少 650 块骨骼肌, 其重量超过全身体重的
40% (Schweitzer et al. 2015). 如图 3 所示, 骨骼肌包含肌腹与肌腱两部分, 两者均具有多级结构,
可视为生物纤维复合材料 (Huijing 1999). 肌腹被肌束膜分割成多个独立腔室, 每个腔室均被肌束
填充. 肌束由肌纤维平行排列构成, 单根肌纤维呈圆柱状, 其直径为 10 ~ 100 μm, 长度范围为 1 ~
50 cm (Neumann 2016). 在显微镜下, 肌束呈明暗相间的横纹 (Wang et al. 1993), 内部包含粗肌丝
与细肌丝. 其中, 粗肌丝代表肌球蛋白, 呈暗带, 其长度 (约 1.5 μm) 几乎不随肌肉收缩而变化; 细
肌丝代表肌动蛋白, 呈明带, 其变形在肌肉收缩过程中占主导, 通过肌联蛋白固定在具有 Zig-
Zag 形貌的肌间线蛋白. 由粗、细肌丝与肌间线蛋白构成的最小重复单元称之为肌小节 (sar-
comere) , 是骨骼肌产生肌力的基本结构单元.
2.1 骨骼肌主、被动力模型
骨骼肌受运动神经元控制, 其在神经刺激下无需宏观变形即能产生主动肌力. 同时, 肌纤维

间的结缔组织以及肌腱具有被动刚度, 在关节运动到一定程度时产生被动肌力, 避免关节运动超
过其生理活动范围. 骨骼肌缠绕包裹在骨骼外部, 骨骼会通过肌肉与骨骼接触影响肌肉空间路
径, 进而改变肌肉力臂长度与关节力矩. 此外, 骨骼肌的肌腹与肌腱串联, 肌腱非线性弹性会显著
影响关节刚度.
在生理学中 , 将肌小节在神经刺激下产生主动肌力的过程称之为横桥周期 (cross-bridge
cycle) . 横桥是指肌球蛋白上具有球头状几何的蛋白质结构 (Fitts 2008). 根据 Huxley (1954) 建立
的肌丝滑移理论, 横桥会在神经刺激下与肌动蛋白位点结合, 通过扭动球头拖动肌动蛋白. 随后,
ATP 水解释放能量, 使肌动蛋白与肌球蛋白解离, 回到横桥周期开始状态.
在建立骨骼肌力学模型时, 通常并不关注横桥周期的生物化学机制, 而是基于生物力学实验
给出的横桥肌力随肌纤维长度、速度的变化数据建立拟合模型. 其中, 最经典且应用最广泛的模
型为 Hill 模型. 它最早由诺贝尔生理学奖得主、英国生理学家 Hill 于 1938 年提出 (Hill 1938). 该
模型揭示了骨骼肌受强直刺激时, 肌力 F mus与肌纤维收缩速度 l˙mus 存在双曲关系
(l˙mus + p2 )(F mus + p1 ) = p2 (F0mus + p1 ) (1)
其中, F0mus为最大收缩内力, p1为收缩产热参数, p2 = p1 l˙0mus /F0mus, 这里 l˙0mus 为肌纤维最大收缩速度.

在上述模型启发下, 学者们提出了多种改进 Hill 模型, 其中最著名的是 Hill-Zajac 模型 (Za-
jac 1989). 如图 4(a) 所示, Hill-Zajac 模型至少包含两类单元, 即并联的主动收缩单元 (contractile
element, CE) 和被动弹性单元 (passive element, PE) , 绝大多数模型还包含串联弹性单元 (serial
elastic element, SEE) . Zajac 的重要贡献在于引入羽状角 (pennation angle) , 将其定义为肌肉纤
260 力学进展 2022 年第 52 卷
直径： 1~2 mm 10~100 mm 0.5~20 mm

肌浆网骨骼
神经毛细血管
肌动终板肌细胞核
肌球
蛋白肌间膜肌外膜
蛋白
肌内膜
肌小节
Ⅰ 肌腱
Ⅱ
肌纤维肌束肌肉
图3
骨骼肌多级结构 (Gotti et al. 2020)
维与肌腱轴线的夹角. Zajac 假设羽状肌纤维保持平行, 并处在同一平面, 故羽状角 α与肌腹厚度

h之间满足 h = lmus sin α. Millard 等 (2013) 进一步假设肌腹厚度与肌肉收缩程度无关 , Rand-
hawa 和 Wakeling (2015) 通过动物实验验证了这一假设的成立范围. 对羽状肌而言, 主动收缩单
mus mus
元内力 FCE 、被动弹性单元内力 FPE 、以及肌腱内力 F tend 间满足如下平衡方程
mus mus
(FCE + FPE ) cos α = F tend (2)
主动收缩单元是对肌小节形成横桥过程的力学抽象 . 如图 4(b) 所示 , 大量生理实验结果
mus
(Gollapudi et al. 2009, Winters et al. 2011) 表明, 在神经刺激给定条件下, 主动肌力 FCE 随肌纤维
长度 lmus 变化曲线呈倒钟形 , 即存在令 FCE
mus
最大的最优肌纤维长度 l0mus . 为解释这一现象 ,
Allinger 等 (1996) 提出了“毛刷理论”, 将肌丝滑移视为两重叠毛刷的拔出过程, 重叠长度最大时
mus
拔出力最大 . 学者们已建立多种数学函数来描述 FCE − lmus关系 , 参见 Rockenfeller 和 Gunther
(2017) 撰写的综述. 其中, 使用较为广泛的函数形式包括 Winters (1990) 最早建立, 并由 Thelen
(2003) 推广的 Gauss 函数形式 , Silva 与 Ambrósio (2003) 总结的自然指数形式 , Millard 等
(2013) 提出的多段线性拟合形式等.
mus
另外, 与式 (1) 一致, Hill-Zajac 模型的主动肌力 FCE 亦随肌纤维收缩速度 l˙mus 变化. 如图 4(c)
所示, 根据 Joyce 等 (1969) 实验结果, 存在临界速度 l˙0mus , 当纤维收缩速度超过 l˙0mus 后 FCE
mus
不受其影
mus
响. 因此, FCE − l˙mus常表现为分段函数形式 (Thelen 2003, Silva & Ambrosio 2003). 进一步, 假设
mus
FCE 与 lmus 和 l˙mus 的函数关系 fL , fL̇相互独立, 主动肌力 FCE
mus
可总结为如下表达式
mus
FCE = a(t)F0mus fL (lmus , l0mus )fL̇ (l˙mus , l˙0mus ) (3)
其中, a(t)为随时间变化的肌肉激活度, 根据肌肉兴奋收缩耦合方程 (参见 3.1 节) 给出. F0mus为最

大等长肌力, 假设不同肌肉的 F0mus与其生理截面积 (physiological cross-sectional area, PCSA) , 即
垂直肌纤维方向的肌腹横截面积成正比, PCSA 一般通过尸体实验获取 (Carbone et al. 2015). 最
a b
1.6 主动肌力
1.4 被动肌力
mus EDL
CE /2 1.2
无量纲肌肉内力
tend mus
EDII
PE /2 1.0 TA
tend tend mus 0.8

0.6
肌腱肌肉
元件元件 0.4
0.2
mus, mus, mus 0 0.5 1.0 1.5 2.0

规范化肌纤维长度
c 1.6 Mashima 1984 d

Maganaris 2002
Joyce 1969 1.0 Magnussen 2001
1.4
模型结果
1.2 0.8
无量纲肌肉内力
1.0 无量纲肌肉内力
0.8 0.6
0.6
0.4
0.4
0.2
0.2
0
-0.2 0
-1.5 -1.0 -0.5 0 0.5 1.0 1.5 0.99 1.00 1.01 1.02 1.03 1.04 1.05
规范化肌纤维收缩速度规范化肌腱长度
图4
骨骼肌 Hill-Zajac 模型 (Zajac 1989). (a) 对称双羽状肌模型 (Guo J et al. 2020b), 包括主动收缩
元、被动弹性元与串联弹性元; (b) 主动与被动肌力随肌纤维长度变化曲线 (Silva & Ambrósio
2003, Guo J et al. 2020a) 及其与趾长伸肌 (EDL, EDII) , 胫骨前肌 (TA) 实验比较 (Gollapudi &
Lin 2009, Winters et al. 2011); (c) 主动肌力随肌纤维收缩速度变化曲线及其与生理学实验 (Joyce
et al. 1969, Mashima 1984) 比较; (d) 肌腱串联弹性元肌力随肌纤维长度变化曲线 (Blankevoort
et al. 1991) 及其与生理学实验 (Magnusson et al. 2001, Maganaris & Paul 2002) 比较
大等长肌力与 PCSA 的比值定义为肌力强度 σ0mus , 其取值一般在 20 ~ 140 kPa 之间 (Bruno et al.

2015).
被动弹性单元表征除了横桥之外, 还包括骨骼肌其他结构 (肌联蛋白、肌间线蛋白、肌筋膜
网络等) 在被动拉伸时产生的非线性弹性力. Hill-Zajac 模型认为, 当肌纤维长度 lmus 小于某一特
定值时, 被动弹性单元不存在刚度. Bayer et al. (2017) 通过对手臂肌骨系统做参数敏感性分析,
发现这一特定值如何取值对正向计算得到的手臂运动角速度存在一定影响. 但为了简化起见, 大
多数 Hill 模型假定这一阈值与 l0mus 相等: 当 lmus 超过 l0mus 后, 被动肌力 F mus随着 lmus 产生非线性变化,
mus
参见图 4(b). Thelen (2003) 假设, FPE 随 lmus 变化满足自然指数形式; Günther 等 (2007) 采用幂律
形式描述被动弹性.
从 20 世纪 80 年代末至今, Hill-Zajac 模型已被广泛应用于肌骨模型建模中. 然而, 该模型只
262 力学进展 2022 年第 52 卷
能拟合骨骼肌整体力学功能, 无法对横桥周期的生物化学过程做定量表征, 同时忽略了肌联蛋白

的生理作用. 为解决这一问题, 近年来人们根据骨骼肌的微纳米结构, 提出一系列力−生化耦合建
模方法. 例如, Stoecker 等 (2009) 从半肌小节的力学功能出发, 建立了 Huxley 形式 (Huxley 1957)
偏微分方程组. 为了描述肌肉刺激后出现的刚化现象, Rode 等 (2009) 将肌联蛋白抽象成黏性弹
簧修正 Hill 模型, 进一步提出三维本构 (Heidlauf et al. 2016). Givli 和 Bhattacharya (2009) 引入肌
纤维长度分布的统计特征, 建立了考虑肌小节长度非均匀性的粗粒化模型. Nishikawa 等 (2012)
根据生理实验结果提出了原纤维缠绕假设, 认为肌肉收缩时肌联蛋白与肌动蛋白会扭结在一起;
LeMoyne 等 (2014) 在 Hill 模型中引入虚拟滑轮定量建模这一现象. Meyer 等 (2010) 将 Hill 三元
素模型作为基本结构单元, 根据肌间线蛋白具有的阶梯状结构, 建立了网络模型.
Hill-Zajac 模型存在的另一突出问题是其忽略了骨骼肌的惯性分布. 一方面, 肌肉占人体超
过 40% 的质量, 但 Hill-Zajac 模型将肌肉质量集中到其缠绕的骨骼刚体上, 忽略了肌肉质量分布
随人体运动的变化. Pai (2010) 通过三头肌模型仿真证实, 肌肉质量分布会显著影响踝关节动力
学, 并提出基于物质坐标的肌肉质量沿纤维分布建模方法 (Sueda et al. 2008). Günther 等 (2012)
将骨骼肌质量离散成多个质点, 相邻质点之间通过 Hill 模型连接. Millard 和 Delp (2012) 在肌腹
与肌腱间引入集中质量, 避免肌肉力计算在低激活度时出现数值振荡. Han 等 (2015) 提出了考虑
肌肉质量分布与截面变化的平面模型, 但其模型中忽略了主、被动力. 最近, 本文作者团队基于
多柔体动力学方法, 将任意 Lagrangian-Eulerian (ALE) 描述的柔性索有限单元与 Hill-Zajac 模型
结合, 建立了考虑惯性分布变化的骨骼肌准一维有限单元 (Guo et al. 2020b). 该单元能应用于骨
骼肌弹性波传递仿真, 为骨骼肌超声弹性成像原理及应用 (Li & Cao 2017) 提供了动力学分析工具.
此外, Hill-Zajac 模型只考虑主动肌力随肌纤维收缩速度的变化, 忽略了肌肉内部软组织具
有的黏性阻尼特性. Günther 等 (2007) 通过数值仿真发现, 忽略上述阻尼效应会导致肌肉内力出
现非物理的高频振荡, 而这种非物理高频项来源于 Hill 本构关系的非线性. 为解决这一问题, Mil-
lard 等 (2013) 建立黏性骨骼肌模型, 引入线性阻尼器与主动收缩元件并联. 而 Günther 等 (2007)
与 Haeufle 等 (2014) 则通过数值仿真说明, 线性阻尼器应与 Hill 主动收缩元串联才能避免非物理
振荡的出现.
值得指出的是: Hill-Zajac 模型本质上是一维模型, 一般需引入等厚度假设使控制方程封闭.
然而 , 研究表明该方法无法刻画肌肉收缩过程中的体积不变性 (Baskin & Paolini 1967). 根据
Azizi 等 (2008) 在动物实验的测量结果 , 等张收缩条件下肌肉厚度变化可超过 20%. 为了在
Hill 模型中引入体积效应, 李永胜与陈维毅 (2007) 将肌腹体积抽象成平行四边形, 提出体积相关
力约束四边形面积即肌腹体积不变. Siebert 等 (2014, 2016, 2017) 假设肌肉受垂直横截面方向外
力作用下, 垂向压力与纤维收缩内力间具有某一杠杆关系, 但其模型无法直接表征肌肉体积守
恒. Randhawa 和 Wakeling (2015) 引入腱鞘刚度, 建立肌肉体积守恒的二维与三维模型. Dick 和
Wakeling (2018) 进一步基于超声测量实验, 证实了这一模型能够考虑肌纤维变形的非均匀性. 最
近, 本文作者团队提出了骨骼肌厚度与肌肉空间路径解耦描述方法, 能够同时刻画骨骼肌拉伸、
剪切与等体积变形 (Guo et al. 2020b).
2.2 肌肉缠绕接触问题
骨骼肌与骨骼之间存在复杂的力学约束与接触关系. 骨骼肌通过附着点与骨骼联结, 同时其

缠绕在骨骼几何表面, 骨骼几何与肌肉厚度决定了肌肉力臂. 骨骼肌各横截面中心连成的轨迹称
为肌肉路径 (An et al. 1981), 其长度 lmus 对关节角度 θ 的偏导数定义为肌肉力臂, 即 rmus = ∂lmus /∂θ
(Zatsiorsky & Prilutsky 2012). 如图 5(a) 所示, Inman (1947) 最早将肌肉路径简化为起止点连线,
但这一描述过分忽略了骨骼形貌的复杂性, 导致计算得到的肌肉力臂偏差太大.
为了考虑肌肉缠绕 (muscle wrapping) , Delp 等 (1990) 提出了“通过点” (via-point) 约束. 如
图 5(a) 所示, 他们认为肌肉路径在关节运动过程中始终通过确定的解剖标记点, 从而将肌肉路
径简化成多段线段. 该方法简单方便, 目前仍被众多肌骨模型使用 (例如:Guo J et al. 2020a). 然
而, 通过点约束忽略了在某些关节角度下肌肉与骨骼脱离接触的“动态缠绕”情况, 例如股四头肌
在膝关节屈曲到一定角度时, 才会与股骨髁接触. 为解决这一问题, 学者们提出了动态通过点约
束 (Suderman & Vasavada 2012), 即通过点约束只在关节角度满足一定范围时才起效. 但这一约
束会导致肌肉路径长度随关节角度变化曲线不光滑, 得到的肌肉力臂在临界关节角度处发生奇异.
为了保持动态缠绕时肌肉路径长度连续 , Garner 和 Pandy(2003) 提出了 “ 障碍设置 ”
(obstacle-set) 法, 参见图 5(b). 假设肌肉路径始终保持与某一几何体接触, 根据骨骼形貌差异, 将
缠绕几何形状设为椭球、圆柱、圆锥等, 肌肉路径的接触点在缠绕几何体面内运动. 最近, Ham-
mer 等 (2019) 提出了多椭圆面几何缠绕, 并在多关节肌实现应用. 然而, 缠绕几何体选择及其参
数需根据骨骼影像与解剖经验确定 , 具有很大随意性 . 根据 Suderman 等 (2012) 与 Arjmand 等
(2006) 研究成果, 假设的缠绕几何体参数对关节载荷与肌肉内力影响无法忽略. 为了解决这一问
题, Desailly 等 (2010) 基于骨骼几何给出凸包, 将肌肉路径简化为凸包内的最短路径, 可根据计算
几何方法快速确定肌肉路径长度. Scholz 等 (2016) 根据曲面微分几何, 提出了基于测地线的肌肉
缠绕约束, 实现了肌肉轴线与真实骨骼几何缠绕, 但该研究无法考虑肌肉厚度的影响.
值得注意的是, 无论是采用通过点约束还是障碍设置法, 肌肉路径均由其接触缠绕的骨骼形
貌确定. 因此, 如何重构三维刚性骨骼形貌已成为近年来研究者关注的重点. 大多数情况下, 研究
者以标准人骨骼几何数据库作为参考模板进行线性放缩, 获取目标对象的特异性骨骼信息 (Delp
et al. 2007, Lund et al. 2015). Anderson 等 (1999) 基于受试者站立位或步态的红外标记点轨迹提
取受试者体段棍图 (Lund et al. 2015), 进一步通过优化方法 (Andersen et al. 2010) 实现标准骨骼
几何模型与棍图配准. 这一方法实现较为简单, 但其忽略了儿童、性别、疾病等对受试者骨骼形
貌的特异性影响. 针对这类人群, 可通过采集的 CT 或核磁等医学影像重建骨骼几何 (梅齐昌等
2020). 这一方法能够获得毫米级精度的骨骼几何信息, 但 CT 测量可能给受试者带来一定剂量辐
射, 医学影像设备也很难推广到大样本肌骨系统建模当中. 统计形状模型 (statistical shape mod-
el, SSM) 能够将标准骨骼数据库的几何信息通过非线性变换与受试者匹配, 其本质是基于已获
取的人群骨骼形貌, 提取主要的点云变换特征 (Lamecker et al. 2016), 详见 Sarkalkan 等 (2014) 的
相关综述 . 目前 , SSM 已应用到下肢 (Zhang et al. 2016)、髋关节 (Bahl et al. 2019)、肩关节
(Huang et al. 2021) 的骨骼与关节形貌建模中. 最近, Suwarganda 等 (2019) 尝试将 SSM 模型与影
264 力学进展 2022 年第 52 卷
a b
圆柱体
障碍
起止点
连线
通过点
图5
肌肉与骨骼缠绕描述. (a) 起止点简单连线及通过点约束 (Suderman & Vasavada 2012), (b) 简单
几何体障碍设置 (Suderman et al. 2012)
像学测量结合, 在确保骨骼刚体模型精度的同时降低人体辐射量; Bakke 和 Besier (2020) 进一步

证实 SSM 模型能够提高逆运动学计算的精度. 上述方法获得的骨骼均为真实的接触几何, 但骨
骼三维曲面过于复杂, 导致肌肉与骨骼接触计算的效率很低 (Favre et al. 2010). 因此, 如何根据
重构的真实骨骼形貌, 参照医学影像信息自动拟合缠绕几何体参数 (Aurbach et al.2020, Killen
et al. 2021), 仍是肌骨建模需要解决的问题.
值得指出, 上述肌骨接触缠绕描述方法均将骨骼肌简化成无质量的线, 忽略了其在骨骼上缠
绕产生的惯性效应. Favre 等 (2010) 将有限元法中的接触算法推广到肌肉与骨骼缠绕问题研究.
他们采用弯曲刚度极低的梁单元对肌肉建模, 提出了基于接触检测的缠绕算法. 该方法可应用于
任意骨骼曲面, 但其计算效率远低于通过点与障碍设置法. Fu 等 (2019) 针对机械系统提出考虑
绳索质量分布的绳索单元−凸轮缠绕约束建模方法, 将有限元接触问题变为约束问题, 该方法可
拓展到骨骼肌建模, 实现有限元与障碍设置法的融合. 为了提高肌肉与骨骼接触检测效率,
Lloyd 等 (2021) 将符号向量场引入检测算法, 实现了肌肉与骨骼接触的准实时仿真, 但其研究忽
略了肌肉的惯性与非线性本构. Lu 和 Zhou (2011) 采用等几何方法, 建立了肱二头肌有限元模型,
其思想可拓展到具有复杂形貌的骨骼与肌肉接触问题. 此外, 有限胞元法 (finite cell method) 采
用少量规则胞元离散骨骼边界, 适用于具有复杂形貌的骨骼与肌肉接触问题, 目前已被应用在腰
椎椎体有限元仿真中 (Jomo et al. 2019), 并能与柔性骨骼肌单元紧密结合.
2.3 肌腱与韧带力学模型
肌腱是肌肉末端的坚韧结缔组织, 连接肌腹与骨骼附着点. 韧带、关节囊等在关节周围构成

骨骼间连接辅助结构, 上述结缔组织与肌腱在结构、功能与力学性能上十分相似, 本质上都是肌
筋膜网络的沿伸. 与肌腹 (图 3) 类似, 肌腱与韧带从纳观到宏观具有 6 ~ 7 级多级结构 (Kastelic

et al. 1978). 在宏观尺度上, 肌腱被分割成多个腔室, 每个腔室中由肌束填充; 肌束分割成多束纤
维, 其基本结构单元为原纤维. 原纤维呈阶梯状排布形式, 通过交联糖蛋白相互连接. 原纤维的
“砖块”是微纤维, 微纤维内部由胶原分子构成. 在纳米尺度上, 微纤维的空间结构与原纤维十分
类似, 即胶原分子极性使其按阶梯状排布, 相邻阶梯的分子间会形成扭结. 因此, 韧带与肌腱的多
尺度空间结构具有显著的自相似特征 (Puxkandl et al. 2002, Gautieri et al. 2011).
在建立肌骨模型时, 一般只考虑肌腱与韧带沿主轴方向拉伸的非线性弹性性质, 其中最常见
的函数形式由 Blankevoor 和 Huiskes (1991) 提出, 参见图 4(d). 胶原纤维在无外力作用下呈卷曲
状态 (Weiss 和 Gardiner 2001), 而构成同一阶梯的不同胶原纤维呈螺旋状排布 (Gautieri et al.
2011, Shearer 2015). 在外力作用下, 卷曲的胶原纤维首先伸直来承受外力, 导致肌腱力−变形曲线
存在非线性趾区 (toe region) . 胶原纤维伸直后, 肌腱轴向变形主要为纤维间螺旋的螺距增大, 此
时其变形机制与线性弹簧十分类似. 在宏观上, 肌腱力−变形曲线表现为线性.
为了将肌腱 /韧带的拉伸性能与其多空间尺度结构之间建立关联 , Freed 和 Doehring
(2005) 基于原纤维扫描电镜结果, 建立了肌腱/韧带非线性拉伸本构, 但其忽略了胶原纤维螺旋
的结构变化. Reese 等 (2010) 同时考虑了胶原纤维与肌束的多级螺旋结构, 兼顾肌腱拉伸非线性
与大泊松比特性. Thorpe 等 (2015) 与 Shearer 等 (2017) 进一步证实, 胶原纤维构成的螺旋是肌腱
储存弹性势能的基本结构. Szczesny 和 Elliott (2014) 基于微纳米实验, 揭示了原纤维之间剪切是
肌腱/韧带重要的内力传递机制. 更进一步, Ahmadzadeh 等 (2015) 将 Ji 与 Gao (2004) 提出的拉
剪理论应用于原纤维自相似结构, 建立了原纤维多孔介质模型.
除与时间无关的非线性弹性之外, 肌腱与韧带还具有显著的黏弹性特征, 而其微纳尺度自相
似空间结构决定了宏观黏弹性响应的长时程性 (Gupta et al. 2010, Gautieri et al. 2012b). 对黏弹
性生物材料建模, 一般采用 Fung (1993) 提出的准线性黏弹性本构, 引入短、长两特征时间参数
刻画蠕变与松弛响应. 但 Doehring 等 (2005) 发现, 长时程弛豫时间难以确定, 多数情况下需引入
Prony 级数才能较好地拟合实验结果 (Troyer 和 Puttlitz 2012). 另外, 准线性黏弹性模型在物理
上对应线性弹簧与阻尼器构成的“标准线性固体”(Fung 1993) 相互串联, 得到的弹簧−阻尼模型
与生物材料的空间结构特征没有关联.
研究上述问题的另一思路是继承 Fung 模型基本思想, 通过线性弹簧与阻尼器的串并联组合
反映黏弹性特征, 但此时弹簧−阻尼器元件的组装方式抽象自肌腱/韧带多空间尺度结构. Gau-
tieri 等基于原子力显微镜观测 (Gautieri et al. 2011)、分子动力学仿真 (Gautieri et al. 2012a) 等
手段探究肌腱的结构自相似性与响应长时程性的内在关联, 并提出具有阶梯拓扑的弹簧−阻尼器
网络 (Gautieri et al. 2012b, 2013). 然而, Ghodsi 和 Darvish (2016) 通过分子动力学模拟指出, 胶原
纤维弛豫时间相比原纤维松弛行为差 8 ~ 9 个数量级, 似乎难以只基于原纤维力学行为去预测宏
观尺度力学响应. 为了解决这一问题, Gupta 等 (2010) 提出了包含纳观胶原纤维与微观原纤维响
应的跨尺度黏弹性模型, 但其黏弹性元件忽略了每一级结构的自相似特征. 最近, 本文第一作者
受 Blumen 和 Schiessel (1993) 建立的阶梯黏弹性模型启发, 从肌束与原纤维共同具有的阶梯状自
266 力学进展 2022 年第 52 卷
相似结构出发, 抽象出具有阶梯状拓扑的胞元模型 (Guo J et al. 2019). 该阶梯胞元模型能够很好

地拟合脊柱与膝关节韧带松弛响应 (Guo J et al. 2019), 同时成功地刻画了肌腱从纳米尺度到宏
观的多尺度黏弹性行为 (Guo et al. 2021c).
2.4 肌筋膜力学模型
如图 3 所示, 肌筋膜 (fascia) 系统包括包覆肌腹的肌外膜、分割肌束的肌束膜、肌纤维间的

肌内膜以及神经血管束 (Adstrum et al. 2017). 肌筋膜曾是被人们 “ 忽略 ” 的结缔组织 , 直到近
20 年, 其在骨骼肌内力传递的重要作用 (Huijing 2007, 2009; Purslow 2010) 才逐渐被认识. 学者们
通过大量动物解剖 (Maas et al. 2001) 实验, 证实肌筋膜能够在肌肉内部 (Yucesoy et al. 2003) 与
肌肉间 (Yucesoy et al. 2005) 传递内力. Huijing 等 (2011) 通过核磁影像发现, 肌外膜牵拉会导致
小腿三头肌非均匀变形, 同时证实肌肉功能的协同性 (参见 3.3 节) 一部分来自于肌外膜联络
(Maas & Huijing 2009). Carvalhais 等 (2013) 通过髋关节等速加载实验, 证实背阔肌与臀大肌间存
在筋膜连接.
肌筋膜特别是肌外膜, 将不同肌肉连接成统一整体. 在对肌骨模型的大多数研究中, 将骨骼
肌视为独立的力元, 忽略了广泛存在的结缔组织联系. Yucesoy 等 (2008) 通过有限元仿真, 分析
了肌外膜改变鼠腓肠肌内力传递的机制 , 但其研究难以推广到大尺度肌骨系统 . Bernabei 等
(2016) 在 Hill 肌肉模型的基础上, 将肌筋膜建模为弹簧元件, 分析了肌筋膜对小腿三头肌内力传
递的调制作用. 本文作者团队提出滑动铰模型 (Guo et al. 2020b), 实现被肌外膜间隔的腓肠肌
内、外侧头总质量守恒. 考虑肌筋膜连接的滑动铰模型, 提高了小腿三头肌实测拉伸弹性与仿真
内力之间的相关性, 相关系数范围与尸体实验结果 (Maïsetti et al. 2012) 一致.
3 神经与肌肉控制理论
3.1 骨骼肌兴奋收缩耦合方程
骨骼肌被运动神经元支配, 其激活过程被称为兴奋收缩耦合, 分为以膜电位变化为特征的兴

奋与肌小节收缩 (2.1 节) 两大过程. 兴奋收缩耦合首先由神经系统产生兴奋电信号, 通过神经终
板传递到骨骼肌. 兴奋电位从细胞体传递到神经终板的过程存在时间延迟, 描述兴奋电位传递可
采用光滑索模型 (Baer & Rinzel 1991). 然而, 神经纤维表面并非光滑, 而是分布着一类称为棘突
的伞状突起, 而棘突分布会改变神经元的时间尺度 (Zador et al. 1995). 例如, Santamaria 等 (2006)
的实验表明, 棘突会困住在神经元胞质中自由扩散的钾、钠离子, 影响神经兴奋传递. 为反映神
经元结构对其功能的影响, Mainen 和 Sejnowski (1996) 在胞体与树突之间引入耦合电阻, 但该电
阻缺乏明确的神经元结构对应. Van Ooyen 等 (2010) 进一步在神经索模型中引入树突, 讨论其对
神经冲动发放率的影响. 最近, 本文第一作者从神经元功能电路模型抽象出具有自相似结构的电
学胞元, 发现棘突会改变分形功能电路的拓扑结构, 进而影响兴奋电位传递的特征时间 (Guo
et al. 2020c).
目前, 绝大多数肌骨模型使用常微分方程来描述兴奋收缩耦合 (Winters 1995). 该模型假设
不同肌束的兴奋电位能够线性叠加, 得到光滑的神经刺激信号 u. 以 Thelen (2003) 提出的一阶非

线性模型为例, 肌肉激活度 a与神经刺激 u之间满足
da u−a
= (4)
dt τa (a, u)
其中, τa (a, u)为特征时间函数, 定义为

{
τact (0.5 + 1.5a), u>a
τa (a, u) =
τdeact /(0.5 + 1.5a), u ⩽ a
此处 , τact 与 τdeact 分别为刺激时间和解刺激时间 . 其他典型的兴奋收缩耦合模型还包括 Zajac

(1989), Pandy 等 (1990), Raasch 等 (1997) 提出的形式 . 最近 , 随着高密度 EMG (Moya-Esteban
et al. 2020) 的逐步推广, 学者们尝试在兴奋收缩耦合方程中引入单一神经元产生兴奋的生物学
过程 (王如彬等 2020). 例如, Sreenivasa 等 (2016) 采用带泄漏整合发放模型 (leaky integrate-and-
fire, LIF) 模型描述单一神经兴奋, 在此基础上建立神经网络, 打破了线性叠加假设. 但迄今为止,
尚无成熟的肌肉兴奋收缩耦合模型能完全刻画神经产生兴奋电位的电生理过程.
3.2 肌肉最优控制
3.2.1 静态优化
人体骨骼肌控制具有冗余性, 即关节的单自由度运动同时受多条肌肉控制. 例如, 股四头肌

群中, 股直肌、股外侧肌、股内侧肌、股中间肌激活均能实现膝关节伸展. 在数学上, 肌肉冗余
性意味着动力学方程数目少于独立的肌束数目.
为了分配各肌束的肌力, Delp 等 (1990) 提出静态优化 (static optimization) 算法. 目前, 静态
优化是肌骨动力学分析最简单, 最常用的肌力分配算法. 静态优化的核心是引入时间无关性假
设, 即认为骨骼肌内力分配只与当前时刻的人体动力学状态量有关, 与人体运动的时间历程无关
(Quental et al. 2016). 在该前提下, 描述人体各个骨性刚体运动的广义坐标 q 、广义速度 q̇ 与广义
加速度 q̈ 均可通过实验测定, 即人体的运动惯性力已知, 从而将描述动力学问题的微分−代数方程
组简化为以激活度矢量 a为自变量的代数方程组. 由此对应的数学模型可写作如下形式

∑
Nm

min J =
p 

wi (ai ) 



i=1 

R mus mus
F (a) = Qjoint 
(5)
Qjoint = M q̈ + CqT λ − Qext 

s.t. 



C(q, q̇, t) = 0 



amin ⩽ ai ⩽ 1
其中, 静态优化的目标函数 J 常写作第 i (1 ⩽ i ⩽ Nmus )束肌肉激活度 ai的 p次幂加权和形式 (Acker-

mann & van den Bogert 2010), 权重 wi可取单位 1 或肌肉体积、生理截面积等生理学参数. 此处,
激活度的线性和 (p = 1)对应肢体末端刚度 (Pham et al. 2014), 平方和 (p = 2)与肌肉做功相关
(Thelen & Anderson 2006), 立方和 (p = 3)可视为肌肉疲劳的度量 (Ackermann & van den Bogert
2010). 此外, 在 Anybody 软件的肌骨模型中, 常采用 min-max 目标函数, 即p → ∞(Rasmussen et al.
268 力学进展 2022 年第 52 卷
2001). 因此, 如何在上述目标函数中选择适合人体运动的形式, 成为困扰静态优化仿真研究的一

个难题. Bottasso 等 (2006) 提出根据实验数据推测优化函数形式的方法, Ackermann 和 van den
Bogert (2010) 针对目标函数对肌骨模型仿真结果的影响做系统讨论. 最近, Wochner 等 (2020) 提
出了基于机器学习中贝叶斯优化确定目标函数的方法.
在式 (5) 中, 广义力 Qjoint 一般根据只考虑人体节段的动力学方程确定, 在某些特定工况下亦
可通过等速测力计 (Huang et al. 2017)、手持式测力仪 (Hegarty et al. 2019) 等实验装置测定. 关
节角度对应的 Qjoint 代表广义力矩, 相应的 Rmus矩阵元素为关节力臂. Qext表示重力、地面反力、
人机交互力等其他外力作用. 通过运动捕捉或惯性传感器, 可获取人体肌骨系统空间位形
(q, q̇)与广义加速度 q̈ , 作为运动学输入代入动力学方程. 对于人体质量与惯量分布矩阵 M , 一般
可根据人体形态学测量给出的归一化表格 (Winter 2009), 通过测量受试者身高与体重确定, 肌肉
质量假设附着在骨骼刚体上. Ayusawa 等 (2011) 提出了人体各个环节质量的快速辨识方法, Hay-
ashibe 等 (2011) 进一步提出了肌肉质量分布的辨识方程. Cq为人体关节约束方程 C 对广义坐标
q 的 Jacobi, λ 为约束力矢量. 根据式 (3) 可知, 肌肉力矢量 F mus 与激活度矢量 amus 间满足线性关系,
整理后可得静态优化模型的线性约束方程. 此外, Dickerson 等 (2007) 与 Akhavanfar 等 (2019) 分
别提出了考虑肩关节与脊柱稳定性的不等式约束, 在满足动平衡方程的基础上引入稳定性限制.
静态优化假设将描述动力学问题的微分代数方程组求解问题转化为优化问题, 大幅降低了
求解难度与计算代价. 然而, 绝大多数静态优化模型所预测的肌肉激活度与实测 EMG 仅具有定
性相关性, 在数值上存在显著差异 (Kian et al. 2019). 另外, 式 (5) 中的动平衡方程约束需假设肌
腱为刚体, 某些复杂肌骨模型 (例如: Ignasiak et al. 2018, Ignasiak 2020) 甚至不考虑被动弹性元件
贡献 , 导致无法考虑 Hill 模型中的全部力元 (Pizzolato et al. 2015). 为了解决此问题 , Thelen 和
Anderson (2006) 提出计算肌肉控制 (computed muscle control, CMC) 方法, 在离散时间点处基于
静态优化确定肌肉激活度, 在时间积分步导入正向动力学模型来修正轨迹误差, 但该方法会导致
计算量显著增加. Shourijeh 等 (2016) 将关节力矩引入优化目标函数, 放松动平衡方程, 提出了
“正向肌肉−逆向骨骼”的混合优化方法, 从而计入 Hill 模型中的三类元件, 并引入了兴奋收缩耦
合方程.
为了改善静态优化计算结果, 可采用生理采集信号对其进行修正. 近年来, 结合 EMG 信号的
肌骨系统逆向优化算法以成为研究热点. EMG 是电极覆盖的肌纤维生物电信号的叠加, 在一定
程度上能反映肌肉活动 (丁其川等 2016). 相比针刺电极、贴附在皮肤表面的表面肌电 (surface
electromyography, sEMG) 具有非侵入、实现简单等特点, 在肌骨系统建模中得到了广泛应用. 为
了将获得的 EMG 信号转化成肌肉激活度曲线, 一般需对其做翻正、滤波以及归一化操作. 归一
化操作一般需根据最大等长收缩测试 (maximal voluntary contraction, MVC) 实现 (Bamman
et al. 1997), 但传统的徒手测量操作对测试者提出了较高要求, 而替代徒手操作的等速加载仪器
难以实现便携化, 另外患者、运动员等特定人群无法完成某些 MVC 动作. 因此, 研究者提出了
基于人体环节重量 (Nishijima et al. 2010), 多个非 MVC 动作插值 (Marras et al. 2001), 以及冲刺
跑等爆发力动作 (Albertus-Kajee et al. 2010) 测量骨骼肌 MVC 的实验方案.
2003 年, Lloyd 和 Besier (2003) 建立了基于 EMG 驱动的膝关节模型, 根据实际测量获取关

节运动, 将归一化 EMG 信号作为神经与肌肉刺激, 逆向求解肌肉力 (Buchanan et al. 2005). 李翰
君等 (2014a) 将 EMG 驱动与逆向动力学相结合, 通过最小化正、逆向求解力矩误差求解最优肌
纤维长度. 由于人们只能测量近皮肤表面肌肉的 EMG, 对于股内侧肌、比目鱼肌等深层肌群的
激活度只能通过其他表面肌肉线性加权. 后来, 人们提出 EMG 辅助肌骨系统逆向优化, 即令测
量 EMG 的肌群根据实测信号确定其肌力, 其他骨骼肌的激活度通过逆向优化得到. 进一步, Sar-
tori 等 (2014) 放松表面肌群激活度与 EMG 的约束关系, 提出同时考虑深层肌肉激活度、关节力
矩与 EMG 误差的加权目标函数. Pizzolato 等 (2015) 开发了开源程序包 CEINMS, 其中集成了不
同的 EMG 辅助优化算法. Durandau 等 (2018) 提出了基于 EMG 测量的肌骨系统快速在线仿真
算法, 为肌骨模型仿真与可穿戴设备准实时交互提供可能.
3.2.2 动态优化
静态优化忽略了人体肌骨系统的时间效应, 导致基于静态优化得到的肌肉激活度, 无法驱动

同一肌骨模型复现实测运动. 为了使肌骨系统仿真结果严格满足动力学方程, 学者们提出了动态
优化 (global optimization) 方法. 该方法与静态优化在同一时期诞生, 例如 Davy 和 Audu (1987)
提出了综合轨迹跟踪误差与生物能 (metabolic cost) 的目标函数, 计算步态摆动期的下肢肌肉发
力. Pandy 等 (1990) 基于一平面肌骨模型, 以人体质心高度最高为优化目标, 确定了跳高过程的
肌肉激活度. 随后, Anderson 和 Pandy (1999) 将二维肌骨模型拓展至三维, 基于同一优化目标正
向分析跳高过程. 该分析方法被进一步拓展至步态 (Anderson & Pandy 2001a), 以生物能消耗为
优化目标, 通过正向仿真确定全步态周期的肌肉激活度. Anderson 和 Pandy (2001b) 进一步将这
一方法与静态优化计算结果进行系统比较, 证实二者在临床上等价.
动态优化方法放弃式 (5) 中的动平衡方程约束, 对肌骨多柔体系统动力学方程直接积分. 在
积分前确定各肌肉激活度随时间变化, 完成一组仿真后根据目标函数 J 的变化梯度再调整激活度
曲线. 因此, 动态优化模型的数学形式可总结如下

Nm ∫
∑ 
t


min J =
p
wi (ai ) dt 



i=1 0 
M q̈ − Qext − Rmus F mus + CqT λ = 0 (6)


s.t. 

C(q, q̇, t) = 0 



amin ⩽ ai ⩽ 1
与静态优化方法相比, 动态优化的计算量巨大, 因为其优化迭代过程需要多次求解动力学方

程. 为解决该问题, 近年来学者们提出一系列方法加速动态优化. 例如, De Groote 等 (2009) 通过
变量替换方法, 将非线性动态优化转换成凸优化问题. Shourijeh 等 (2014) 采用 Fourier 级数拟合
激活度曲线, 降低了优化自变量数目. Quental 等 (2015) 提出了滑窗动态优化方法, 将全域时间积
分退化为滑窗内时间积分. De Groote 等 (2016) 将直接配点法引入动态优化模型, 这一思想已被
应用在开发 OpenSim-Moco 肌骨动力学优化控制程序 (Dembia et al. 2020). Rahmati 等 (2017) 提
出变量代换法, 使各肌肉的激活度始终满足动力学方程, 将有约束优化问题转化为无约束优化.
270 力学进展 2022 年第 52 卷
Shourijeh 等 (2017) 在每一时间步做无约束动态优化, 进一步通过有约束局部优化修正肌肉激

活度.
3.3 肌肉协同控制
在肌骨系统建模中, 往往假设不同肌束间相互独立. 然而, 实验结果 (Cheung et al. 2012, Hir-

ashima & Oya 2016) 表明, 在某些运动条件下, 不同肌束的激活度高度相关 (Pan et al. 2018), 而神
经系统疾病可能改变这种相关性 . 这种相互依赖的神经 −肌肉控制模式被称为肌肉协同性
(muscle synergies) . Bernstein (1966) 最早指出肌肉协同性问题, 认为人体通过将特定的协同模式
储存在神经回路中, 可减少人体运动的冗余自由度 (杨毅 et al. 2020). 大多数研究认为, 肌肉协同
性是源自于大脑或脊髓 (Tresch & Jarc 2009), 但 Kutch 和 Valero-Cuevas (2012) 基于尸体实验对
上述观点提出质疑, 并进一步通过肌骨模型仿真 (Valero-Cuevas et al. 2015) 说明, 肌肉协同模式
来自人体动力学与目标运动特征.
肌肉协同模式可由多通道 EMG 信号 A(t)提取, 其中在肌骨动力学中应用最为广泛的是时不
变协同模型 (Chiovetto et al. 2013). 如图 6 所示, 该模型将 A(t)分解成反映空间特征的协同结构
矩阵 WNmus ×Nsyn 与时间相关的矢量 H(t), 即
A(t) = W H(t) + error (7)
这一模型将肌骨系统中独立的控制变量数目从肌束个数 Nmus降至协同模式数目 Nsyn , error 为

提取 Nsyn 阶协同模式后剩余的非线性组分, 一般根据其范数判断是否需进一步提取协同模式. 时
不变协同结构矩阵W 可通过非负矩阵分解 (Févotte & Idier 2011)、主成分分析 (Tresch et al. 2006)
等方法提取. Cheng 等 (2019) 在 H(t)中引入时间延迟, 提高了协同模式提取的鲁棒性.
近年来, 肌肉协同模式被广泛地引入肌骨系统优化控制建模中, 在考虑个性化神经与肌肉控
制特征的同时降低控制变量数目. De Groote 等 (2014) 证实, 肌肉协同模式可视为神经与肌肉优
化控制受运动目标约束下的独立控制变量. Walter 等 (2014) 发现, 考虑协同性的肌骨系统静态
优化可提高膝关节接触载荷预测精度. Steele 等 (2015) 比较基于静态优化与直接由 EMG 提取的
协同激活模式差异, 认为人体动力学特征会改变协同激活模式. Razavian 等 (2015a) 给出了单关
节肌骨模型最优控制的显式解, 求得激活模式给出的肌肉激活度受关节姿态调制. 该研究团队
(Razavian et al. 2018) 还进一步提出了基于协同模式的非优化控制策略, 并通过在体实验证实了
基于协同模式实现神经与肌肉控制的可行性.
3.4 神经与肌肉多层级控制
在上述优化理论与协同理论中, 均忽略了人体神经与肌肉控制具有的多层级特征. 事实上,

人体运动控制器是由大脑初级运动皮层、脑干、基底神经节、小脑构成的高级大脑中枢, 脊髓
反射以及遍布全身的感受器构成的多层级网络结构 (王瑞元等 2018). 骨骼肌运动受脊髓、脑干
和大脑皮质三级调控, 小脑与基底神经节监控人体运动, 神经系统各层级各司其职, 功能上具有
独立性.
迄今, 人类对神经与肌肉多层级控制的机理认识仍不深入. 近几年, 学者已开始尝试建立具
1.0
模式1
0.8 模式2
模式3
0.6

0.4
0.2
0
臀大肌臀中肌股直肌股外侧肌股二头肌腓肠肌胫骨前肌
0.4
模式1
0.3 模式2
模式3
()
0.2
0.1
0
1.0 1.5 2.0 2.5 3.0 3.5 4.0
时间/s
图6
基于非负矩阵分解 (Févotte & Idier 2011), 由健康人 3 个步态周期提取的典型肌肉协同模式
有多层级特征的控制模型, 确定肌骨模型的肌肉激活度. 例如, Razavian 等 (2019) 将人体运动控

制分成两级: 高级控制器只规划关节运动轨迹; 而低级控制器根据协同性分解各肌肉内力, 实现
骨骼肌内力的快速计算. 如图 7 所示, Walter 等 (2021) 建立了包括运动感知规划、控制信号转
导、兴奋收缩变换三级控制系统, 实现了人体肌骨系统的站立与下蹲模拟. 然而, 该控制模型需
要非常多的参数输入, 难以根据有限的神经生理学实验确定. 此外, Haeufle 等 (2020) 以手臂控制
为例, 指出神经与运动控制计算量随层级提高而增大.
与此同时, 学者们已对基于脊髓反射的肌骨系统控制开展了较为系统的研究. 其中, 中枢模
式发生器 (central pattern generator, CPG) 理论已较为广泛地应用在人体节律运动的控制中 .
CPG 可自发、独立地产生周期性信号, 指挥骨骼肌产生协调重复性收缩 (王树明 2018). Zhang
和 Zhu (2007) 基于 CPG 模型与人体简化动力学模型, 预测步态周期的下肢肌肉激活度. 随后, 董
玮等 (2008) 基于下肢神经解剖特点对 Zhang 和 Zhu 建立的模型做进一步修正, 并拓展到上肢周
期运动 (吴炯等 2010) 中. 然而, 该模型对足与地面接触过于简化. Razavian 等 (2015b) 将 CPG 控
制器与手臂肌骨模型结合, 实现屈肘动作的正向仿真, 但其难以拓展到更大尺度肌骨系统建模.
另一种典型的脊髓反射称之为牵张反射. 牵张反射是指肌梭感受到肌肉长度变化后, 通过
γ 环改变骨骼肌激活度的控制模式 (王树明 2018). 该反射的潜伏期很短, 因此对外界干扰刺激响
应快速、同时不受中枢神经直接调制. 利用这一原理, Zhang C 等 (2019a, 2019b) 将肌骨模型与

272 力学进展 2022 年第 52 卷
运动感知规划控制信号转导兴奋收缩变换
角度误差
纤维长度误差肌梭关节力矩
目标
腱梭肌骨
运动角度力矩控制层级肌肉运动学
模型
规划控制传递肌力控制
目标长度激活度执行
纤维
协同性长度
CPG控制
图7
Walter 等 (2021) 建立的多层级神经与运动控制模型.
牵张反射结合, 模拟脊柱受振动载荷条件下的动态响应. Geyer 等 (2010) 以牵张反射作为平面步

态模型的基础控制器之一, 实现了平面人体肌骨模型的正向行走仿真. 除肌梭之外, 肌腱内还分
布着一类张力感受器, 称之为腱器官或腱梭. Mileusnic 等 (2006) 提出了以腱梭作为肌肉内力传
感器的力学模型. Williams 等 (2014) 将腱梭、肌梭模型集成到静态优化控制器中, 实现了手臂刷
牙动作快速仿真. Zhang H 等 (2020) 进一步将上述思想拓展到步态动力学仿真中, 仿真得到的肌
肉激活度与 EMG 测量结果一致.
4 神经肌骨系统多体动力学
4.1 控制方程求解与分析
人体神经肌骨系统的控制方程包括两部分, 即肌骨多体系统动力学方程与兴奋激活耦合方
程, 可写作如下形式 (Guo J et al. 2020a)

M (q, t)q̈ − Q(q, q̇, a, t) + CqT λ = 0 

C(q, t) = 0 (8)


τa (a, u)a − (u − a) = 0
其中 , 广义力 Q = Qext + Qjoint, 神经兴奋矢量 u = {u1 , u2 , · · · , uNmus }T , 骨骼肌激活度矢量

a = {a1 , a2 , · · · , aNmus }T . 式 (8) 为典型的指标−3 微分−代数方程组 (differential-algebraic equa-
tions, DAEs) . 近年来, 多体动力学领域的众多学者投身于 DAEs 求解算法的深入研究, 其主要进
展可参见本文作者的综述 (田强等 2017). 对于人体肌骨系统, 根据实验观测量与计算输出量的差
异可分为三类基本求解方式 (Ezati et al. 2020): 逆向动力学、正向动力学、预测动力学.
4.1.1 逆向动力学
逆向动力学需测定受试者的关节运动学与外力信息, 将式 (8) 作为约束方程求解关节力矩

Qjoint , 进而计算骨骼肌内力. 逆向动力学往往基于静态优化算法 (详见 3.2.1 节) 求解, 解决骨骼
肌内力分配的冗余性问题, 计算效率远高于正向仿真. 为了进一步实现逆向优化的准实时计算,

Murai 等 (2010) 将伪逆算法引入逆向优化问题求解, Moissenet 等 (2012) 进一步探讨了伪逆算法
相比传统优化求解方法的效率提升, Razavian 等 (2015a) 针对单关节肌肉控制, 求出肌肉激活度
的理论解与对应的协同模式.
近年来, 肌骨系统逆向动力学问题的运动学输入, 已经由传统的红外动作捕捉逐渐拓展到惯
性传感器 (Karatsidis et al. 2019)、Kinect 体感相机 (Skals et al. 2017b) 等, 这使肌骨模型应用于
实验室以外场景成为可能. 近年来, 随着计算机视觉的发展, 深度学习算法 (Nie et al. 2019, Sun
et al. 2019) 能够从多通道视频中快速提取人体 21 个关键点, 并应用在体育比赛实际场景中 (李
翰君等 2020), 其关键点识别精度达到厘米级 (刘卉等 2021). 目前, 本文作者团队已初步实现利
用上述人体关键点运动学数据驱动肌骨模型, 通过在逆动力学求解中引入软组织约束, 避免髋关
节出现非生理性内/外旋, 进一步推动肌骨模型在竞技体育、患者居家康复等场景的应用.
4.1.2 正向动力学
正向动力学研究能够考虑人体运动过程中的骨骼肌非线性动力学与软组织惯性效应. 这类
研究一般以肌肉激活度 a与外载荷 Qext作为模型输入, 求解人体各个节段与关节运动量. 由于基于
优化控制的正向动力学研究会带来巨大计算量, 因此通常采用试凑法给出各个肌肉的激活度曲
线 (Tuijt et al. 2010, Rupp et al. 2015). 这种方法适合于小规模肌骨系统, 例如口颌 (Lloyd et al.
2012)、肘关节 (Röhrle et al. 2017) 等问题的求解, 或者是肌肉等长/等速收缩问题 (Serpas et al.
2002, Hume et al. 2018). 针对下肢步态模型, 可通过比例−微分−积分 (proportional-integral-deriv-
ative, PID) 控制正向驱动. 但该方法需引入给定的协同模式, 消除骨骼肌的冗余性. Navacchia 等
(2019) 根据生理截面积分配同一关节的不同肌肉激活度 ; Razu 和 Guess (2018) 实现了基于
EMG 与 PID 协同控制的正向仿真; Khasian 等 (2020) 则将控制同一关节运动的多束骨骼肌合并
考虑激活度.
肌骨系统的正向动力学分析能够与有限元方法深度结合. 例如, Guess 等 (2010, 2015) 采用有
限元离散半月板, 提取下肢肌骨模型中的半月板刚度矩阵. 最近, Müller 等 (2020) 实现将半月板
非线性有限元模型与肌骨系统正向仿真融合, 通过有限元提取关节三维接触载荷, 导入到肌骨系
统仿真关节三维运动, 但其仍无法实现精细有限元模型与肌骨正向仿真强耦合. Navacchia 等
(2019) 与 Hume 等 (2019) 建立了包含精细膝关节周围组织建模的肌骨模型, 基于显式动力学求
解坐站转移与步态摆动期膝关节载荷, 但其计算量巨大. 为解决这一问题, Mo 等 (2019) 将肌骨模
型正向动力学分析与三维骨骼肌精细有限元模型耦合, 并基于运动学跟踪误差调整肌肉激活度,
降低了系统计算量. 然而, 精细有限元模型往往忽略了骨骼肌的惯性效应, 难以准确仿真跑步、
跳跃、侧切等快速运动.
近年来, 多柔体系统动力学方法已被逐渐推广到人体肌骨系统建模 (图 8) , 提出的各种模型
兼顾了人体动力学特征与计算效率. 如图 8(a) 所示, 浮动节点坐标法被 Mikkola 等应用在小变形
体 (例如骨骼) 建模 (Kłodowski et al. 2011a, 2016). Al Nazer 等 (2008, 2011) 采用模态柔性体替代
刚性胫骨模型 , 在 LifeMOD 插件中采用正向动力学方法分析步态载荷 . 随后 , Kłodowski 等
274 力学进展 2022 年第 52 卷
a b 0
髂后
上棘 -0.05
自由肱二
髂前界面 -0.10 头肌
上棘肱三头肌
-0.15
-0.20
固定
-0.25 0.3
界面
0.2
股骨 -0.30
0.1
0 0
膝关节 c 中心腱-胸骨：圆柱副
柔性股骨颈模型
胫骨 L2
L3
踝关节红外
标记点
足跟
足尖肌性部：柔性单元
图8
多柔体动力学在肌骨系统建模中的应用. (a) 基于浮动节点坐标描述建立的小变形股骨颈模型
(Kłodowski et al. 2012), (b) 柔性肱二头肌、肱三头肌模型 (Gfrerer & Simeon 2021), (c) 柔性膈肌
模型 (Guo J et al. 2021a)
(2011b) 将这一方法推广到股骨应变分析, 并计算了摔倒等易诱发股骨颈骨折工况的股骨三维变

形 (Kłodowski et al. 2012). Gervais 等 (2018) 建立了股骨假体的 Craig-Bampton 动力学降阶模型,
并与人体多刚体模型耦合. Geier 等 (2019) 进一步将定量 CT 引入肌骨建模, 建立个性化股骨降
阶模型, 并与 Anybody 步态肌骨模型耦合分析.
骨骼肌、韧带等柔性组织在人体运动过程中会产生大变形, 例如在最大等长收缩条件下, 肱
二头肌应变能够达到 25% ~ 30% (Lopata et al. 2010). 绝对节点坐标法 (absolute nodal coordinate
formulation, ANCF) 为此类大变形柔性体提供了有效的建模方法 (Shabana 1997, 2011). Shabana
等将 ANCF 法应用到膝关节内、外侧副韧带建模 (Mohamed et al. 2010, Weed et al. 2010), 并提
出了韧带与骨骼附着点约束方程组 (Gantoi et al. 2010). 进一步 , Gantoi 等 (2012, 2013) 将 AN-
CF 梁单元与薄板单元应用在关节软骨接触中, 并基于等几何描述刻画了股骨髁与胫骨平台三维
形貌. 然而, 上述研究均限于只发生被动拉伸变形的结缔组织, 难以直接应用于骨骼肌主、被动
肌力建模. Röhrle 等 (2017) 基于实体单元离散肱二头肌、肱三头肌, 建立的动力学模型考虑了骨
骼肌三维几何、超弹性本构与主动肌力, 通过正向积分求解肘关节运动, 但尚未考虑骨骼肌惯
性. 最近, Gfrerer 和 Simeon (2021) 基于连续介质力学推导, 得到考虑骨骼肌结缔组织超弹性的柔
索单元, 参见图 8(b), 但该方法难以推广到大尺度肌骨系统建模. 本文第一作者建立了考虑骨骼
肌主、被动肌力与惯性分布的一维索单元 (2020a, 2020b) 与二维膜单元 (Guo J et al. 2021a), 考
虑了骨骼肌的惯性分布以及肌肉物质跨关节流动, 基于隐式向后差分方法求解式 (8). 所建立的
柔性肌肉单元模型实现了肌肉惯性, 主、被动肌力, 体积守恒, 以及纤维间结缔组织弹性的同时

建模, 参见图 8(c).
除了 ANCF 方法之外, 几何精确梁 (geometrically exact beam formulation, GEBF) 也能有效
地处理柔性体的大转动与大变形耦合问题, 近年来被广泛应用在软体机器人的动力学建模. 例
如, Renda 等 (2018) 提出基于 Cosseat 梁理论的几何精确梁模型, 在软抓手分段等曲率模型中引
入剪切和扭转变形. 这一工作被拓展到仿章鱼触角绳驱软体机器人建模 (Renda 2014). Grazioso
等 (2019) 进一步通过实验验证 GEBF 对软体机器人末端位移的预测精度. 目前, 几何精确梁在
人体肌骨建模的应用集中在脊柱. Valentini 和 Pennestrì (2011) 使用三维弹性样条曲线比拟人体
脊柱, 并分析头足向振动传递率 (Valentini 2012). 但由于不同节段的椎间盘生物力学参数差异显
著 (Zanoni et al. 2020), 使脊柱梁模型整体的弹性模量难以估计. 另外, Lie 群理论已被初步应用
于人体动力学建模 (魏高峰等 2009), 并在人体姿态识别领域取得了很好效果 (Vemulapalli et al.
2014, 丁和恩 2019). Brüls 教授将几何精确梁单元与 Lie 群结合 , 并且公开了其部分计算程序
(Brüls et al. 2012; Sonneville et al. 2014), 通过 Lie 群建模原理可望实现几何精确单元与人体动力
学建模的深度融合.
柔性单元的引入, 使人体肌骨模型的自由度数从多刚体假设下的几十个增至上万个. 如何提
高正向动力学求解的计算效率, 是多柔体系统动力学方法在人体肌骨建模领域推广亟待解决的
问题. 为提高高维 DAEs 的求解效率, Li 等 (2016) 提出了并行递归算法, 在关节约束与单元节点
处将多柔体系统拆分 , 根据静力缩聚法简化每个子系统的内部自由度 . Tang 等 (2019) 将经典
Craig-Bampton 降阶技术进一步发展, 通过构建自适应模态基来描述大变形柔性体动力学行为,
并推广到黏弹性多柔体系统 (Tang et al. 2021). Luo 等 (2017) 将本征正交分解 (proper orthogonal
decomposition, POD) 应用到多柔体系统, 类似思想同样能应用于人体动力学建模. 例如, Dumas
等 (2014a, 2014b) 基于 POD 方法分析跑步过程中软组织振动对红外标记点位置的影响, 并将软
组织视为悬挂质量 (wobbling mass) 建立振动模型 (Dumas & Jacquelin 2017). Mordhorst 等
(2017) 基于 POD 方法, 实现了骨骼肌多通道 EMG 信息的降阶分析. 另外, 基于数据驱动的代理
模型, 能够实现将关节精细接触模型与全人体肌骨模型多尺度耦合, 避免局部计算步长对整体系
统的影响. Lin 等 (2010) 基于代理模型思想, 将基于弹性基础模型 (Blankevoort et al. 1991) 建立
的膝关节假体精细有限元模型与人体肌骨多体模型耦合. Eskinazi 和 Fregly (2015a) 开发了开源
程序包 SCMT, 实现肌骨系统与假体代理模型快速建模. 上述学者还将人工神经网络引入假体代
理模型的构建中 (Eskinazi & Fregly 2015b). 然而, 目前对人体肌骨系统数据驱动代理模型的研究
集中在假体建模领域, 对肌肉、韧带等软组织的动力学降阶建模研究工作仍十分缺乏.
4.1.3 预测动力学与非线性分析
预测动力学 (predictive dynamics) 可视为一类特殊的正向动力学算法, 其基本原理参见 Xi-

ang 等 (2010) 的综述. 与其他两类问题相比, 仿真时描述人体关节运动的广义坐标 q 与肌肉激活
度 (关节力矩 Qjoint ) 均未知, 可视为优化变量. 因此, 预测动力学优化问题的自由度数一般很大.
预测动力学优化将动力学方程式 (8) 视为约束条件, 此外一般还需给定运动的初值与终值, 以及
276 力学进展 2022 年第 52 卷
其他一些事先规划的信息 γ , 包括 q, Qjoint 的取值范围等. 上述约束条件限制了求解的可行域, 进

而需要基于优化方法确定令目标函数 J 最优的步态.
预测动力学方法受制于优化求解器的计算能力, 研究工作主要局限于人体平面模型的多刚
体系统动力学仿真, 难以引入神经与肌肉控制. Leboeuf 等 (2006) 讨论了最小力矩与最小能量假
设对体操最优动作预测结果的影响. Xiang 等 (2009) 建立了人体的多刚体系统模型, 实现了单兵
负重状态下的最优步态仿真. 随后, 其研究团队又建立了双人抬起重物模型 (Xiang et al. 2019,
Xiang & Arefeen 2020), 应用于人机功效领域. Jackson 等 (2016) 建立了跳远运动员的平面多刚体
模型, 并根据实测运动学数据判断不同优化目标对跳远起跳动作的影响. Pettersson 等 (2013) 将
原地起跳过程划分成多个时相, 分别以最小力矩为目标预测动作, 但这一方法的计算自由度数
(约 6000) 与约束数 (约 15 000) 均比较高. Jansen 和 McPhee (2020) 基于直接配点法, 实现了自行
车运动员冲刺动作的最优预测. 最近, Febrer-Nafría 等 (2021) 实现了不同步速条件下拄拐最优步
态的三维预测.
为了实现人体动力学模型能够长时间维持站立、行走而不发生摔倒, 需要进一步引入非线
性动力学分析工具, 理解人体多体系统的动平衡与稳定机制. 人体静止站立过程一般被视为以踝
关节为转轴的单自由度倒立摆 (Shumway-Cook & Woollacott 2007), 但 Creath 等 (2005) 指出这
一假设仅在外界扰动在 1 Hz 以下时成立, 一般情况下应将人体视为髋−踝两级倒立摆系统. 基于
这一假设, Chumacero-Polanco 和 Yang (2020) 分析了扰动对人体两级倒立摆系统平衡的影响, 讨
论了 Hopf 分岔与叉形分岔出现的条件. Günther 等 (2016) 进一步引入膝关节自由度, 提出三级
倒立摆模型, 并指出调整下肢关节刚度能够实现从稳定吸引子到奇怪吸引子的转变. 针对人体两
类平衡姿态的切换, 例如“坐站转移” (sit-to-stand) 问题, Shia 等 (2018) 提出使用倒立摆模型, 用
吸引盆刻画人体跌倒的可能性 (Holmes et al. 2020). 另外, 由于神经中枢到骨骼肌执行器存在几
十到几百毫秒的时间延迟, 时间迟滞对人体姿态平衡的影响不可忽略 (Stepan 2009). Zhang 等
(2018) 将踝关节肌群简化成含时滞的非线性控制器, 在人体摆模型中引入 Hopf 分岔模式. 最近,
Zelei 等 (2021) 与 Molnar 等 (2021) 分别基于人体实验验证了含时滞比例−微分控制器形成的稳定域.
理解人体周期步态这一强非线性运动, 需要用到极限环分析行走周期过程的稳定性
(Hürmüzlü 1986). 这一分析方法假设人体步态具有全局轨迹的稳定性, 但是不具有局部稳定性
(何家玮 2018). 可采用庞加莱截面与最大 Floquet 乘子, 定量判断人体运动学参数向理想极限环
解的收敛情况 (Hürmüzlü 1986). Dingwell 等 (2001) 进一步引入最大 Lyapunov 指数, 分析双足步
态受小扰动时的收敛率 . 双足机器人的出现 , 特别是 McGeer (1990) 提出的被动行走 (passive
walking) 机器人, 为理解人体步态的非线性动力学提供了理想工具, 参见 Al-Shukaet al.(2014) 撰
写的相关综述. Narioka 等 (2009) 在极限环行走双足机器人中引入气动人工肌肉, 分析了踝关节
肌肉对双足行走稳定性的影响 . 柳宁等 (2008) 采用胞映射法计算被动行走机器人的吸引盆 ,
He 和 Ren (2019) 建立了含膝关节被动行走机器人的多体动力学模型, 实现了稳定步态参数的快
速识别. 针对跑步 (Bencsik & Zelei 2017)、跳跃等人体运动速度更快的情况, Zelei 等 (2019) 提出
了包含关节主动力矩的平面模型, 寻找稳定运动过程满足的极限环. 另外, 同伦方法也能够应用
在人体步态这一强非线性运动中. 例如, Howell 和 Baillieul (1998) 基于同伦方法分析了被动行走

机器人的步态周期解 ; Gomes (2005) 基于同伦方法 , 寻找保能量的步态周期解 ; 最近 , Ma 等
(2021) 将同伦方法与神经网络相结合, 提出了含假肢人体稳定行走控制策略. 然而, 非线性动力
学分析往往局限于平面低自由度简化人体模型, 往往将骨骼肌行为过分简化, 忽略了真实的神经
控制策略以及肌肉控制的冗余性特征.
4.2 个性化肌骨模型的参数辨识
肌骨多柔体系统动力学建模需要确定大量的模型参数, 但目前尚无实验手段能够从单一受
试者辨识全部个性化参数. 因此, 目前一般采取“两步走”策略: 首先基于尸体解剖学数据建立所
谓“标准人”模型, 然后通过标定手段映射到受试者. 但即便是标准人模型, 其生物力学参数也来
源于多个受试组的结果. 因此, 如何整合基于不同受试者的模型数据, 已成为本领域研究的重要
内容之一. 而肌骨系统个性化建模, 离不开多体动力学与影像学、运动生物力学、生物材料力学
等人体实验测量学科的深度交叉.
4.2.1 肌肉形态
肌肉形态学参数, 特别是肌肉与骨骼附着点的选取直接决定了肌肉力臂. 一方面, 由于肌肉

附着在骨骼上会形成附着曲面, 故基于影像直接选取肌肉附着点具有很大的随意性 (She et al.
2018). 另一方面, 解剖学界已建立了比较可靠的肌肉形态学数据库, 包括 Horsman 等 (2007) 建立
的下肢数据库, Erdemir 等 (2015) 建立的膝关节数据库, Hansen 等 (2006) 建立的腰椎数据库等.
如何在测量受试者 CT、核磁等影像学数据的基础上, 将肌肉附着点映射到个性化骨骼几何模型,
是目前实现骨骼肌几何个性化的主要方案 (崔伟玲 2019), 参见梅齐昌等 (2020) 撰写的相关综述.
Kaptein 和 van der Helm(2004) 提出采用骨骼几何变换方法, 即通过对标准几何进行平移、
旋转与放缩变换, 将标准人肌肉附着点映射到个性化模型. 但该方法只具有 50% 正确性. Li 等
(2009) 提出基于与骨骼固接的标记点配准韧带附着点, 但其方法基于尸体标本实现, 无法推广到
健康受试者的无创测量 . Pellikaan 等 (2014) 将点云配准中的迭代最近点法 (iterative closest
point, ICP) (Arun et al. 1987) 推广到肌肉附着点选取, 通过标准人与个性化骨骼几何点云实现最
小二乘配准. 值得指出, ICP 方法是近年来生物力学领域关注的统计形状模型 (参见 2.2 节) 的重
要理论基础 (Tsai et al. 2015, Luthi et al. 2018, 梅齐昌等 2020). Zhang 等 (2016) 基于 26 例下肢几
何影像数据建立了 SSM 模型, 并将标准解剖模型的肌肉附着点数据映射到个性化受试者. 然而,
SSM 模型需要大量解剖学影像数据作为训练集, 无法在小样本条件下使用.
Amberg 等 (2007) 在 ICP 方法的基础上引入网格曲面的小变形, 建立了非刚性 ICP 变换方
法. 近期, 本文作者团队将该方法推广到肌肉附着点映射, 分别以 de Zee 等 (2007) 建立的口颌模
型的肌肉附着点, 以及一名典型健康受试者的肌肉附着区域为基础, 将模型映射到口颌肿瘤患者
的术前 CT 影像, 初步实现了口颌肌群与骨骼解剖的个性化自动配准, 参见图 9. 该方法还能与
Modenese 和 Kohout (2020) 提出的肌肉路径自动生成方法相结合, 实现受试者三维骨骼肌的个
性化建模.
278 力学进展 2022 年第 52 卷
a 左闭口肌 b
右闭口肌咬肌
左开口肌颞肌
右开口肌翼外肌
翼内肌
二腹肌
图9
基于非刚性迭代最近点方法 (Amberg et al. 2007) 映射肌肉附着点. (a) 基于 Anybody 标准口颌模
型 (de Zee et al. 2007) 映射到患者; (b) 基于一名健康人肌肉附着区域, 映射到患者
除了肌肉附着点外, 以羽状角度量的肌纤维分布, 同样可能影响肌骨系统的动力学响应 (李

永胜和陈维毅 2007). Hodge 等 (2003) 应用超声影像观测了骨骼肌收缩时的三维形态变化. Man-
al 等 (2008) 进一步建立了肌肉激活度与羽状角变化之间的线性相关性, 但其肌肉收缩模式局限
于等长收缩, 无法反映羽状角随人体运动的变化. 最近, Seynnes 和 Cronin (2020) 基于开源生物
图像处理软件 ImageJ, 开发了快速提取肌束与腱鞘几何的插件, 为提取羽状角的动态变化提供了
计算工具.
4.2.2 肌肉最大力量
在肌骨模型中, 肌肉最大力量一般用最大收缩内力 F0mus来表示, 其取值直接影响肌骨系统动

力学响应. Valente 等 (2014) 的灵敏度分析结果表明: 骨骼肌几何和最大肌力会对逆动力学计算
结果产生显著影响. 因此, 肌肉的最大力量已成为人体肌骨模型参数辨识的核心问题. 然而, 迄今
尚无实验手段来直接测量单一肌肉的最大等长力量信息. 目前, 大多数肌骨模型的 F0mus来自对尸
体实验测定的肌肉生理截面积乘以固定的强度系数. 但该系数尚无定量实验支撑, 一般取 0.2 ~
1.4 MPa (Bruno et al. 2015). 此外, 还需要定义相关标度律 (scaling law) 将尸体实验测定的肌肉信
息映射到个性化受试者. 例如: 可采用 Rasmussen 等 (2005) 基于统计结果 (Frankenfield et al. 2001)
建立的线性标度律, Correa 和 Pandy (2011) 基于圆柱体肌肉几何假设推导得到的标度律, 以及
Handsfield 等 (2014) 基于 35 例 MRI 测量结果建立的统计标度律 . 然而 , 这些标度律无法兼顾
BMI、年龄、性别 (Danneskiold-Samsøe et al. 2009)、劳动强度、是否患病等诸多因素, 难以直
接应用在运动员、患者、士兵等特殊人群中.
等速肌力测试 (Huang et al. 2017) 是测量受试者肌肉力量的金标准, 但其无法分辨控制关节

运动的肌力分配情况, 也无法测定肌肉力臂. 万祥林等 (2020) 通过动作捕捉测定腘绳肌力臂 (Yu
et al. 2008), 根据 Ward 等 (2009) 给出的腘绳肌群各肌肉截面比例, 由等速测力计测得肌力强度
和最优肌纤维长度. 然而, 该方法忽略了肌肉起止点与截面信息的个体间差异. Benoussaad 等
(2013) 基于 Huxley 骨骼肌模型与等速加载测试, 辨识股四头肌主、被动肌力参数, 但实验过程
需要电刺激控制, 难以应用到健康人群. Hayashibe 等 (2011) 提出基于力台与 EMG 同时辨识肌
肉质量分布与力量的计算方法, 但这一方法难以考虑深层肌群的贡献. Synek 等 (2019) 基于尸体
实验, 反演人与灵长类动物的个性化手指肌肉参数, 但基于单一肌腱的加载方式难以实现在体无
创加载. Hegarty 等 (2019) 使用手持式测力计测试小儿偏瘫患者的下肢关节肌群等长内力, 进而
基于肌骨模型计算迭代获取肌肉力量, 但其使用的肌骨模型在肌肉几何上未实现个性化. Ma
Y 等 (2019) 结合 EMG 测量与肌骨模型仿真, 在无肌力测试的条件下实现小腿肌群的强度标定.
最近, 李洋等 (2021) 提出了基于机器学习与有限元仿真的骨骼肌超弹性本构参数反演方法, 但该
方法难以获得肌肉主动肌力参数. 另外, 大多数肌骨模型直接采用肌肉激活参数 (例如: Thelen
2003), 忽略了不同人群与肌肉间的差异性. Sreenivasa 等 (2016) 将稳态、瞬态变量分别采用优化
方法辨识, 给出了肱二头肌与肱三头肌的激活模式差异.
4.2.3 足底接触力描述
足与地面间的接触力决定了人体步态动力学响应. 步态实验室一般采用力台测量足底接触
力, 测量结果包括三维力矢量与压力中心 (center of pressure, CoP) . 在肌骨模型中, 可直接将力
台数据作为外载荷输入, 求解关节力矩与肌肉内力. 然而, 力台难以在步态实验室之外直接应用.
此外, 在肌骨系统正向动力学分析中, 无法直接输入足底接触力. 足底压力测量可获取任意时刻
足所受正压力的空间分布, 但其只包含支撑人体直立的法向压力, 难以获取推动人体前进的摩擦
力. 因此, 肌骨系统建模需包含可靠的足底接触力模型.
在肌骨系统建模中, 一般将足底接触力处理为约束或接触模型, 其中约束建模适用于逆向动
力学分析. Ren 等 (2008) 提出“光顺平移假设”, 采用经验函数拟合足底反力. Hamner 等 (2013) 建
立了滚动约束模型模拟足与地面相互作用, 并通过与球铰和固定副 (Guess 2012) 约束比较验证
模型适用性. Fluit 等 (2014) 在单足上布置 12 个接触检测点, 在各检测点放置 5 个虚拟作动器, 基
于静态优化求解足与地面接触力分布. Skals 等 (2017a) 对这一约束模型做进一步优化, 应用于体
育动作分析领域. 彭迎虎等 (2019) 基于力台测试对上述模型在不同步速条件下的正确性进行验
证, 证实约束模型在低步速条件下具有较好的预测效果. Millard 和 Mombaur (2019) 将足分别简
化成椭球与双球约束模型 , 将约束建模方法推广到人体正向动力学仿真 . 最近 , Van Hulle 等
(2020) 提出基于最小二乘与滤波, 实现了足与地面单面约束力的快速计算.
接触力模型主要应用于正向动力学仿真. 由于足的复杂几何结构, 为了提高计算效率, 一般
需将足简化成简单接触几何体的组合. 在被动行走 (何家玮 2018) 等问题的研究中, 可忽略足的
三维几何, 在足底布置接触点, 将其与地面接触简化成分布点与平面接触问题 (Ma et al. 2021).
Jackson 等 (2016) 在足表面均布接触点, 在足与地面间形成线性刚度−阻尼器矩阵, 并基于参数优
280 力学进展 2022 年第 52 卷
化获得接触参数. 然而, 可靠的接触点模型需建立大量接触对, 会给肌骨系统引入大量计算代价,

可用简单几何体来拟合足部几何. 例如, Pàmies-Vilà等 (2014) 将足的接触几何简化成 4 个球体,
采用自适应协方差矩阵优化与增广 Kalman 滤波优化接触模型参数 . Shourijeh 和 McPhee
(2015) 提出了超体积接触模型, 考虑足与地面接触过程中的非局部性. Lopes 等 (2016) 进一步将
接触几何体抽象成椭球 , 与点接触模型相比 , 可提高接触计算效率 . 如图 10 所示 , Brown 和
McPhee (2018) 基于步态周期的足底压力分布与压力中心轨迹实验, 对椭球接触模型的正确性进
行验证. 类似的思想被 Ezati 等 (2020) 进一步应用在人体步态轨迹优化当中. 接触模型与约束模
型比较, 会带来更大的计算代价, 但其反映足与地面相互作用的力学本质, 适用于较高步速或惯
性效应较大条件仿真.
4.3 典型应用
4.3.1 步态分析与假体设计
人体步态 (Gait) 是指人体步行时的人体姿态与肌肉激活特征. 正常稳定步态具有节律性, 一

个完整的步态周期可定义为从一侧足跟触地到同侧足跟再次触地的过程, 并可进一步划分成支
撑期与摆动期 (Whittle 2014). 步态运动学信息主要包括髋、膝、踝关节屈/伸、内收/外展、内/
外旋, 骨盆三维运动, 以及人体质心运动轨迹等 (董玮 2011). 骨性关节疾病会影响步态特征, 除了
改变步态周期等时相信息外, 还会造成步态运动学信息的定量改变 (Ren S et al. 2018, Shi et al.
2019). 然而, 目前尚缺乏在体实验手段, 测定步态运动学信息改变与骨骼肌激活方式的定量关联.
关节置换术是治疗大多数人体骨性关节疾病的有效手段. 但手术过程会不可避免地改变患
者关节接触曲面形貌, 切断部分肌肉与韧带组织, 调整其他肌肉力臂, 容易引起患者术后步态异
常 (Benedetti et al. 2003), 影响患者术后日常生活. 根据北京积水潭医院的一项统计结果 (Tang
et al. 2014), 16.3% 的患者对术后康复效果不满意, 主要体现在步态异常、下蹲困难、肌力下降
等. Bergmann 等 (2001) 测量了 3 名患者的人工髋置换术后步态, 基于人体多刚体节段模型逆向
求解关节三维载荷 , 建立了开源数据库 Hip98. 该数据库已成为人工髋关节设计的重要依据
(Bergmann et al. 2016), 但其并未考虑髋臼与球头接触, 同时忽略了髋关节周围软组织与肌肉的
力学影响. 此外, 基于红外贴点的传统步态分析需要受试者长时间实验准备, 难以拓展到患者大
样本临床评测实践.
肌骨系统多柔体动力学建模与计算方法为理解关节置换对步态动力学的影响机制提供了定
量分析手段. Modenese 等 (2011, 2012) 基于 Hip98 数据库, 分析了髋关节置换患者术后人工关节
载荷分布及骨骼肌激活方式, 并与实验测量结果定量比较, 但其研究忽略了髋关节置换导致的肌
肉功能与关节旋转中心变化. Navacchia 等 (2016) 实现了肌骨多体模型与人工膝关节精细有限元
模型的联合仿真 , 逆向求解肌肉内力与关节接触压力中心 . Stylianou 等 (2013) 基于弹性理论
(Blankevoort et al. 1991) 建模人工膝关节接触, 正向求解下蹲过程中的肌骨系统载荷, 但其难以
拓展到步态大范围运动的正向求解. Chen 等 (2016) 提出正−逆向耦合求解人工髋 (Zhang et al.
2015)、膝关节 (Chen et al. 2016) 载荷, 但下肢关节运动仍需基于贴点步态分析结果输入.
a b 足底压力实验接触仿真
350 350
 1.00 1.00
300 300
 0.95 0.95
250 250
0.90 0.90
200 200
/m
/m
0.85 0.85
 150 150
0.80 0.80
100 100
0.75 0.75
0.70 50 0.70 50
0 0
0.35 0.40 0.45 0.35 0.40 0.45
/m /m
图 10
足底接触力模型 (Brown & McPhee 2018). (a) 椭球接触模型, (b) 实验与仿真足底压力结果比较
本文作者团队建立了包含 8 台红外相机阵列与 4 台视频相机的人体动作同步采集实验系统,

参见图 11(a). 该系统能同时发挥红外动捕高精度与视频 AI 快速分析的优势, 在减少红外贴点数
目、显著缩短测量周期的同时, 解决了 AI 人体关键点分析无法准确求解内/外旋角度的问题, 参
见图 11(b). 最近, 作者研究团队将上述分析方法与 CT 影像配准相结合, 实现了骨盆与股骨运动
姿态的精准测量, 避免了传统贴点方式带来的不确定性与系统误差, 进而能直接应用在人工关节
安装角度术前规划中. 高精度步态测量也为肌骨系统逆向动力学仿真提供了可靠的运动学数据
输入, 该方法可结合 4.2.1 节肌肉形态个性化方法, 给出髋关节肌群在人体运动过程中的长度与
力臂变化.
4.3.2 脊柱降载
脊柱是人体的中轴骨骼, 具有支撑与保护胸、腹腔脏器, 负担头−足向载荷, 降低传递到头部

振动等作用. 理解脊柱肌骨系统承载机制, 对提高举重运动成绩 (Wei et al. 2012)、避免重物搬运
引起运动损伤 (Arjmand & Shirazi-Adl 2005)、加快脊柱侧弯康复 (Shayestehpour et al. 2021) 具
有重要意义. 然而, 目前对脊柱动力学功能进行评测只能通过表面肌电 (Wei et al. 2012)、等速加
载 (Bae et al. 2010) 等手段, 难以定量分析腰大肌、多裂肌、腹横肌等深层肌群的工作机制, 以及
脊柱在复杂运动条件下肌力如何分配.
肌骨系统动力学建模, 可为理解人体脊柱的承载机制提供定量仿真分析手段. 近年来, 脊柱
肌骨建模领域的研究重点之一在于如何建立这一复杂刚柔耦合多体系统的动力学模型, 参见
Dreischarf 等 (2016) 的相关综述. Arjmand 与 Shirazi-Adl 团队针对脊柱静力学仿真进行了系统研
究 , 建立了胸腰椎肌骨模型 (Arjmand & Shirazi-Adl 2005), 使用静态优化假设计算对称 (Arj-
mand et al. 2011) 与非对称载荷 (Arjmand et al. 2010) 条件下的骨骼肌内力, 并探讨腹内压 (Arj-
mand & Shirazi-Adl 2006a)、肌肉缠绕路径 (Arjmand et al. 2006)、脊柱侧弯 (Kamal et al.
2019) 对腰椎载荷分布的影响. Christophy 等 (2012) 基于 OpenSim 建立了腰椎肌骨逆动力学模
282 力学进展 2022 年第 52 卷
a b
AI-21点
模型
红外相机
阵列
红外
标记点
视频相机
图 11
人体步态同步测量方法. (a) 红外与视频混合动作捕捉系统, (b) 视频 AI-21 点模型与红外标记点
同步测量
型, 假设各椎体与骨盆运动满足固定的角度分配节律, 但实验表明腰椎运动节律随躯干屈曲角度
不断变化 (Tafazzol et al. 2014). Bruno 等 (2015) 将 Christophy 模型推广到胸腰椎, 并引入可变形
胸腔 . Ignasiak 等 (2016a, 2016b) 进一步证实 , 胸腔建模假设主要影响上半部分腰椎载荷 .
Putzer 等 (2016) 系统探讨了椎体解剖学参数对逆动力学仿真结果的影响, Bruno 等 (2017) 进一
步证实受试者脊柱曲线与肌肉形态决定了肌骨仿真结果的精度. Khurelbaatar 等 (2015) 建立了
包含全离散颈、胸、腰椎节段的脊柱肌骨模型. 另外, Rupp 等 (2015) 建立了腰椎正向动力学模型,
成功仿真脊柱主动前屈动作. Mörl 等 (2020) 进一步实现机械驱动脊柱被动屈曲条件的正向仿真.
与四肢肌骨系统相比, 脊柱除了骨骼、肌肉、韧带等承力结构外, 还包括椎间盘这一重要的
被动承载结构. 椎间盘连接相邻椎骨, 由其中央承受正压力的髓核, 以及包裹在髓核周围, 具有弯
曲与剪切刚度的纤维环组成. 为了方便起见, 在逆动力学模型中常将椎间盘简化成球铰 (de Zee
et al. 2007, Bruno et al. 2015), 忽略了椎间盘的变形与刚度特性. 为了描述椎间盘同时承受由躯干
与头颈部与传递的 6 自由度载荷, 一种方式是将其抽象成线性 Bushing 模型, 建立 6 × 6 对称刚度
矩阵. Gardner-Morse 和 Stokes (2004) 基于尸体实验将椎间盘简化为并联的压杆−剪切梁, 对应的
刚度矩阵具有 11 个独立变量. Christophy 等 (2013) 证实, 椎间盘 Bushing 起止点对计算结果影响
显著. Meng 等 (2015) 将 Bushing 模型应用在 Bruno 腰椎模型中, 模拟相邻椎体间的相对滑移, 但
其线性刚度与阻尼矩阵忽略了椎间盘所具有的非线性特征. Monteiro 等 (2011) 建立通过椎间盘
有限元模型确定线性刚度矩阵系数的方法. Karajan 等 (2013) 进一步将离散刚度模型推广到非线
性情况, 但该模型无法将椎间盘模型与肌骨模型强耦合仿真. Arjmand 和 Shirazi-Adl (2006b) 采
用柔性剪切梁模型连接相邻椎体, Valentini 和 Pennestrì (2011) 进一步采用弹性样条拟合脊柱曲
线, 分析头足向振动传递 (Valentini 2012).
除椎间盘外, 腹腔本身也能够承担一部分头足向压力. 腹腔内除了液体脏器外, 在食管、胃
泡与其他脏器间隙中均存在一定体积的气体 (Levitt 1971, Fink & Lembo 2001, Hui et al. 2005), 该
气体的压力称之为腹内压 (intra-abdominal pressure, IAP) . 如图 12(a) 所示, 外载荷增大会减小
腹腔体积 , 导致腹内压增大 , 进而产生向上的合力支撑胸腔 (Daggfeldt & Thorstensson 1997,

Cholewicki et al. 1999), 降低椎间盘压力 . 然而 , 部分学者 (Cholewicki et al. 2002, Arjmand &
Shirazi-Adl 2006a) 指出, 腹内压升高可能会伴随腹壁肌群激活度提高, 抵消腹内压的降载效果.
现有肌骨模型大多忽略腹内压效应, 即便考虑腹内压也将其简化为随脊柱前屈角度变化的合力
(Arjmand & Shirazi-Adl 2006a, Meng et al. 2015), 或能够抵抗压应力、激活度由外载荷决定的类
肌肉元件 (Arshad et al. 2016, Liu et al. 2019), 无法考虑腹内压升高与腹壁肌群激活度的耦合.
为解决这一问题, 本文作者团队提出了腹内压气柱模型 (Guo J et al. 2021a), 将腹内压与腹
横肌、膈肌等核心肌群激活度联系起来. 如图 12(b) 所示, 首先采用肌肉膜单元离散腹壁肌群与
膈肌, 并认为上述膜肌肉与骨盆 (盆底肌) 围成的体积与腹腔内气体体积线性相关. 在此基础上,
将图 12(c) 所示的腔内气体简化为等温理想气体, 根据理想气体状态方程计算腹内压, 同时考虑
脏器重力引起的腹内压垂向分布. 进一步, 将腹内压垂直作用于肌肉膜单元离散的膈肌, 提供竖
直向上的合压力支撑脊柱与胸腔. 本文作者团队将腹内压气柱模型与全脊柱肌骨模型耦合, 证实
脊柱前屈时核心肌群激活能够提升腹内压, 进而降低椎间盘轴向压力与竖脊肌内力. 该建模方法
被进一步应用在飞行员对抗头足向过载中 , 证实飞行员抗荷所做的呼吸抗荷动作 (耿喜臣等
2002) 除了能够保证头部供血外, 还能够降低后伸、直立等动作条件下的腰椎间盘载荷, 从而降
低飞行员出现腰背痛的风险.
4.3.3 口颌植入物设计
据统计, 口腔颌面部恶性肿瘤约占全身恶性肿瘤的 3% ~ 5%, 全球每年新发病例超过 60 万

(郑家伟等 2010). 目前, 对口腔恶性肿瘤的早期患者以手术治疗为主, 但肿瘤及手术所造成的颌
骨缺损, 可能导致患者术后出现张口受限 (Pauli et al. 2016). 根据 Watters 等 (2019) 基于 636 篇
文献的分析结果, 患者出现张口受限的比率从术前的 17.3% 升至术后 6 个月的 44.1%. 此外, 颌骨
切除会造成下颌偏斜、颞下颌关节紊乱等口颌系统功能异常, 严重影响患者的生活质量和社会
功能. 因此, 如何提升患者术后口颌运动功能, 具有重要的临床医学意义. 然而, 现有实验测量只
能监测患者下颌运动及浅表咀嚼肌的肌肉放电功能 (王晶等 2019), 无法揭示口颌运动过程中肌
群内力分配机制与预测颞下颌关节载荷.
对口颌肌骨系统进行多体动力学建模, 可为实现上述目标提供数值仿真手段, 参见 Hannam
(2011) 撰写的相关综述. 1997 年, Koolstra 等 (1997) 建立了包括颅骨和下颌骨的下颌动力学模型.
Hannam 等 (2008) 在模型中引入了刚性舌骨, 并针对下颌骨重建患者开展仿真. Koolstra 和 van
Eijden (2004) 在口颌肌骨模型中引入颅骨协同运动. Tuijt 等 (2010) 使用样条曲线拟合颞下颌关
节接触面, 分析开口与闭口运动中颞下颌关节载荷的差异, 并通过正向仿真解释了肌肉松解治疗
关节脱位的动力学机制 (Dicker et al. 2012). 最近, Sagl 等 (2019) 对关节盘进行有限元建模, 给出
了口颌运动过程中的关节盘应力分布. 然而, 上述肌骨模型均为标准人模型, 忽略了患者间的口
颌肌骨系统功能差异. 另外, 肌骨模型参数与神经与肌肉控制均根据健康受试者确定, 没有考虑
肿瘤及手术导致的开口肌切除与失神经支配 (Ishida et al. 2015)、肌肉截面积减小 (Curtis et al.
1999)、肌肉组织纤维化等变化.
284 力学进展 2022 年第 52 卷
a b c
膈肌中心腱

 

竖脊肌
内力脏器 1
膈肌
脏器 2
ES
 脏器 3
腹内压腹横肌
脏器 4
腹横肌脏器 5
- L5-S1
盆底肌
椎关节内力
盆底肌
腹腔
图 12
腹腔多柔体动力学模型 (Guo J et al. 2021a). (a) 躯干隔离体受力分析 , (b) 柔性核心肌群模型 ,
(c) 腹内压气柱模型
本文作者团队与北京大学口腔医院颌面外科王晶博士、陈俊鹏博士等合作, 提出了健康人
与患者口颌肌骨系统个性化多柔体动力学建模方法. 根据 CBCT 拍摄受试者颌面骨骼几何数据,
通过患者个性化几何数据样条拟合得到颞下颌关节窝与髁突接触面 . 如图 13(a) 所示 , 基于
Zebris 电子面弓采集受试者大张口过程的下颌骨刚体运动, 并基于贴附在上颌的颌板标记点配
准静态 CT 与运动轨迹数据. 进一步, 基于逆向动力学仿真确定大张口运动过程中的肌束长度变
化, 作为二腹肌等降颌肌群牵张反射的控制目标. 咬肌、颞肌激活度根据实测 EMG 翻正滤波后
由式 (4) 确定. 在此基础上, 通过正向动力学仿真求解降颌肌群激活度与颞下颌关节接触行为, 并
根据最大张口时的二腹肌激活度缩放降颌肌群最大主动肌力 F0mus. 正向仿真能够基本复现下
颌骨与髁突运动轨迹, 仿真得到的下切牙点运动轨迹与 4 名受试者实测结果均方根误差为
3.7 ± 1.3 mm.
在此基础上, 该合作团队结合肌骨动力学仿真与临床生物力学测量, 提出了基于术后早期张
口度预测的口颌植入物初步设计方案. 首先, 基于北京大学口腔医院建立的颌骨肿瘤患者生物力
学信息数据库 (王晶等 2019), 统计患者术后早期的肌肉长度变化、截面积缩减、咀嚼肌峰值
EMG 变化等平均结果, 调整个性化肌骨模型参数与升颌肌群激活度. 在此基础上, 以术前正向动
力学仿真得到的肌肉激活度曲线作为图 13(b) 所示术后早期模型输入, 并改变截骨尺寸、植入
物下颌角等变量, 找到令仿真得到的张口度最大的植入物设计值.
a b
颞肌
EMG
Zebris
电子面弓
咬肌
EMG
图 13
结合生物力学测量与肌骨多体动力学仿真的口颌植入物设计. (a) 下颌骨运动及咀嚼肌 EMG 测
量, (b) 患者术后口颌肌骨动力学模型
5 结论与展望
本文主要针对人体肌骨多柔体系统动力学研究, 较为系统地回顾与总结骨骼肌解剖结构与
生物力学建模、神经与肌肉控制原理与数学描述、肌骨系统动力学问题分类与求解方法、以及
肌骨模型在多学科领域潜在应用等研究进展. 一方面, 人体肌骨系统的多体动力学研究已取得长
足进步; 在骨骼肌主、被动本构关系, 肌肉与骨骼相互作用, 神经−肌肉控制的冗余问题求解, 个
性化建模等重要领域形成了较为完善的研究范式与体系. 另一方面, 已建立的肌骨多柔体动力学
模型能够获得运动生物力学实验难以测定的关节力矩、肌肉内力等信息, 为提高运动能力、避
免运动损伤、加快康复进程提供了数值分析手段, 在临床医学、竞技体育、军事训练、人机工
程等领域具有广泛的应用前景.
然而, 已有研究对人体肌骨多柔体动力学与控制的研究仍有很多不足, 例如: 大多聚焦基于
Hill-Zajac 模型的肌骨系统建模及优化控制算法, 缺乏对骨骼肌微纳米结构与三维几何、肌筋膜
跨肌肉传力、韧带/肌腱黏弹性、神经与肌肉多层级分布控制、肌骨系统与呼吸/血流的耦合
(李娟等 2013) 等问题的深入研究, 如下方向需要开展进一步深入探索:
(1) 复杂真实的骨骼肌建模方法. 基于多柔体系统动力学建模理论, 充分借鉴医学影像学、
解剖学、生物材料力学领域的研究成果, 突破 Hill-Zajac 建模框架的局限性, 赋予骨骼肌以真实
的体积、质量、截面积与激活度分布.
(2) 建立自主智能的肌骨模型. 综合神经与肌肉控制存在的协同性、多级性、肌肉功能差
异、模糊控制等特征, 提出正−逆向耦合肌骨动力学算法, 简化对肌肉的非线性特征描述, 加快计
算效率.
(3) 形成体医工交叉融合平台. 以肌骨动力学模型为计算内核, 面向临床医学、体育工程、
虚拟现实等需求, 构建手术植入物设计工具、运动员智能打分工具、增强现实物理引擎等, 由数
值仿真模型升级为数字孪生人与虚拟设计的共性基础与关键技术.
286 力学进展 2022 年第 52 卷
(4) 设计新一代人机共融装备. 融合肌骨动力学与机器人学, 面向主动健康、精准康复等需

求 , 设计新一代康复辅具 (蒲放和樊瑜波 2013)、损伤防护 (王丽珍和樊瑜波 2020, 栗志杰等
2020)、仿生软体机器 (尹顺禹等 2020) 等共融机器人产品与定制化方案.
(5) 推动神经科学与类脑智能发展. 一方面, 肌骨动力学仿真能够验证并指导神经运动增能
(傅维杰和刘宇, 2020) 产品设计, 服务科技奥运与主动健康需求. 另一方面, 肌骨动力学模型可
作为强化学习网络的物理引擎, 训练新一代高性能自适应神经网络, 不断趋近甚至超越人体神经
运动控制机制 (Kidziński et al. 2018).
致谢国家自然科学基金青年基金 (12102035), 中国博士后基金站前特别资助 (2020TQ0042), 国

家杰出青年科学基金 (12125201). 感谢北京航空航天大学王丽珍教授、北京体育大学刘卉教授
以及匿名评阅专家对本文提出的修改建议.
参考文献
崔伟玲, 陈维毅, 王长江, 郭媛. 2019. 基于 nmsBuilder 和 OpenSim 建立个性化骨肌模型及其验证. 医用生物力学,

34: 608-614 (Cui W L, Chen W Y, Wang C J, Guo Y. 2019. Establishment and verification of personalized musculoskeletal
model based on nmsBuilder and OpenSim. Journal of Medical Biomechanics, 34: 608-614).
丁和恩. 2019. 基于李群特征和深度学习的人体动作识别研究. [硕士论文]. 重庆: 重庆邮电大学 (Ding H E. 2019.
Research on human acttion recognition based on Lie group features and deep learning. [Master Thesis]. Chongqing:
Chongqing University of Posts and Telecommunications).
丁其川, 熊安斌, 赵新刚, 等. 2016. 基于表面肌电的运动意图识别方法研究及应用综述. 自动化学报, 42: 13-25 (Ding Q
C, Xiong A B, Zhao X G, et al. 2016. A review on researches and applications of sEMG-based motion intent recognition
methods. Acta Automatica Sinica, 42: 13-25).
董玮. 2011. 基于中枢模式发生器原理的步态控制及其运动认知的研究. [硕士论文]. 上海: 华东理工大学 (Dong W.
2011. Study on gait control based on CPG principle and locomotion cognition. [Master Thesis]. Shanghai: East China
University of Science and Technology).
董玮, 王如彬, 沈恩华, 张志康. 2008. 节律性步态运动中 CPG 对肌肉的控制模式的仿真研究. 动力学与控制学报, 6:
327-331 (Dong W, Wang R B, Shen E H, Zhang Z K. 2008. Simulation study on the pattern of muscles controlled by cpg in
rhythm gait movement. Journal of Dynamics and Control, 6: 327-331).
傅维杰, 刘宇. 2020. 神经生物力学增能技术前沿与进展. 医用生物力学, 35: 649-657 (Fu W J, Liu Y. Frontiers and
progress in neuro-biomechanical ergogenic technology. Journal of Medical Biomechanics, 35: 649-657).
耿喜臣, 金朝, 徐艳, 等. 2002. 新的抗荷动作: HP 与 PHP 动作抗荷效果的评价. 中华航空航天医学杂志, 13: 209-213
(Geng X C, Jin C, Xu Y, et al. 2002. Centrifuge evaluation of the +Gz protection of the new anti-G straining maneuver:
HP and PHP maneuver. Chinese Journal of Aerospace Medicine, 13: 209-213).
何家玮. 2018. 高效和高稳定极限环行走的多体动力学研究. [博士论文]. 北京: 清华大学 (He J W. 2018. A multibody
dynamics approach to efficient and robust limit cycle walking. [PhD Thesis]. Beijing: Tsinghua University).
洪嘉振. 1983. 人体腾空运动的数学模型. 第四届全国运动生物力学学术会议论文集 (二).
李翰君, 刘卉, 张新, 于冰. 2012. 膝关节肌肉力分布模拟研究. 体育科学, 32: 57-63, 69 (Li H J, Liu H, Zhang X, Yu B.
2012. Muscle force distribution model of knee joint. China Sport Science, 32: 57-63, 69).
李翰君, 刘卉, 张新, 于冰. 2014a. 基于肌电和优化方法的关节肌力分布模型. 中国运动医学杂志, 33: 981-987 (Li H J,
Liu H, Zhang X, Yu B. 2014a. Research on estimate of the optimum muscle parameters. Journal of Beijing Sport
University, 33: 981-987).
李翰君, 刘卉, 张新, 于冰. 2014b. 肌肉最优参数获得方法的研究. 北京体育大学学报, 37: 71-75, 93 (Li H J, Liu H, Zhang
X, Yu B. 2014b. Research on estimate of the optimum muscle parameters. Journal of Beijing Sport University, 37: 71-75,
93).
李翰君, 刘嘉, 叶奎刚, 等. 2020. 速度节奏对链球成绩的影响: 优秀运动员案例研究. 北京体育大学学报, 43: 108-115 (Li
H J, Liu J, Ye K G, et al. 2020. The impact of speed rhythm on hammer throw distance: A case study of an elite athlete.
Journal of Beijing Sport University, 43: 108-115).
李娟, 唐东辉, 陈巍. 2013. 有氧运动结合抗阻训练对男性肥胖青少年心血管功能的改善及可能机制. 体育科学, 33: 37-

42 (Li J, Tang D H, Chen W. 2013. The effects of aerobic combined with resistance exercise of cacrdiovascular efficiency in
male obese adolescents and related mechanisms. China Sport Science, 33: 37-42).
李旭鸿, 郝卫亚. 2018. 基于 LifeMoD 对跳马运动员不同踏跳位置的仿真研究. 中国运动医学杂志, 37: 15-19 (Li X H,

Hao W Y. 2018. A simulation study of the different board contact position in gymnastics vaulting based on LifeMoD.
Chinese Journal of Sports Medicine, 37: 15-19).
李洋, 桑建兵, 敖日汗, 马钰, 魏新宇. 2021. 基于仿真和智能算法骨骼肌超弹性本构参数的反演方法研究. 力学学报,

53: 1449-1456 (Li Y, Sang J B, Ao R H, Ma Y, Wei X Y. 2021. Research on inversion method of hyperelastic constitutive
parameters of skeletal muscles based on simulation and intelligent algorithm. Chinese Journal of Theoretical and Applied
Mechanics, 53: 1449-1456).
李永胜, 陈维毅. 2007. 单羽状骨骼肌平面模型的修正. 医用生物力学, 22: 277-281 (Li Y S, Chen W Y. 2007. Revision on
the planimetric model of unipennate skeletal muscle. Journal of Medical Biomechanics, 22: 277-281).
栗志杰, 由小川, 柳占立, 等. 2020. 爆炸冲击波作用下颅脑损伤机理的数值模拟研究. 爆炸与冲击, 40: 015901 (Li Z J,

Yiu X C, Liu Z L, et al. Numerical simulation of the mechanism of traumatic brain injury induced by blast shock waves,
Explosion And Shock Waves, 40: 015901).
林伟健, 李俊言, 陈瑱贤, 等. 2021. 正常和早期膝骨关节炎的软骨生物力学研究. 力学学报, 53: 3147-3156 (Lin W J, Li J

Y, Chen Z X, Jin Z M. 2021. Biomechanical investigation of the cartilage of normal knee and early osteoarthritis knee.
Chinese Journal of Theoretical and Applied Mechanics, 53: 3147-3156).
刘佳耕, 闫松华, 曾纪洲, 张宽. 2020. 全膝关节置换前后患者下肢肌骨模型步态模拟与分析. 医用生物力学, 35: 347-355

(Liu J G, Yan S H, Zeng J Z, Zhang K. 2020. Gait simulation and analysis of lower limb musculoskeletal model before and
after total knee arthroplasty. Journal of Medical Biomechanics, 35: 347-355).
刘卉, 李翰君, 曲毅, 等. 2021. 无反光点人体运动自动捕捉人工智能系统的有效性. 北京体育大学学报, 44: 125-133 (Liu

H, Li H J, Qu Y, et al. 2021. Validity of an artificial intelligence system for markerless human movement automatic
capture. Journal of Beijing Sport University, 44: 125-133).
柳宁, 李俊峰, 王天舒. 2008. 用胞胞映射计算被动行走模型不动点的吸引盆. 工程力学, 25: 218-223 (Liu N, Li J F,

Wang T S. 2008. Study of the basin of attraction of passive models by the aid of cell-to-cell mapping method. Engineering
Mechanics, 25: 218-223).
梅齐昌, 顾耀东, 孙冬, 李建设. 2020. 基于影像学构建个体化 OpenSim 下肢肌骨模型的生物力学研究应用进展. 医用

生物力学 , 35: 259-264 (Mei Q C, Gu Y D, Sun D, Li J S. 2020. Progress on biomechanical research of image-based
subject-specific opensim lower extremity musculoskeletal model. Journal of Medical Biomechanics, 35: 259-264).
孟祥杰, Anderson D E, 王文军, 等. 2016. 驾驶员腰部负载的计算求解与验证. 汽车工程, 38: 614-619 (Meng X J,

Anderson D E, Wang W J, et al. 2016. Automotive Engineering, 38: 614-619).
彭晨, 卢宗兴, 姚立纲, 戴飞铭. 2021. 摆幅可调型足部康复机器人的生物力学特性分析. 医用生物力学, 36: 692-697

(Chen P, Lu Z X, Yao L G, Dai F M. 2021. Analysis on biomechanical properties of foot rehabilitation robot with
adjustable swing. Journal of Medical Biomechanics, 36: 692-697).
288 力学进展 2022 年第 52 卷
彭迎虎, 陈瑱贤, 胡家渝, 等. 2019. 人体足地接触模型的步速适用性. 医用生物力学, 34: 514-521 (Peng Y H, Chen Z X,
Hu J Y, et al. 2019. Applicability of foot-ground contact model at different gait speed. Journal of Medical Biomechanics,
34: 514-521).
蒲放, 樊瑜波. 2013. 康复辅具设计中的生物力学研究. 医用生物力学, 28: 363-365 (Pu F, Fan Y B. Biomechanical
research for design of rehabilitation technical aids. Journal of Medical Biomechanics, 28: 363-365).
束一铭, 钱竞光, 戎科, 等. 2017. 偏瘫患者步态特征的动力学仿真分析. 医用生物力学, 32: 535-540 (Shu Y M, Qian J G,
Rong K, et al. 2017. Dynamic simulation analysis on gait features of hemiplegic patients. Journal of Medical Biomechanics,
32: 535-540).
宋和胜, 钱竞光, 唐潇. 2015. 基于软件 OpenSim 的人体运动建模理论及其应用领域概述. 医用生物力学, 30: 373-379
(Song H S, Qian J G, Tang X. 2015. Summary of software OpenSim with focus on its human motion modeling theory and
application field. Journal of Medical Biomechanics, 30: 373-379).
孙广艳. 2006. 人体髋关节运动生物力学模型研究. [硕士论文]. 大连: 大连理工大学 (Sun G Y. 2006. Biomechanics

modeling of human hip joint. [Master Thesis]. Dalian: Dalian University of Technology).
唐刚, 王洪生, 张希安, 王成焘. 2010. 基于反向动力学的人体肌肉力预测平台. 中国组织工程研究与临床康复, 14: 6475

(Tang G, Wang H S, Zhang X A, Wang C S. 2010. Inverse dynamics-based platform for human muscle force estimation.
Journal of Clinical Rehabilitative Tissue Engineering Research, 14: 6475).
田强, 刘铖, 李培, 等. 2017. 多柔体系统动力学研究进展与挑战. 动力学与控制学报, 15: 385-405 (Tian Q, Liu C, Li P, et
al. 2017. Advances and challenges in dynamics of flexible multibody systems. Journal of Dynamics and Control, 15: 385-
405).
王成焘. 2006. 中国力学虚拟人. 医用生物力学, 21: 172-178 ((Wang C T. Mechanical virtual human of china. Journal of
Medical Biomechanics, 21: 172-178).)
王凡嘉, 周晨磊, 罗丽娜, 等. 2021. 亚洲蹲和西方蹲的下肢关节运动学和肌肉激活比较. 医用生物力学, 36: 705-711

(Wang F J, Zhou C L, Luo C L, et al. 2021. Comparison of the lower limb kinematics and muscle activation between Asian
squat and western squat. Journal of Medical Biomechanics, 36: 705-711).
王晶, 陈俊鹏, 王洋, 等. 2019. 数字化下颌运动记录及咀嚼肌肌电图在下颌骨肿瘤患者口颌功能评价中的应用. 北京大

学学报 (医学版 ), 51: 571-578 (Wang J, Chen J P, Wang Y, et al. 2019. Application of digital mandibular movement
record and asticatory muscle electromyography in the evaluation of stomatognathic function in patients with mandibular
tumor. Journal of Peking University (Health Sciences), 51: 571-578).
王丽珍, 樊瑜波. 2020. 过载性损伤与防护生物力学. 力学进展, 50: 202004 (Wang L Z, Fan Y B. 2020. The biomechanics
of injury and prevention. Advances in Mechanics, 50: 202004).
王如彬, 王毅泓, 徐旭颖, 潘晓川. 2020. 认知神经科学中蕴藏的力学思想与应用. 力学进展, 50: 202012 (Wang R B,
Wang Y H, Xu X Y, Pan X C. 2020. Mechanical thoughts and applications in cognitive neuroscience. Advances In
Mechanics, 50: 202012).
王瑞元. 2018. 运动生理学. 北京 : 北京体育大学出版社 (Wang R Y. 2018. Exercise Physiology. Beijing: Beijing Sport
University Press).
王树明. 2018. 运动技能学习与控制. 北京 : 高等教育出版社 (Wang S M. 2018. Motor Skill Learning and Control. Beijing:
Higher Education Press).
王玮, 王冬梅, 李飞跃, 等. 2016. 伤科手法治疗腰椎间盘突出症的运动学研究. 中国生物医学工程学报, 35: 541-547

(Wang W, Wang D M, Li F Y, et al. 2016. Kinematic analysis of traumatology manipulation for treatment of lumbar disc
herniation. Chinese Journal of Biomedical Engineering, 35: 541-547).
魏高峰, 白雪岭, 张希安, 等. 2009. 建立基于广义 Hamilton 及 Lie 群理论的人体骨肌系统动力学方程. 医用生物力学,

24: 276-280 (Wei G F, Bai X L, Zhang X A, et al. Biodynamic model of human musculoskeletal system based on the
general Hamilton and Lie group theory. Journal of Medical Biomechanics, 24: 276-280).
吴成亮, 郝卫亚, 肖晓飞, 等. 2016. 平衡木屈体前空翻转体 180°起跳动作的计算机仿真研究. 成都体育学院学报, 42:

101-106 (Wu C L, Hao W Y, Xiao X F, et al. 2016. A computer simulation research on the balance beam taking off
movement of Salto forward piked with 1 /2 twist. Journal of Chengdu Sport University, 42: 101-106).
吴炯, 王如彬, 张志康. 2010. 基于 CPG 的上肢周期性运动控制的研究. 动力学与控制学报, 8: 151-154 (Wu T, Wang R
B, Zhang Z K. 2010. Periodic motion control of human arm movement based on cpg model. Journal of Dynamics and
Control, 8: 151-154).
万祥林, 刘卉, 李翰君, 等. 2020. 在体股后肌群最优长度的测算方法. 医用生物力学, 35: 349-356 (Wan X L, Liu H, Li H
J, et al. 2020. Estimation method for optimal length of hamstring muscles in vivo. Journal of Medical Biomechanics, 35:
349-356).
肖晓飞, 郝卫亚, 李旭鸿, 等. 2015. 基于不同刚体模型的体操落地冲击动力学比较研究. 北京体育大学学报, 38: 78-83

(Xiao X F, Hao W Y, Li J H, et al. 2015. Comparative study on impact dynamics of floor exercise landing based on
different rigid-body models. Journal of Beijing Sport University, 38: 78-83).
杨毅, 彭玉鑫, 郝增明, 等. 2020. 复杂人体运动冗余控制的肌肉协同理论研究进展与展望. 体育科学, 40: 63-72 (Yang Y,

Peng Y X, Hao Z M, et al. 2020. Research progress and prospect of muscle synergies theory for redundancy control of
complex human movement. China Sport Science, 40: 63-72).
尹顺禹, 许艺, 岑诺, 金飘飘, 李铁风. 2020. 软体智能机器人的系统设计与力学建模. 力学进展, 50: 202006 (Yin SY, Xu
Y, Cen N, Jin PP, Li TF. 2020. System design and mechanical modeling of soft smart robots. Advances in Mechanics, 50:
202006).
张佳俊, 张舒, 徐鉴. 2021. 下肢康复外骨骼人机耦合动力学建模与控制. 动力学与控制学报, 19: 55-63 (Zhang J J,

Zhang S, Xu J. 2021. Human-machine coupled dynamic modelling and control of lower limb exoskeleton for rehabilitation.
Journal of Dynamics and Control, 19: 55-63).
赵梦文, 胡志刚, 王新征, 付东辽. 2021. 基于 AnyBody 脑卒中患者手部抓握训练的肌肉力学特性分析. 医用生物力学,

36: 698-704 (Zhao M W, Hu Z G, Wang X Z, Fu D L. Analysis on muscle mechanical properties of stroke patients’ hand
grasping training based on AnyBody. Journal of Medical Biomechanics, 36: 698-704).
郑思竞 . 1983. 人体解剖学 . 北京 : 人民卫生出版社 (Zheng S J. 1983. Human Anatomy. Beijing: People's Medical

Publishing House).
郑家伟, 李金忠, 涂文勇, 等. 2010. 口腔颌面部恶性肿瘤治疗指南. 中国口腔颌面外科杂志, 3: 395-403 (Zheng J W, Li J

Z, Tu W Y, et al. 2010. The protocol of treatment guideline for oral and maxillofacial malignant neoplasms. Chinese
Journal of Practical Stomatology, 3: 395-403).
Ackermann M, van den Bogert A J. 2010. Optimality principles for model-based prediction of human gait. J Biomech, 43:
1055-1060.
Adstrum S, Hedley G, Schleip R, et al. 2017. Defining the fascial system. J Bodyw Mov Ther, 21: 173-177.
Ahmadzadeh H, Freedman B R, Connizzo B K, et al. 2015. Micromechanical poroelastic finite element and shear-lag models
of tendon predict large strain dependent Poisson’s ratios and fluid expulsion under tensile loading. Acta Biomater, 22: 83-
91.
Akhavanfar M H, Brandon S C E, Brown S H M, Graham R B. 2019. Development of a novel MATLAB-based framework for
implementing mechanical joint stability constraints within OpenSim musculoskeletal models. J Biomech, 91: 61-68.
Al Nazer R, Klodowski A, Rantalainen T, et al. 2011. A full body musculoskeletal model based on flexible multibody
simulation approach utilised in bone strain analysis during human locomotion. Comput Methods Biomech Biomed Engin,
14: 573-579.
Al Nazer R, Klodowski A, Rantalainen T, et al. 2008. Analysis of dynamic strains in tibia during human locomotion based on
290 力学进展 2022 年第 52 卷
flexible multibody approach integrated with magnetic resonance imaging technique. Multibody Syst Dyn, 20: 287-306.
Albertus-Kajee Y, Tucker R, Derman W, et al. 2010. Alternative methods of normalising EMG during cycling. J
Electromyogr Kinesiol, 20: 1036-1043.
Alizadeh M, Knapik G G, Mageswaran P, et al. 2020. Biomechanical musculoskeletal models of the cervical spine: A
systematic literature review. Clin Biomech, 71: 115-124.
Allinger T L, Epstein M, Herzog W. 1996. Stability of muscle fibers on the descending limb of the force-length relation. A
theoretical consideration. J Biomech, 29: 627-633.
Al-Shuka H F N, Allmendinger F, Corves B, et al. 2014. Modeling, stability and walking pattern generators of biped robots:
a review. Robotica, 32: 907-934.
Amberg B, Romdhani S, Vetter T. 2007. Optimal step nonrigid ICP algorithms for surface registration. Proc IEEE Comput
Soc Conf Comput Vis Pattern Recognit, 1-8.
An K-N, Hui F C, Morrey B F, et al. 1981. Muscles across the elbow joint: a biomechanical analysis. J Biomech, 14: 659-669.
Anderson F C, Pandy M G. 2001a. Dynamic optimization of human walking. J Biomech Eng, 123: 381-390.
Anderson F C, Pandy M G. 1999. A dynamic optimization solution for vertical jumping in three dimensions. Comput
Methods Biomech Biomed Engin, 2: 201-231.
Anderson F C, Pandy M G. 2001b. Static and dynamic optimization solutions for gait are practically equivalent. J Biomech,
34: 153-161.
Andersen M S, Damsgaard M, MacWilliams B, et al. 2010. A computationally efficient optimisation-based method for
parameter identification of kinematically determinate and over-determinate biomechanical systems. Comput Methods
Biomech Biomed Engin, 13: 171-183.
Andersen M S, de Zee M, Damsgaard M, et al. 2017. Introduction to force-dependent kinematics: Theory and application to
mandible modeling. J Biomech Eng, 139: 091001.
Arjmand N, Gagnon D, Plamondon A, et al. 2010. A comparative study of two trunk biomechanical models under symmetric
and asymmetric loadings. J Biomech, 43: 485-491.
Arjmand N, Plamondon A, Shirazi-Adl A, et al. 2011. Predictive equations to estimate spinal loads in symmetric lifting
tasks. J Biomech, 44: 84-91.
Arjmand N, Shirazi-Adl A. 2006a. Role of intra-abdominal pressure in the unloading and stabilization of the human spine
during static lifting tasks. Eur Spine J, 15: 1265-1275.
Arjmand N, Shirazi-Adl A. 2006b. Model and in vivo studies on human trunk load partitioning and stability in isometric
forward flexions. J Biomech, 39: 510-521.
Arjmand N, Shirazi-Adl A. 2005. Biomechanics of changes in lumbar posture in static lifting. Spine (Phila Pa 1976), 30: 2637-
2648.
Arjmand N, Shirazi-Adl A, Bazrgari B. 2006. Wrapping of trunk thoracic extensor muscles influences muscle forces and
spinal loads in lifting tasks. Clin Biomech, 21: 668-675.
Arshad R, Zander T, Dreischarf M, Schmidt H. 2016. Influence of lumbar spine rhythms and intra-abdominal pressure on
spinal loads and trunk muscle forces during upper body inclination. Med Eng Phys, 38: 333-338.
Arun K S, Huang T S, Blostein S D. 1987. Least-squares fitting of two 3-D point sets. IEEE Trans Pattern Anal Mach Intell
PAMI-9, 698-700.
Aurbach M, Špička J, Süß F, et al. 2020. Torus obstacle method as a wrapping approach of the deltoid muscle group for
humeral abduction in musculoskeletal simulation. J Biomech, 109: 109864.
Ayusawa K, Venture G, Nakamura Y. 2011. Real-time implementation of physically consistent identification of human body
segments//2011 IEEE International Conference on Robotics and Automation: 6282-6287.
Azizi E, Brainerd E L, Roberts T J. 2008. Variable gearing in pennate muscles. Proc Natl Acad Sci, 105: 1745-1750.
Bae T S, Loan P, Choi K, et al. 2010. Estimation of muscle response using three-dimensional musculoskeletal models before
impact situation: A simulation study. J Biomech Eng, 132: 121011.
Baer S M, Rinzel J. 1991. Propagation of dendritic spikes mediated by excitable spines: a continuum theory. J Neurophysiol,
65: 874-890.
Bahl J S, Zhang J, Killen B A, et al. 2019. Statistical shape modelling versus linear scaling: effects on predictions of hip joint
centre location and muscle moment arms in people with hip osteoarthritis. J Biomech, 85: 164-172.
Bakke D, Besier T. 2020. Shape model constrained scaling improves repeatability of gait data. J Biomech, 107: 109838.
Balzerson D, Banerjee J, McPhee J. 2016. A three-dimensional forward dynamic model of the golf swing optimized for ball
carry distance. Sports Eng, 19: 237-250.
Bamman M M, Ingram S G, Caruso J F, et al. 1997. Evaluation of surface electromyography during maximal voluntary
contraction. Strength Cond J, 11: 68-72.
Baskin R J, Paolini P J. 1967. Volume change and pressure development in muscle during contraction. Am J Physiol
Content, 213: 1025-1030.
Bassani T, Stucovitz E, Qian Z, et al. 2017. Validation of the AnyBody full body musculoskeletal model in computing
lumbar spine loads at L4L5 level. J Biomech, 58: 89-96.
Bayer A, Schmitt S, Günther M, Haeufle D F B. 2017. The influence of biophysical muscle properties on simulating fast
human arm movements. Comput Methods Biomech Biomed Engin, 20: 803-821.
Bencsik L, Zelei A. 2017. Effects of human running cadence and experimental validation of the bouncing ball model. Mech
Syst Signal Process, 89: 78-87.
Benedetti M G, Montanari E, Catani F, et al. 2003. Pre-operative planning and gait analysis of total hip replacement
following hip fusion. Comput Methods Programs Biomed, 70: 215-221.
Benoussaad M, Poignet P, Hayashibe M, et al. 2013. Experimental parameter identification of a multi-scale musculoskeletal
model controlled by electrical stimulation: application to patients with spinal cord injury. Med Biol Eng Comput, 51: 617-
631.
Bergmann G, Bender A, Dymke J, et al. 2016. Standardized loads acting in hip implants. PLoS One, 11: e0155612.
Bergmann G, Bergmann G, Deuretzabacher G, et al. 2001. Hip forces and gait patterns from rountine activities. J Biomech,
34: 859-871.
Bernabei M, Maas H, van Dieën J H. 2016. A lumped stiffness model of intermuscular and extramuscular myofascial
pathways of force transmission. Biomech Model Mechanobiol, 15: 1747-1763.
Bernstein N. 1966. The co-ordination and regulation of movements. Oxford: Pergamon press.
Blankevoort L, Kuiper J H, Huiskes R, Grootenboer H J. 1991. Articular contact in a three-dimensional model of the knee. J
Biomech, 24: 1019-1031.
Bottasso C L, Prilutsky B I, Croce A, et al. 2006. A numerical procedure for inferring from experimental data the
optimization cost functions using a multibody model of the neuro-musculoskeletal system. Multibody Syst Dyn, 16: 123-
154.
Brown P, McPhee J. A 3D ellipsoidal volumetric foot–ground contact model for forward dynamics. Multibody Syst Dyn, 2018,
42: 447-467.
Bruno A G, Bouxsein M L, Anderson D E. 2015. Development and validation of a musculoskeletal model of the fully
articulated thoracolumbar spine and rib cage. J Biomech Eng, 137: 081003.
Bruno A G, Mokhtarzadeh H, Allaire B T, et al. 2017. Incorporation of CT-based measurements of trunk anatomy into
subject-specific musculoskeletal models of the spine influences vertebral loading predictions. J Orthop Res, 35: 2164-2173.
292 力学进展 2022 年第 52 卷
Brüls O, Cardona A, Arnold M. 2012. Lie group generalized-α time integration of constrained flexible multibody systems.
Mech Mach Theory, 48: 121-137.
Buchanan T S, Lloyd D G, Manal K, Besier T F. 2005. Estimation of muscle forces and joint moments using a forward-
inverse dynamics model. Med Sci Sports Exerc, 37: 1911-1916.
Carbone V, Fluit R, Pellikaan P, et al. 2015. TLEM 2.0 - A comprehensive musculoskeletal geometry dataset for subject-
specific modeling of lower extremity. J Biomech, 48: 734-741.
Chen L, Qi Z H. 2009. A 2-dimensional multi rigid bodies skiing model. Multibody Syst Dyn, 21: 91-98.
Chen Z, Zhang Z, Wang L, et al. 2016a. Evaluation of a subject-specific musculoskeletal modelling framework for load
prediction in total knee arthroplasty. Med Eng Phys, 38: 708-716.
Cheng R, Sui Y, Sayenko D, Burdick JW. 2019. Motor control after human SCI through activation of muscle synergies under
spinal cord stimulation. IEEE Trans Neural Syst Rehabil Eng, 27: 1331-1340.
Cheung V C K, Turolla A, Agostini M, et al. 2012. Muscle synergy patterns as physiological markers of motor cortical
damage. Proc Natl Acad Sci U S A, 109: 14652-14656.
Chiovetto E, Berret B, Delis I, et al. 2013. Investigating reduction of dimensionality during single-joint elbow movements: A
case study on muscle synergies. Front Comput Neurosci, 7: 11.
Cholewicki J, Ivancic P C, Radebold A. 2002. Can increased intra-abdominal pressure in humans be decoupled from trunk
muscle co-contraction during steady state isometric exertions. Eur J Appl Physiol, 87: 127-133.
Cholewicki J, Juluru K, McGill S M. 1999. Intra-abdominal pressure mechanism for stabilizing the lumbar spine. J Biomech,
32: 13-17.
Christophy M, Curtin M, Faruk Senan N A, et al. 2013. On the modeling of the intervertebral joint in multibody models for
the spine. Multibody Syst Dyn, 30: 413-432.
Christophy M, Faruk Senan N A, Lotz J C, O’ Reilly O M. 2012. A Musculoskeletal model for the lumbar spine. Biomech
Model Mechanobiol, 11: 19-34.
Chumacero-Polanco E, Yang J. 2020. Effect of disturbances and sensorimotor deficits on the postural robustness of an
ankle–hip model of balance on a balance board. Nonlinear Dyn, 99: 1959-1973.
Correa T A, Pandy M G. 2011. A mass-length scaling law for modeling muscle strength in the lower limb. J Biomech, 44:
2782-2789.
Creath R, Kiemel T, Horak F, et al. 2005. A unified view of quiet and perturbed stance: simultaneous co-existing excitable
modes. Neurosci Lett, 377: 75-80.
Curtis D A, Plesh O, Hannam A G, et al. 1999. Modeling of jaw biomechanics in the reconstructed mandibulectomy patient.
J Prosthet Dent, 81: 167-173.
Daggfeldt K, Thorstensson A. 1997. The role of intra-abdominal pressure in spinal unloading. J Biomech, 30: 1149-1155.
Danneskiold-Samsøe B, Bartels E M, Bülow P M, et al. 2009. Isokinetic and isometric muscle strength in a healthy
population with special reference to age and gender. Acta Physiol, 197: 1-68.
Davy D T, Audu M L. 1987. A dynamic optimization technique for predicting muscle forces in the swing phase of gait. J
Biomech, 20: 187-201.
de Groote F, Kinney A L, Rao A V., Fregly B J. 2016. Evaluation of direct collocation optimal control problem formulations
for solving the muscle redundancy problem. Ann Biomed Eng, 44: 2922-2936.
de Groote F, Pipeleers G, Jonkers I, et al. 2009. A physiology based inverse dynamic analysis of human gait: Potential and
perspectives. Comput Methods Biomech Biomed Engin, 12: 563-574.
de Zee M, Hansen L, Wong C, et al. 2007. A generic detailed rigid-body lumbar spine model. J Biomech, 40: 1219-1227.
Delp S L, Loan J P P, Hoy M G G, et al. 1990. An interactive graphics-based model of the lower extremity to study
orthopedic surgical procedures. IEEE Trans Biomed Eng, 37: 757-767.
Delp S L, Anderson F C, Arnold A S, et al. 2007. OpenSim: Open-source software to create and analyze dynamic simulations
of movement. IEEE. Trans Biomed Eng, 54: 1940-1950.
Dembia C L, Bianco N A, Falisse A, et al. 2020. OpenSim Moco: Musculoskeletal optimal control. PLoS Comput Biol, 16:
e1008493.
Desailly E, Sardain P, Khouri N, et al. 2010. The convex wrapping algorithm: A method for identifying muscle paths using
the underlying bone mesh. J Biomech, 43: 2601-2607.
Dick T J M, Wakeling J M. 2018. Geometric models to explore mechanisms of dynamic shape change in skeletal muscle. R
Soc Open Sci, 5: 172371.
Dicker G J, Tuijt M, Koolstra J H, et al. 2012. Static and dynamic loading of mandibular condyles and their positional
changes after bilateral sagittal split advancement osteotomies. Int J Oral Maxillofac Surg, 41: 1131-1136.
Dickerson C R, Chaffin D B, Hughes R E. 2007. A mathematical musculoskeletal shoulder model for proactive ergonomic
analysis. Comput Methods Biomech Biomed Engin, 10: 389-400.
Dingwell J B, Cusumano J P, Cavanagh P R, et al. 2001. Local dynamic stability versus kinematic variability of continuous
overground and treadmill walking. J Biomech Eng, 123: 27-32.
do Carmo Carvalhais V O, de Melo Ocarino J, Araújo V L, et al. 2013. Myofascial force transmission between the latissimus
dorsi and gluteus maximus muscles: An in vivo experiment. J Biomech, 46: 1003-1007.
Doehring T C, Freed A D, Carew E O, Vesely I. 2005. Fractional order viscoelasticity of the aortic valve cusp: An alternative
to quasilinear viscoelasticity. J Biomech Eng, 127: 700-708.
Dreischarf M, Shirazi-Adl A, Arjmand N, et al. 2016. Estimation of loads on human lumbar spine: A review of in vivo and
computational model studies. J Biomech, 49: 833-845.
Dumas R, Camomilla V, Bonci T, et al. 2014a. Generalized mathematical representation of the soft tissue artefact. J
Biomech, 47: 476-481.
Dumas R, Camomilla V, Bonci T, et al. 2014b. A qualitative analysis of soft tissue artefact during running. Comput Methods
Biomech Biomed Engin, 17: 124-125.
Dumas R, Jacquelin E. 2017. Stiffness of a wobbling mass models analysed by a smooth orthogonal decomposition of the skin
movement relative to the underlying bone. J Biomech, 62: 47-52.
Durandau G, Farina D, Sartori M. 2018. Robust real-time musculoskeletal modeling driven by electromyograms. IEEE
Trans Biomed Eng, 65: 556-564.
Erdemir A, Bennetts C, Bonner T, et al. 2015. Open Knee (s): Founding data for next generation knee models//
BMES/FDA, Frontiers in Medical Devices Conference: Innovations in Modeling and Simulation.
Eskinazi I, Fregly B J. 2015a. An open-source toolbox for surrogate modeling of joint contact mechanics. IEEE Trans Biomed
Eng, 63: 269-277.
Eskinazi I, Fregly B J. 2015b. Surrogate modeling of deformable joint contact using artificial neural networks. Med Eng Phys,
37: 885-891.
Ezati M, Brown P, Ghannadi B, McPhee J. 2020. Comparison of direct collocation optimal control to trajectory
optimization for parameter identification of an ellipsoidal foot-ground contact model. Multibody Syst Dyn, 49: 71-93.
Favre P, Gerber C, Snedeker J G. 2010. Automated muscle wrapping using finite element contact detection. J Biomech, 43:
1931-1940.
Febrer-Nafría M, Pallarès-López R, Fregly B J, Font-Llagunes J M. 2021. Prediction of three-dimensional crutch walking

patterns using a torque-driven model. Multibody Syst Dyn, 51: 1-19.
Févotte C, Idier J. 2011. Algorithms for nonnegative matrix factorization with the β-divergence. Neural Comput, 23: 2421-
294 力学进展 2022 年第 52 卷
2456.
Fink R N, Lembo A J. 2001. Intestinal gas. Curr Treat Options Gastroenterol, 4: 333-337.
Fitts R H. 2008. The cross-bridge cycle and skeletal muscle fatigue. J Appl Physiol, 104: 551-558.
Fluit R, Andersen M S, Kolk S, et al. 2014. Prediction of ground reaction forces and moments during various activities of
daily living. J Biomech, 47: 2321-2329.
Frankenfield D C, Rowe W A, Cooney R N, et al. 2001. Limits of body mass index to detect obesity and predict body
composition. Nutrition, 17: 26-30.
Fratzl P, Weinkamer R. 2007. Nature’s hierarchical materials. Prog Mater Sci, 52: 1263-1334.
Freed A D, Doehring T C. 2005. Elastic model for crimped collagen fibrils. J Biomech Eng, 127: 587.
Fu K, Zhao Z, Ren G, et al. 2019. From multiscale modeling to design of synchronization mechanisms in mesh antennas.
Acta Astronaut, 159: 156-165.
Fung Y C. 1993. Biomechanics: Mechanical Properties of Living Tissues, 2nd edn. New York: Springer-Verlag.
Gantoi F M, Brown M A, Shabana A A. 2010. ANCF finite element/multibody system formulation of the ligament/bone
insertion site constraints. J Comput Nonlinear Dyn, 5: 031006.
Gantoi F M, Brown M A, Shabana A A. 2012. ANCF modeling of the contact geometry and deformation in biomechanics
applications//International Design Engineering Technical Conferences and Computers and Information in Engineering
Conference. American Society of Mechanical Engineers, 45011: 53-65.
Gantoi F M, Brown M A, Shabana A A. 2013. Finite element modeling of the contact geometry and deformation in
biomechanics applications. J Comput Nonlinear Dyn, 8: 041013.
Gao Z, Guo H, Chen W. 2014. Initial tension of the human extraocular muscles in the primary eye position. J Theor Biol,
353: 78-83.
Gardner-Morse M G, Stokes I A F. 2004. Structural behavior of human lumbar spinal motion segments. J Biomech, 37: 205-
212.
Garner B A, Pandy M G. 2003. Estimation of musculotendon properties in the human upper limb. Ann Biomed Eng, 31: 207-
220.
Gautieri A, Pate M I, Vesentini S, et al. 2012a. Hydration and distance dependence of intermolecular shearing between
collagen molecules in a model microfibril. J Biomech, 45: 2079-2083.
Gautieri A, Vesentini S, Redaelli A, Ballarini R. 2013. Modeling and measuring visco-elastic properties: From collagen
molecules to collagen fibrils. Int J Non Linear Mech, 56: 25-33.
Gautieri A, Vesentini S, Redaelli A, Buehler M J. 2011. Hierarchical structure and nanomechanics of collagen microfibrils
from the atomistic scale up. Nano Lett, 11: 757-766.
Gautieri A, Vesentini S, Redaelli A, Buehler M J. 2012b. Viscoelastic properties of model segments of collagen molecules.
Matrix Biol, 31: 141-149.
Geier A, Kebbach M, Soodmand E, et al. 2019. Neuro-musculoskeletal flexible multibody simulation yields a framework for
efficient bone failure risk assessment. Sci Rep, 9: 6928.
Gervais B, Vadean A, Brochu M, et al. 2018. Influence of the load modelling during gait on the stress distribution in a
femoral implant. Multibody Syst Dyn, 44: 93-105.
Geyer H, Herr H. 2010. A Muscle-reflex model that encodes principles of legged mechanics produces human walking
dynamics and muscle activities. IEEE Trans Neural Syst Rehabil Eng, 18: 263-273.
Gfrerer M H, Simeon B. 2021. Fiber-based modeling and simulation of skeletal muscles. Multibody Syst Dyn, 52: 1-30.
Ghodsi H, Darvish K. 2016. Characterization of the viscoelastic behavior of a simplified collagen micro-fibril based on
molecular dynamics simulations. J Mech Behav Biomed Mater, 63: 26-34.
Givli S, Bhattacharya K. 2009. A coarse-grained model of the myofibril: Overall dynamics and the evolution of sarcomere
non-uniformities. J Mech Phys Solids, 57: 221-243.
Gollapudi S K, Lin D C. 2009. Experimental determination of sarcomere force-length relationship in type-I human skeletal
muscle fibers. J Biomech, 42: 2011-2016.
Gomes M W. 2005. Collisionless rigid body locomotion models and physically based homotopy methods for finding periodic
motions in high degree of freedom models. [phD Thesis]. New York: Cornell University.
Gotti C, Sensini A, Zucchelli A, et al. 2020. Hierarchical fibrous structures for muscle‐inspired soft‐actuators: A review.
Appl Mater Today, 20: 100772.
Groote F De, Jonkers I, Duysens J. 2014. Task constraints and minimization of muscle effort result in a small number of
muscle synergies during gait. Front Comput Neurosci, 8: 1-11.
Grazioso S, Di Gironimo G, Siciliano B. 2019. A geometrically exact model for soft continuum robots: The finite element
deformation space formulation. Soft Robotic, 6: 790-811.
Guess TM. 2012. Forward dynamics simulation using a natural knee with menisci in the multibody framework. Multibody
Syst Dyn, 28: 37-53.
Guess TM, Razu S, Jahandar H, Stylianou A. 2015. Predicted loading on the menisci during gait: The effect of horn laxity. J
Biomech, 48: 1490-1498.
Guess TM, Thiagarajan G, Kia M, Mishra M. 2010. A subject specific multibody model of the knee with menisci. Med Eng
Phys, 32: 505-515.
Günther M, Schmitt S, Wank V. 2007. High-frequency oscillations as a consequence of neglected serial damping in Hill-type
muscle models. Biol Cybern, 97: 63-79.
Günther M, Wagner H. 2016. Dynamics of quiet human stance: computer simulations of a triple inverted pendulum model.
Comput Methods Biomech Biomed Engin, 19: 819-834.
Guo H, Gao Z, Chen W. 2016. Contractile force of human extraocular muscle: A theoretical analysis. Appl Bionics Biomech,
2016: 4091824.
Guo H, Gao Z, Han B, et al. 2019. In vivo experimental study on the resistance and stiffness of orbital suspension tissues
with/without the extraocular muscles. Biomed Eng Online, 18: 68.
Guo J, Guo W, Ren G. 2021a. Embodiment of intra-abdominal pressure in a flexible multibody model of the trunk and the
spinal unloading effects during static lifting tasks. Biomech Model Mechanobiol, 20: 1599-1626.
Guo J, Huang H, Yu Y, et al. 2020a. Modeling muscle wrapping and mass flow using a mass-variable multibody formulation.
Multibody Syst Dyn, 49: 315-336.
Guo J, Sun Y, Cui L, et al. 2021b. Wave propagation in muscles predicted by a Hill-type model with distributed
mass//XXVIII Congress of the International Society of Biomechanics (ISB).
Guo J, Sun Y, Hao Y, et al. 2020b. A mass-flowing muscle model with shape restrictive soft tissues: correlation with
sonoelastography. Biomech Model Mechanobiol, 19: 911-926.
Guo J, Yin Y, Hu X, Ren G. 2020c. Self-similar network model for fractional-order neuronal spiking: implications of
dendritic spine functions. Nonlinear Dyn, 100: 921-935.
Guo J, Yin Y, Peng G. 2021c. Fractional-order viscoelastic model of musculoskeletal tissues: Correlation with fractals. Proc
R Soc A Math Phys Eng Sci, 477: 20200990.
Guo J, Yin Y, Ren G. 2019. Abstraction and operator characterization of fractal ladder viscoelastic hyper-cell for ligaments
and tendons. Appl Math Mech, 40: 1429-1448.
Guo Y, Sun Y, Ren Y, et al. 2019. Upper limb muscle force estimation during table tennis strokes//2019 IEEE 16th
International Conference on Wearable and Implantable Body Sensor Networks (BSN), 18918339.
296 力学进展 2022 年第 52 卷
Guo Y, Zhang X, An M, et al. 2012. Determination of quadriceps forces in squat and its application in contact pressure
analysis of knee joint. Acta Mech Solida Sin, 25: 53-60.
Gupta HS, Seto J, Krauss S, et al. 2010. In situ multi-level analysis of viscoelastic deformation mechanisms in tendon
collagen. J Struct Biol, 169: 183-191.
Günther M, Röhrle O, Daniel F, Haeufle B, Schmitt S. 2012. Spreading out muscle mass within a Hill-type model: A
computer simulation study. Comput Math Methods Med, 2012: 1-13.
Haeufle D F B, Günther M, Bayer A, et al. 2014. Hill-type muscle model with serial damping and eccentric force–velocity
relation. J Biomech, 47: 1531-1536.
Haeufle D F B, Stollenmaier K, Heinrich I, et al. 2020. Morphological computation increases from lower- to higher-level of
biological motor control hierarchy.. Front Robot, 7: 511265.
Hammer M, Günther M, Haeufle D F B, Schmitt S. 2019. Tailoring anatomical muscle paths: a sheath-like solution for
muscle routing in musculoskeletal computer models. Math Biosci, 311: 68-81.
Hamner S R, Seth A, Steele K M, Delp S L. 2013. A rolling constraint reproduces ground reaction forces and moments in
dynamic simulations of walking, running, and crouch gait. J Biomech, 46: 1772-1776.
Han M, Hong J, Park F C. 2015. Musculoskeletal dynamics simulation using shape-varying muscle mass models. Multibody
Syst Dyn, 33: 367-388.
Handsfield G G, Meyer C H, Hart J M, et al. 2014. Relationships of 35 lower limb muscles to height and body mass
quantified using MRI. J Biomech, 47: 631-638.
Hannam A G. 2011. Current computational modelling trends in craniomandibular biomechanics and their clinical
implications. J Oral Rehabil, 38: 217-234.
Hannam A G, Stavness I, Lloyd J E, Fels S. 2008. A dynamic model of jaw and hyoid biomechanics during chewing. J
Biomech, 41: 1069-1076.
Hannam AG, Stavness IK, Lloyd JE, et al. 2010. A comparison of simulated jaw dynamics in models of segmental
mandibular resection versus resection with alloplastic reconstruction. J Prosthet Dent, 104: 191-198.
Hansen L, De Zee M, Rasmussen J, et al. 2006. Anatomy and biomechanics of the back muscles in the lumbar spine with
reference to biomechanical modeling. Spine (Phila Pa 1976), 31: 1888-1899.
He J, Ren G. 2019. A multibody dynamics approach to limit cycle walking. Robotica, 37: 1804-1822.
Hegarty A K, Hulbert T V, Kurz M J, et al. 2019. Evaluation of a method to scale muscle strength for gait simulations of
children with cerebral palsy. J Biomech, 83: 165-173.
Heidlauf T, Klotz T, Rode C, et al. 2016. A multi-scale continuum model of skeletal muscle mechanics predicting force
enhancement based on actin-titin interaction. Biomech Model Mechanobiol, 15: 1423-1437.
Hicks J L, Uchida T K, Seth A, et al. Is my model good enough? Best practices for verification and validation of
musculoskeletal models and simulations of movement. Journal of Biomechanical Engineering, 2015, 137(2): 020905.
Hill A V. 1938. The heat of shortening and the dynamic constants of muscle. Proc R Soc London Ser B - Biol Sci, 126: 136-
195.
Hirashima M, Oya T. 2016. How does the brain solve muscle redundancy? Filling the gap between optimization and muscle
synergy hypotheses. Neurosci Res, 104: 80-87.
Hodges P W, Pengel L H M, Herbert R D, Gandevia S. 2003. Measurement of muscle contraction with ultrasound imaging.
Muscle Nerve, 27: 682-692.
Holmes P D, Danforth S M, Fu X Y, et al. 2020. Characterizing the limits of human stability during motion: perturbative
experiment validates a model-based approach for the Sit-to-Stand task. Royal Soc Open Sci, 7: 191410.
Horsman M D K, Koopman H F J M, van der Helm F C T, et al. 2007. Morphological muscle and joint parameters for
musculoskeletal modelling of the lower extremity. Clin Biomech, 22: 239-247.

Hou J, Sun Y, Sun L, et al. 2016. A pilot study of individual muscle force prediction during elbow flexion and extension in the
neurorehabilitation field. Sensors, 16: 2018.
Howell G W, Baillieul J. 1998. Simple controllable walking mechanisms which exhibit bifurcations//Proceedings of the 37th
IEEE Conference on Decision and Control, 3: 3027-3032.
Huang H, Guo J, Yang J, et al. 2017. Isokinetic angle-specific moments and ratios characterizing hamstring and quadriceps
strength in anterior cruciate ligament deficient knees. Sci Rep, 7: 1-11.
Huang Y, Robinson D L, Pitocchi J, et al. 2022. Glenohumeral joint reconstruction using statistical shape modeling..
Biomech Model Mechanobiol, 21: 249-259.
Hui G C, Amaral J, Stephens D, et al. 2005. Gas distribution in intraabdominal and pelvic abscesses on CT is associated
with drainability. Am J Roentgenol, 184: 915-919.
Huijing P A. 1999. Muscle as a collagen fiber reinforced composite: A review of force transmission in muscle and whole limb.
J Biomech, 32: 329-345.
Huijing P A. 2009. Epimuscular myofascial force transmission: A historical review and implications for new research.
International society of biomechanics Muybridge award lecture, Taipei, 2007. J Biomech, 42: 9-21.
Huijing P A. 2007. Epimuscular myofascial force transmission between antagonistic and synergistic muscles can explain
movement limitation in spastic paresis. J Electromyogr Kinesiol, 17: 708-724.
Huijing P A, Yaman A, Ozturk C, Yucesoy C A. 2011. Effects of knee joint angle on global and local strains within human
triceps surae muscle: MRI analysis indicating in vivo myofascial force transmission between synergistic muscles. Surg
Radiol Anat, 33: 869-879.
Hume D R, Navacchia A, Ali A A, Shelburne K B. 2018. The interaction of muscle moment arm, knee laxity, and torque in a
multi-scale musculoskeletal model of the lower limb. J Biomech, 76: 173-180.
Hume D R, Navacchia A, Rullkoetter P J, Shelburne K B. 2019. A lower extremity model for muscle-driven simulation of
activity using explicit finite element modeling. J Biomech, 84: 153-160.
Hürmüzlü Y, Moskowitz G D. 1986. The role of impact in the stability of bipedal locomotion. Dynamics and Stability of
Systems, 1: 217-234.
Huxley A F. 1957. Muscle structure and theories of contraction. Prog Biophys Biophys Chem, 7: 255-318.
Huxley A F, Niedergerke R. 1954. Structural canges in muscle during contraction: Interference microscopy of living muscle
fibres. Nature, 173: 971-973.
Hayashibe M, Venture G, Ayusawa K, et al. 2011. Muscle strength and mass distribution identification toward subject-
specific musculoskeletal modeling//2011 IEEE/RSJ International Conference on Intelligent Robots and Systems: 3701-
3707.
Ignasiak D, Dendorfer S, Ferguson SJ. 2016a. Thoracolumbar spine model with articulated ribcage for the prediction of
dynamic spinal loading. J Biomech, 49: 959-966.
Ignasiak D, Ferguson S J, Arjmand N. 2016b. A rigid thorax assumption affects model loading predictions at the upper but
not lower lumbar levels. J Biomech, 49: 3074-3078.
Ignasiak D, Valenzuela W, Reyes M, et al. 2018. The effect of muscle ageing and sarcopenia on spinal segmental loads. Eur
Spine J, 27: 2650-2659.
Ignasiak D. 2020. A novel method for prediction of postoperative global sagittal alignment based on full-body
musculoskeletal modeling and posture optimization. J Biomech, 102: 109324.
Inkol K A, Brown C, McNally W, et al. 2020. Muscle torque generators in multibody dynamic simulations of optimal sports
performance. Multibody Syst Dyn, 50: 435-452.
298 力学进展 2022 年第 52 卷
Inman V T. 1947. Functional aspects of the abductor muscles of the hip. J Bone Joint Surg Am, 29: 607-619.
Ishida S, Shibuya Y, Kobayashi M, Komori T. 2015. Assessing stomatognathic performance after mandibulectomy according
to the method of mandibular reconstruction. Int J Oral Maxillofac Surg, 44: 948-955.
Jackson J N, Hass C J, Fregly B J. Development of a subject-specific foot-ground contact model for walking. J Biomech Eng,
2016, 138: 091002.
Jalalian A, Tay F E H, Arastehfar S, Liu G. 2017. A patient-specific multibody kinematic model for representation of the
scoliotic spine movement in frontal plane of the human body. Multibody Syst Dyn, 39: 197-220.
Jansen C, McPhee J. 2020. Predictive dynamic simulation of Olympic track cycling standing start using direct collocation
optimal control. Multibody Syst Dyn, 49: 53-70.
Ji B, Gao H. 2004. Mechanical properties of nanostructure of biological materials. J Mech Phys Solids, 52: 1963-1990.
Jomo J N, de Prenter F, Elhaddad M, et al. 2019. Robust and parallel scalable iterative solutions for large-scale finite cell
analyses. Finite Elem Anal Des, 163: 14-30.
Joyce G C, Rack P M H, Mestbury D R. 1969. The Mechanical properties of cat soleus muscle during controlled lengthening
and shortening movements. J Physiol, 204: 461-474.
Kamal Z, Rouhi G, Arjmand N, Adeeb S. 2019. A stability-based model of a growing spine with adolescent idiopathic
scoliosis: A combination of musculoskeletal and finite element approaches. Med Eng Phys, 64: 46-55.
Kaptein B L, Van Der Helm F C T. 2004. Estimating muscle attachment contours by transforming geometrical bone models.
J Biomech, 37: 263-273.
Karajan N, Röhrle O, Ehlers W, Schmitt S. 2013. Linking continuous and discrete intervertebral disc models through
homogenisation. Biomech Model Mechanobiol, 12: 453-466.
Karatsidis A, Jung M, Schepers H M, et al. 2019. Musculoskeletal model-based inverse dynamic analysis under ambulatory
conditions using inertial motion capture. Med Eng Phys, 65: 68-77.
Kastelic J, Galeski A, Baer E. 1978. Multicomposite structure of tendon. Connect Tissue Res, 6: 11-23.
Khasian M, Meccia B A, LaCour M T, Komistek R D. 2020. A validated forward solution dynamics mathematical model of
the knee joint: Can it be an effective alternative for implant evaluation. J Arthroplasty, 35: 3289-3299.
Khurelbaatar T, Kim K, Hyuk Kim Y. 2015. A cervico-thoraco-lumbar multibody dynamic model for the estimation of joint
loads and muscle forces. J Biomech Eng, 137: 111001.
Kia M, Stylianou A P, Guess T M. 2014. Evaluation of a musculoskeletal model with prosthetic knee through six
experimental gait trials. Med Eng Phys, 36: 335-344.
Kian A, Pizzolato C, Halaki M, et al. 2019. Static optimization underestimates antagonist muscle activity at the
glenohumeral joint: A musculoskeletal modeling study. J Biomech, 97: 109348.
Kidziński Ł, Mohanty S P, Ong C F, et al. 2018. Learning to run challenge: Synthesizing physiologically accurate motion
using deep reinforcement learning//The NIPS'17 Competition: Building Intelligent Systems. Springer, Cham: 101-120.
Killen B A, da Luz S B, Lloyd D G, et al. 2021. Automated creation and tuning of personalised muscle paths for OpenSim
musculoskeletal models of the knee joint. Biomech Model Mechanobiol, 20: 521-533.
Kłodowski A, Mononen M E, Kulmala J P, et al. 2016. Merge of motion analysis, multibody dynamics and finite element
method for the subject-specific analysis of cartilage loading patterns during gait: differences between rotation and
moment-driven models of human knee joint. Multibody Syst Dyn, 37: 271-290.
Kłodowski A, Rantalainen T, Heinonen A, et al. 2011a. The use of the flexible multibody approach for lower body skeletal
loading analysis. Procedia IUTAM, 2: 93-100.
Kłodowski A, Rantalainen T, Mikkola A, et al. 2011b. Flexible multibody approach in forward dynamic simulation of
locomotive strains in human skeleton with flexible lower body bones. Multibody Syst Dyn, 25: 395-409.
Kłodowski A, Valkeapää A, Mikkola A. 2012. Pilot study on proximal femur strains during locomotion and fall-down
scenario. Multibody Syst Dyn, 28: 239-256.
Koolstra J H, van Eijden T M G J. 1997. The jaw open-close movements predicted by biomechanical modelling. J Biomech,
30: 943-950.
Koolstra J H, Van Eijden T M G J. 2004. Functional significance of the coupling between head and jaw movements. J
Biomech, 37: 1387-1392.
Kutch J J, Valero-Cuevas F J. 2012. Challenges and new approaches to proving the existence of muscle synergies of neural
origin. PLoS Comput Biol, 8: e1002434.
Lamecker H, Zachow S. 2016. Statistical shape modeling of musculoskeletal structures and its applications//Computational
Radiology for Orthopaedic Interventions. Cham, Springer: 1-23.
Leboeuf F, Bessonnet G, Seguin P, Lacouture P. 2006. Energetic versus sthenic optimality criteria for gymnastic movement
synthesis. Multibody Syst Dyn, 16: 213-236.
Lemoyne R, Petak J, Tester J, Nishikawa K. 2014. Simulation of a computational winding filament model with an
exponential spring to represent titin//36th Annual International Conference of the IEEE Engineering in Medicine and
Biology Society: 836-839.
Levitt M D. 1971. Volume and composition of human intestinal gas determined by means of an intestinal washout technic. N
Engl J Med, 284: 1394-1398.
Li, G Y, Cao Y. 2017. Mechanics of ultrasound elastography. Proc R Soc A Math Phys Eng Sci, 473: 20160841.
Li K, O’Farrell M, Martin D, et al. 2009. Mapping ligament insertion sites onto bone surfaces in knee by co-registration of
CT and digitization data. J Biomech, 42: 2624-2626.
Li P, Liu C, Tian Q, et al. 2016. Dynamics of a deployable mesh reflector of satellite antenna: parallel computation and
deployment simulation. J Comput Nonlinear Dyn, 11: 061005.
Li T, Chen Z, Gao Y, et al. 2020. Fluid– solid coupling numerical simulation of trabecular bone under cyclic loading in
different directions. J Biomech, 109: 109912.
Liu T, Khalaf K, Adeeb S, El-Rich M. 2019. Numerical investigation of intra-abdominal pressure effects on spinal loads and
load-sharing in forward flexion. Front Bioeng Biotechnol, 7: 1-12.
Liu X, Huang H, Ren S, et al. 2020a. Use of the normalcy index for the assessment of abnormal gait in the anterior cruciate
ligament deficiency combined with meniscus injury. Comput Methods Biomech Biomed Engin 23: 1102–1108.
Liu X, Huang H, Yin W, et al. 2020b. Anterior cruciate ligament deficiency combined with lateral and/or medial meniscal
injury results in abnormal kinematics and kinetics during level walking. Proc Inst Mech Eng Part H J Eng Med 234: 91–99.
Lin Y C, Haftka R T, Queipo N V, et al. 2010. Surrogate articular contact models for computationally efficient multibody
dynamic simulations. Med Eng Phys, 32: 584-594.
Lloyd D G, Besier T F. 2003. An EMG-driven musculoskeletal model to estimate muscle forces and knee joint moments in
vivo. J Biomech, 36: 765-776.
Lloyd J E, Roewer-Despres F, Stavness I. 2021. Muscle path wrapping on arbitrary surfaces. IEEE Trans Biomed Eng, 68:
628-638.
Lloyd J E, Stavness I, Fels S. 2012. ArtiSynth: A fast interactive biomechanical modeling toolkit combining multibody and
finite element simulation//Soft tissue biomechanical modeling for computer assisted surgery. Berlin, Heidelberg:
Springer-Verlag New York, 355-394.
Lopes D S, Neptune R R, Ambrósio J A, Silva M T. 2016. A superellipsoid-plane model for simulating foot-ground contact
during human gait. Comput Methods Biomech Biomed Engin, 19: 954-963.
Lopata R G P, van Dijk J P, Pillen S, et al. 2010. Dynamic imaging of skeletal muscle contraction in three orthogonal
300 力学进展 2022 年第 52 卷
directions. J Appl Physiol, 109: 906-915.

Lu J, Zhou X. 2011. Cylindrical element: Isogeometric model of continuum rod. Comput Methods Appl Mech Eng, 200: 233-
241.
Lu Y, Mei Q, Peng H T, et al. 2020. A comparative study on loadings of the lower extremity during deep squat in asian and
caucasian individuals via OpenSim Musculoskeletal modelling. BioMed Res Int, 2020: 7531719.
Lund M, Andersen M, de Zee M, et al. 2015. Scaling of musculoskeletal models from static and dynamic trials. Int Biomech,
2: 1-11.
Luo K, Hu H, Liu C, et al. 2017. Model order reduction for dynamic simulation of a flexible multibody system via absolute
nodal coordinate formulation. Comput Methods Appl Mech Eng, 324: 573-594.
Luthi M, Gerig T, Jud C, Vetter T. 2018. Gaussian process morphable models. IEEE Trans Pattern Anal Mach Intell, 40:
1860-1873.
Ma D, Donlon E, Dong S, et al. 2019. Dense Tactile Force Estimation using GelSlim and inverse FEM, ” 2019 International
Conference on Robotics and Automation (ICRA), 5418-5424.
Ma X, Xu J, Fang H, et al. 2022. Adaptive neural control for gait coordination of a lower limb prosthesis. Int J Mech Sci, 215:
106942.
Ma Y, Yu Y, Jiang S, et al. 2019. Effect of different musculoskeletal model scaling methods on muscle force prediction for
patients with cerebral palsy and equinus gait. ICIIBMS 2019 - 4th Int Conf Intell Informatics Biomed Sci, 6-12.
Maas H, Baan G C, Huijing P A. 2001. Intermuscular interaction via myofascial force transmission: Effects of tibialis
anterior and extensor hallucis longus length on force transmission from rat extensor digitorum longus muscle. J Biomech,
34: 927-940.
Maas H, Huijing P A. 2009. Synergistic and antagonistic interactions in the rat forelimb: acute effects of coactivation. J Appl
Physiol, 107: 1453-1462.
Maganaris C N, Paul J P. 2002. Tensile properties of the in vivo human gastrocnemius tendon. J Biomech, 35: 1639-1646.
Mainen Z F, Sejnowski T J. 1996. Influence of dendritic structure on firing pattern in model neocortical neurons. Nature, 382:
363-366.
Maïsetti O, Hug F, Bouillard K, Nordez A. 2012. Characterization of passive elastic properties of the human medial
gastrocnemius muscle belly using supersonic shear imaging. J Biomech, 45: 978-984.
Magnusson S P, Aagaard P, Rosager S, et al. 2001. Load-displacement properties of the human triceps surae aponeurosis in
vivo. J Physiol, 531: 277-288.
Manal K, Roberts D P, Buchanan T S. 2008. Can pennation angles be predicted from EMGs for the primary ankle plantar
and dorsiflexors during isometric contractions. J Biomech, 41: 2492-2497.
Marras W S, Davis K G. 2001. A non-MVC EMG normalization technique for the trunk musculature: Part 1. Method
development. J Electromyogr Kinesiol, 11: 1-9.
Mashima H. 1984. Force-velocity relation and contractility in striated muscles. Jpn J Physiol, 34: 1-17.
McGeer T. 1990. Passive dynamic walking. Int J Robotics Res, 9: 62-82.
Meng X, Bruno A G, Cheng B, et al. 2015. Incorporating six degree-of-freedom intervertebral joint stiffness in a lumbar spine
musculoskeletal model—Method and performance in flexed postures. J Biomech Eng, 137: 101008.
Meyer G A, Kiss B, Ward S R, et al. 2010. Theoretical predictions of the effects of force transmission by desmin on
intersarcomere dynamics. Biophys J, 98: 258-266.
Mileusnic M P, Brown I E, Lan N, Loeb G E. 2006. Mathematical models of proprioceptors. I. Control and transduction in
the muscle spindle. J Neurophysiol, 96: 1772-1788.
Millard M, Delp S. 2012. A computationally efficient muscle model//ASME 2012 Summer Bioengineering Conference.
American Society of Mechanical Engineers, Fajardo, Puerto Rico, 1055-1056.
Millard M, Mombaur K. 2019. A quick turn of foot: Rigid foot-ground contact models for human motion prediction. Front
Neurorobot, 13: 62.
Millard M, Uchida T, Seth A, Delp S L. 2013. Flexing computational muscle: Modeling and simulation of musculotendon
dynamics. J Biomech Eng, 135: 021005.
Mo F, Li J, Dan M, et al. 2019. Implementation of controlling strategy in a biomechanical lower limb model with active
muscles for coupling multibody dynamics and finite element analysis. J Biomech, 91: 51-60.
Modenese L, Kohout J. 2020. Automated generation of three-dimensional complex muscle geometries for use in personalised
musculoskeletal models. Ann Biomed Eng, 48: 1793-1804.
Modenese L, Phillips A T M. 2012. Prediction of hip contact forces and muscle activations during walking at different
speeds. Multibody Syst Dyn, 28: 157-168.
Modenese L, Phillips A T M, Bull A M J. 2011. An open source lower limb model: Hip joint validation. J Biomech, 44: 2185-
2193.
Moissenet F, Chèze L, Dumas R. 2012. Potential of the pseudo-inverse method as a constrained static optimization for
musculo-tendon forces prediction. J Biomech Eng, 134: 64503-64507.
Mohamed A N A, Brown M A, Shabana A A. 2010. Study of the ligament tension and cross-section deformation using
nonlinear finite element/multibody system algorithms. Multibody Syst Dyn, 23: 227-248.
Molnar C A, Zelei A, Insperger T. 2021. Rolling balance board of adjustable geometry as a tool to assess balancing skill and
to estimate reaction time delay. J R Soc Interface, 18: 20200956.
Monteiro N M B, Da Silva M P T, Folgado JOMG, Melancia JPL. 2011. Structural analysis of the intervertebral discs
adjacent to an interbody fusion using multibody dynamics and finite element cosimulation. Multibody Syst Dyn, 25: 245-
270.
Mordhorst M, Strecker T, Wirtz D, et al. 2017. POD-DEIM reduction of computational EMG models. J Comput Sci, 19: 86-
96.
Mörl F, Günther M, Riede J M, et al. 2020. Loads distributed in vivo among vertebrae, muscles, spinal ligaments, and
intervertebral discs in a passively flexed lumbar spine. Biomech Model Mechanobiol, 19: 2015-2047.
Moya-Esteban A, Brouwer N P, Tabasi A, et al. 2020. Muscle-level analysis of trunk mechanics via musculoskeletal
modeling and high-density electromyograms//Proceedings of the IEEE RAS and EMBS International Conference on
Biomedical Robotics and Biomechatronics, 1109-1114.
Müller J H, Razu S, Erdemir A, Guess T M. 2020. Prediction of patellofemoral joint kinematics and contact through co-
simulation of rigid body dynamics and nonlinear finite element analysis. Comput Methods Biomech Biomed Engin, 23: 718-
733.
Murai A, Kurosaki K, Yamane K, Nakamura Y. 2010. Musculoskeletal-see-through mirror: Computational modeling and
algorithm for whole-body muscle activity visualization in real time. Prog Biophys Mol Biol, 103: 310-317.
Narioka K, Tsugawa S, Hosoda K. 2009. 3D limit cycle walking of musculoskeletal humanoid robot with flat feet//2009
IEEE/RSJ International Conference on Intelligent Robots and Systems: 4676-4681.
Navacchia A, Hume D R, Rullkoetter P J, Shelburne K B. 2019. A computationally efficient strategy to estimate muscle
forces in a finite element musculoskeletal model of the lower limb. J Biomech, 84: 94-102.
Navacchia A, Rullkoetter P J, Schütz P, et al. 2016. Subject-specific modeling of muscle force and knee contact in total knee
arthroplasty. J Orthop Res, 34: 1576-1587.
Neumann D A. 2016. Kinesiology of the musculoskeletal system-e-book: Foundations for rehabilitation. Elsevier Health
Sciences.
302 力学进展 2022 年第 52 卷
Nie X, Feng J, Zhang J, Yan S. 2019. Single-stage multi-person pose machines//Proceedings of the IEEE/CVF International
Conference on Computer Vision, 6951-6960.
Nishijima Y, Kato T, Yoshizawa M, et al. 2010. Application of the segment weight dynamic movement method to the
normalization of gait EMG amplitude. J Electromyogr Kinesiol, 20: 550-557.
Nishikawa K C, Monroy J A, Uyeno T E, et al. 2012. Is titin a “winding filament”? A new twist on muscle contraction. Proc
R Soc B Biol Sci, 279: 981-990.
Pai D K. 2010. Muscle mass in musculoskeletal models. J Biomech, 43: 2093-2098.
Pàmies-Vilà R, Font-Llagunes J M, Lugrís U, Cuadrado J. 2014. Parameter identification method for a three-dimensional
foot-ground contact model. Mech Mach Theory, 75: 107-116.
Pan B, Sun Y, Xie B, et al. 2018. Alterations of muscle synergies during voluntary arm reaching movement in subacute
stroke survivors at different levels of impairment. Front Comput Neurosci, 12: 69.
Pandy M G, Zajac F E, Sim E, Levine W S. 1990. An optimal control model for maximum-height human jumping. J
Biomech, 23: 1185-1198.
Pauli N, Olsson C, Pettersson N, et al. 2016. Risk structures for radiation-induced trismus in head and neck cancer. Acta
Oncol (Madr), 55: 788-792.
Pellikaan P, van der Krogt M M, Carbone V, et al. 2014. Evaluation of a morphing based method to estimate muscle
attachment sites of the lower extremity. J Biomech, 47: 1144-1150.
Peng Y, Zhang Z, Gao Y, et al. 2018. Concurrent prediction of ground reaction forces and moments and tibiofemoral contact
forces during walking using musculoskeletal modelling. Med Eng Phys, 52: 31-40.
Pettersson R, Nordmark A, Eriksson A. 2013. Optimisation of multiple phase human movements. Multibody Syst Dyn, 30:
461-484.
Pham H, Ariga Y, Tominaga K, et al. 2014. Extraction and implementation of muscle synergies in neuro-mechanical control
of upper limb movement. Adv Robot, 28: 745-757.
Pizzolato C, Lloyd D G, Sartori M, et al. 2015. CEINMS: A toolbox to investigate the influence of different neural control
solutions on the prediction of muscle excitation and joint moments during dynamic motor tasks. J Biomech, 48: 3929-3936.
Purslow P P. 2010. Muscle fascia and force transmission. J Bodyw Mov Ther, 14: 411-417.
Putzer M, Ehrlich I, Rasmussen J, et al. 2016. Sensitivity of lumbar spine loading to anatomical parameters. J Biomech, 49:
953-958.
Puxkandl R, Zizak I, Paris O, et al. 2002. Viscoelastic properties of collagen: Synchrotron radiation investigations and
structural model. Philos Trans R Soc B Biol Sci, 357: 191-197.
Quental C, Folgado J, Ambrósio J. 2016. A window moving inverse dynamics optimization for biomechanics of motion.
Quental C, Folgado J, Ambrósio J, Monteiro J. 2015. Critical analysis of musculoskeletal modelling complexity in multibody
biomechanical models of the upper limb. Comput Methods Biomech Biomed Engin, 18: 749-759.
Raabe M E, Chaudhari A M W. 2016. An investigation of jogging biomechanics using the full-body lumbar spine model:
Model development and validation. J Biomech, 49: 1238-1243.
Raasch C C, Zajac F E, Ma B, Levine W S. 1997. Muscle coordination of maximum-speed pedaling. J Biomech, 30: 595-602.
Rahmati M A, Rostami M, Beigzadeh B. 2017. A low-cost optimization framework to solve muscle redundancy problem.
Nonlinear Dyn, 90: 2277-2291.
Randhawa A, Wakeling J M. 2015. Multidimensional models for predicting muscle structure and fascicle pennation. J Theor
Biol, 382: 57-63.
Rasmussen J, Damsgaard M, Voigt M. 2001. Muscle recruitment by the min/max criterion— A comparative numerical
study. J Biomech, 34: 409-415.

Rasmussen J, de Zee M, Damsgaard M, et al. 2005. A general method for scaling musculo-skeletal models//2005
International Symposium on Computer Simulation in Biomechanics.
Razavian R S, Ghannadi B, McPhee J. 2019. A synergy-based motor control framework for the fast feedback control of
musculoskeletal systems. J Biomech Eng, 141: 1-12.
Razavian R S, Ghannadi B, Mehrabi N, et al. 2018. Feedback control of functional electrical stimulation for 2-D arm
reaching movements. IEEE Trans Neural Syst Rehabil Eng, 26: 2033-2043.
Razavian R S, Mehrabi N, McPhee J. 2015a. A model-based approach to predict muscle synergies using optimization:
Application to feedback control. Front Comput Neurosci, 9: 121.
Razavian R S, Mehrabi N, McPhee J. 2015b. A neuronal model of central pattern generator to account for natural motion
variation. J Comput Nonlinear Dyn, 11: 021007.
Razu S S, Guess T M. 2018. Electromyography-driven forward dynamics simulation to estimate in vivo joint contact forces
during normal, smooth, and bouncy gaits. ASME J Biomech Eng, 140: 071012.
Reese S P, Maas S A, Weiss J A. 2010. Micromechanical models of helical superstructures in ligament and tendon fibers
predict large Poisson’s ratios. J Biomech, 43: 1394-1400.
Ren L, Jones R K, Howard D. 2008. Whole body inverse dynamics over a complete gait cycle based only on measured
kinematics. J Biomech, 41: 2750-2759.
Ren S, Yu Y, Shi H, et al. 2018. Three dimensional knee kinematics and kinetics in ACL-deficient patients with and without
medial meniscus posterior horn tear during level walking. Gait Posture, 66: 26-31.
Renda F, Boyer F, Dias J, et al. 2018. Discrete cosserat approach for multisection soft manipulator dynamics. IEEE Trans
Robot, 34: 1518-1533.
Renda F, Giorelli M, Calisti M, et al. 2014. Dynamic model of a multibending soft robot arm driven by cables. IEEE Trans
Robot, 30: 1109-1122.
Rockenfeller R, Günther M. 2017. How to model a muscle’ s active force-length relation: A comparative study. Comput
Methods Appl Mech Eng, 313: 321-336.
Rode C, Siebert T, Blickhan R. 2009. Titin-induced force enhancement and force depression: A “sticky-spring” mechanism in
muscle contractions. J Theor Biol, 259: 350-360.
Röhrle O, Sprenger M, Schmitt S. 2017. A two-muscle, continuum-mechanical forward simulation of the upper limb.
Biomech Model Mechanobiol, 16: 743-762.
Rupp T K, Ehlers W, Karajan N, et al. 2015. A forward dynamics simulation of human lumbar spine flexion predicting the
load sharing of intervertebral discs, ligaments, and muscles. Biomech Model Mechanobiol, 14: 1081-1105.
Sagl B, Schmid-Schwap M, Piehslinger E, et al. 2019. A dynamic jaw model with a finite-element temporomandibular joint.
Front Physiol, 10: 1-12.
Santamaria F, Wils S, De Schutter E, Augustine G J. 2006. Anomalous diffusion in purkinje cell dendrites caused by spines.
Neuron, 52: 635-648.
Sarkalkan N, Weinans H, Zadpoor A A. 2014. Statistical shape and appearance models of bones. Bone, 60: 129-140.
Sartori M, Farina D, Lloyd DG. 2014. Hybrid neuromusculoskeletal modeling to best track joint moments using a balance
between muscle excitations derived from electromyograms and optimization. J Biomech, 47: 3613-3621.
Sartori M, Reggiani M, Farina D, Lloyd D G. 2012. EMG-driven forward-dynamic estimation of muscle force and joint
moment about multiple degrees of freedom in the human lower extremity. PLoS One, 7: e52618.
Schiessel H, Blumen A. 1993. Hierarchical analogues to fractional relaxation equations. J Phys A Math Gen, 26: 5057-5069.
Scholz A, Sherman M, Stavness I, et al. 2016. A fast multi-obstacle muscle wrapping method using natural geodesic
304 力学进展 2022 年第 52 卷
variations. Multibody Syst Dyn, 36: 195-219.

Schweitzer L, Geisler C, Pourhassan M, et al. 2015. What is the best reference site for a single MRI slice to assess whole body
skeletal muscle and adipose tissue volumes in healthy adults. Am J Clin Nutr, 102: 58-65.
Serpas F, Yanagawa T, Pandy M. 2002. Forward-dynamics simulation of anterior cruciate ligament forces developed during
isokinetic dynamometry. Comput Methods Biomech Biomed Engin, 5: 33-43.
Seth A, Hicks J L, Uchida T K, et al. 2018. OpenSim: Simulating musculoskeletal dynamics and neuromuscular control to
study human and animal movement. PLOS Comput Biol, 14: e1006223.
Seynnes O R, Cronin N J. 2020. Simple muscle architecture analysis (SMA): An ImageJ macro tool to automate
measurements in B-mode ultrasound scans. PLoS One, 15: e0229034.
Shabana A A. 1997. Flexible multibody dynamics: review of past and recent developments. Multibody Syst Dyn, 1: 189-222.
Shabana A A, Gantoi F M, Brown M A. 2011. Integration of finite element and multibody system algorithms for the analysis
of human body motion. Procedia IUTAM, 2: 233-240.
Sharif Shourijeh M, McPhee J. 2014. Optimal control and forward dynamics of human periodic motions using fourier series
for muscle excitation patterns. J Comput Nonlinear Dyn, 9: 021005.
Shayestehpour H, Rasmussen J, Galibarov P, Wong C. 2021. An articulated spine and ribcage kinematic model for
simulation of scoliosis deformities. Multibody Syst Dyn, 53: 115-134.
She X, Wei F, Damon B J, et al. 2018. Three-dimensional temporomandibular joint muscle attachment morphometry and its
impacts on musculoskeletal modeling. J Biomech, 79: 119-128.
Shearer T. 2015. A new strain energy function for modelling ligaments and tendons whose fascicles have a helical
arrangement of fibrils. J Biomech, 48: 3017-3025.
Shearer T, Thorpe C T, Screen H R C. 2017. The relative compliance of energy-storing tendons may be due to the helical
fibril arrangement of their fascicles. J R Soc Interface, 14: 20170261.
Shi H, Huang H, Ren S, et al. 2019. The relationship between quadriceps strength asymmetry and knee biomechanics
asymmetry during walking in individuals with anterior cruciate ligament reconstruction. Gait Posture, 73: 74-79.
Shia V, Moore T Y, Holmes P, et al. 2018. Stability basin estimates fall risk from observed kinematics, demonstrated on the
Sit-to-Stand task. J Biomech, 72: 37-45.
Shourijeh M S, McPhee J. 2015. Foot-ground contact modeling within human gait simulations: from Kelvin-Voigt to hyper-
volumetric models. Multibody Syst Dyn, 35: 393-407.
Shourijeh M S, Mehrabi N, McPhee J. 2017. Forward static optimization in dynamic simulation of human musculoskeletal
systems: A proof-of-concept study. J Comput Nonlinear Dyn, 12: 051005.
Shourijeh M S, Smale K B, Potvin B M, Benoit D L. 2016. A forward-muscular inverse-skeletal dynamics framework for
human musculoskeletal simulations. J Biomech, 49: 1718-1723.
Shumway-Cook A, Woollacott M H. 2007. Motor control: translating research into clinical practice. Lippincott Williams &
Wilkins.
Siebert T, Rode C, Till O, et al. 2016. Force reduction induced by unidirectional transversal muscle loading is independent of
local pressure. J Biomech, 49: 1156-1161.
Siebert T, Stutzig N, Rode C. 2017. A hill-type muscle model expansion accounting for effects of varying transverse muscle
load. J Biomech, 66: 57-62.
Siebert T, Till O, Blickhan R. 2014. Work partitioning of transversally loaded muscle: Experimentation and simulation.
Comput Methods Biomech Biomed Engin, 17: 217-229.
Silva M P T, Ambrósio J A C. 2003. Solution of redundant muscle forces in human locomotion with multibody dynamics and
optimization tools. Mech Based Des Struct Mach, 31: 381-411.
Skals S, Jung M K, Damsgaard M, Andersen M S. 2017a. Prediction of ground reaction forces and moments during sports-
related movements. Multibody Syst Dyn, 39: 175-195.
Skals S, Rasmussen K P, Bendtsen K M, et al. 2017b. A musculoskeletal model driven by dual Microsoft Kinect Sensor data.
Sonneville V, Cardona A, Brüls O. 2014. Geometric interpretation of a non-linear beam finite element on the Lie group SE
(3). Arch Mech Eng, 61: 305-329.
Sreenivasa M, Ayusawa K, Nakamura Y. 2016. Modeling and identification of a realistic spiking neural network and
musculoskeletal model of the human arm, and an application to the stretch reflex. IEEE Trans Neural Syst Rehabil Eng,
24: 591-602.
Stavness I, Lloyd J, Payan Y, Fels S. 2011. Towards speech articulation simulation with a dynamic coupled face-jaw-tongue
model//ISSP’2011, 1-4.
Stavness I, Lloyd J E, Fels S. 2012. Automatic prediction of tongue muscle activations using a finite element model. J
Biomech, 45: 2841-2848.
Steele K M, Tresch M C, Perreault E J. 2015. Consequences of biomechanically constrained tasks in the design and
interpretation of synergy analyses. J Neurophysiol, 113: 2102-2113.
Stepan G. 2009. Delay effects in the human sensory system during balancing. Philos Trans Royal Soc A, 367: 1195-1212.
Stoecker U, Telley I A, Stüssi E, et al. 2009. A multisegmental cross-bridge kinetics model of the myofibril. J Theor Biol, 259:
714-726.
Stylianoul A P, Guess T M, Kia M. 2013. Multibody muscle driven model of an instrumented prosthetic knee during squat
and toe rise motions. J Biomech Eng, 135: 041008.
Suderman B L, Krishnamoorthy B, Vasavada AN. 2012. Neck muscle paths and moment arms are significantly affected by
wrapping surface parameters. Comput Methods Biomech Biomed Engin, 15: 735-744.
Suderman B L, Vasavada A N. 2012. Moving muscle points provide accurate curved muscle paths in a model of the cervical
spine. J Biomech, 45: 400-404.
Sueda S, Kaufman A, Pai D K. 2008. Musculotendon simulation for hand animation// ACM Transactions on Graphics, 1.
Sun K, Xiao B, Liu D, Wang J. 2019. Deep high-resolution representation learning for human pose estimation//Proceedings
of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 5693-5703.
Sun L, Sun Y, Huang Z, et al. 2018. Improved Hill-type musculotendon models with activation-force-length coupling.
Technol Health Care, 26: 909-920.
Suwarganda E K, Diamond L E, Lloyd D G, et al. 2019. Minimal medical imaging can accurately reconstruct geometric bone
models for musculoskeletal models. Plos One, 14: e0205628.
Synek A, Lu S C, Vereecke E E, et al. 2019. Musculoskeletal models of a human and bonobo finger: parameter identification
and comparison to in vitro experiments. PeerJ, 7: e7470.
Szczesny S E, Elliott D M. 2014. Interfibrillar shear stress is the loading mechanism of collagen fibrils in tendon. Acta
Biomater, 10: 2582-2590.
Tafazzol A, Arjmand N, Shirazi-Adl A, Parnianpour M. 2014. Lumbopelvic rhythm during forward and backward sagittal
trunk rotations: Combined in vivo measurement with inertial tracking device and biomechanical modeling. Clin Biomech,
29: 7-13.
Tang H, Du H, Tang Q, et al. 2014. Chinese patients’ satisfaction with total hip arthroplasty: What is important and
dissatisfactory. J Arthroplasty, 29: 2245-2250.
Tang Y X, Hu H Y, Tian Q. 2019. Model order reduction based on successively local linearizations for flexible multibody
dynamics. Int J Numer Methods Eng, 118: 159-180.
306 力学进展 2022 年第 52 卷
Tang Y X, Hu H Y, Tian Q. 2021. A condensed algorithm for adaptive component mode synthesis of viscoelastic flexible
multibody dynamics. Int J Numer Methods Eng, 122: 609-637.
Thelen D G. 2003. Adjustment of muscle mechanics model parameters to simulate dynamic contractions in older adults. J
Biomech Eng, 125: 70.
Thelen D G, Anderson F C. 2006. Using computed muscle control to generate forward dynamic simulations of human
walking from experimental data. J Biomech, 39: 1107-1115.
Thorpe C T, Godinho M S, Riley G P, et al. 2015. The interfascicular matrix enables fascicle sliding and recovery in tendon,
and behaves more elastically in energy storing tendons. J Mech Behav Biomed Mater, 52: 85-94.
Tresch M C, Cheung V C K, D’ Avella A. 2006. Matrix factorization algorithms for the identification of muscle synergies:
Evaluation on simulated and experimental data sets. J Neurophysiol, 95: 2199-2212.
Tresch M C, Jarc A. 2009. The case for and against muscle synergies. Curr Opin Neurobiol, 19: 601-607.
Troyer K L, Puttlitz C M. 2012. Nonlinear viscoelasticty plays an essential role in the functional behavior of spinal
ligaments. J Biomech, 45: 684-691.
Tsai T Y, Li J S, Wang S, et al. 2015. Principal component analysis in construction of 3D human knee joint models using a
statistical shape model method. Comput Methods Biomech Biomed Engin, 18: 721-729.
Tuijt M, Koolstra J H, Lobbezoo F, Naeije M. 2010. Differences in loading of the temporomandibular joint during opening
and closing of the jaw. J Biomech, 43: 1048-1054.
Valente G, Pitto L, Testi D, et al. 2014. Are subject-specific musculoskeletal models robust to the uncertainties in parameter
identification. Plos One, 9: e112625.
Valentini P P. 2012. Human spine using dynamic spline approach for vibrational simulation. J Sound Vib, 331: 5895-5909.
Valentini P P, Pennestrì E. 2011. Modeling elastic beams using dynamic splines. Multibody Syst Dyn, 25: 271-284.
Valero-Cuevas F J, Cohn B A, Yngvason H F, Lawrence E L. 2015. Exploring the high-dimensional structure of muscle
redundancy via subject-specific and generic musculoskeletal models. J Biomech, 48: 2887-2896.
Van Der Krogt M M, Bar-On L, Kindt T, et al. 2016. Neuro-musculoskeletal simulation of instrumented contracture and
spasticity assessment in children with cerebral palsy. J Neuroeng Rehabil, 13: 64.
Van Elburg R A J, van Ooyen A. 2010. Impact of dendritic size and dendritic topology on burst firing in pyramidal cells.
PLOS Comput Biol, 6: e1000781.
Van Hulle R, Schwartz C, Denoël V, et al. 2020. A foot/ground contact model for biomechanical inverse dynamics analysis. J
Biomech, 100: 109412.
Vel Lace K L, Błażkiewicz M. 2021. How does the ski boot affect human gait and joint loading. Biomed Hum Kinet, 13: 163-
169.
Vemulapalli R, Arrate F, Chellappa R. 2014. Human action recognition by representing 3d skeletons as points in a Lie
group//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR): 588-595.
Walter J P, Kinney A L, Banks S A, et al. 2014. Muscle synergies may improve optimization prediction of knee contact
forces dring walking. J Biomech Eng, 136: 021031.
Walter J R, Günther M, Haeufle D F B, Schmitt S. 2021. A geometry- and muscle-based control architecture for synthesising
biological movement. Biol Cybern, 115: 7-37.
Wang K, McCarter R, Wright J, et al. 1993. Viscoelasticity of the sarcomere matrix of skeletal muscles. The titin-myosin
composite filament is a dual-stage molecular spring. Biophys J, 64: 1161-1177.
Wang K, Wang L, Deng Z, et al. 2019. Influence of passive elements on prediction of intradiscal pressure and muscle
activation in lumbar musculoskeletal models. Comput Methods Programs Biomed, 177: 39-46.
Wang L, Cheung J T M, Pu F, et al. 2011. Why do woodpeckers resist head impact injury: A biomechanical investigation.
Plos One, 6: e26490.

Wang W, Wang D, De Groote F, et al. 2020. Implementation of physiological functional spinal units in a rigid-body model of
the thoracolumbar spine. J Biomech, 98: 109437.
Wang X F, Cheng S S, Desai J P. 2018. Design, analysis, and evaluation of a remotely actuated MRI-compatible
neurosurgical robot. IEEE Robot Autom Lett, 3: 2144-2151.
Wang Y, Wang L, Du C, et al. 2016. A comparative study on dynamic stiffness in typical finite element model and multi-
body model of C6–C7 cervical spine segment. Int J Numer Method Biomed Eng, 32: e02750.
Wang Y W, Wang L Z, Liu S Y, Fan Y B. 2018. A two-step procedure for coupling development and usage of a pair of
human neck models. Comput Methods Biomech Biomed Engin, 21: 413-426.
Wang Y, Wong D W C, Zhang M. 2016. Computational models of the foot and ankle for pathomechanics and clinical
applications: a review. Ann Biomed Eng, 44: 213-221.
Ward S R, Eng C M, Smallwood L H, Lieber R L. 2009. Are current measurements of lower extremity muscle architecture
accurate. Clin Orthop Relat Res, 467: 1074-1082.
Watters A L, Cope S, Keller M N, et al. 2019. Prevalence of trismus in patients with head and neck cancer: A systematic
review with meta-analysis. Head Neck, 41: 3408-3421.
Wei G, Tian F, Tang G, Wang C. 2012. A wavelet-based method to predict muscle forces from surface electromyography
signals in weightlifting. J Bionic Eng, 9: 48-58.
Weed D, Maqueda L G, Brown M A, et al. 2010. A new nonlinear multibody/finite element formulation for knee joint
ligaments. Nonlinear Dyn, 60: 357-367.
Weiss J A, Gardiner J C. 2001. Computational modeling of ligament mechanics. Crit Rev Biomed Eng, 29: 303-371.
Whittle M W. 2014. Gait Analysis: An Introduction, 3th edn. Oxford: Butterworth-Heinemann.
Williams I, Constandinou TG. 2014. Computationally efficient modeling of proprioceptive signals in the upper limb for
prostheses: A simulation study. Front Neurosci, 8: 181.
Winter D. 2009. Biomechanics and Motor Control of Human Movement, 4th edn. Hoboken, NJ: John Wiley & Sons.
Winters J M. 1990. Hill-based muscle models: A systems engineering perspective//Winters JM, Woo SL-Y (eds) multiple
muscle systems: Biomechanics and movement organization. New York: Springer, 69-93.
Winters J M. 1995. An improved muscle-reflex actuator for use in large-scale neuromusculoskeletal models. Ann Biomed Eng,
23: 359-374.
Winters T M, Takahashi M, Lieber R L, Ward S R. 2011. Whole muscle length-tension relationships are accurately modeled
as scaled sarcomeres in rabbit hindlimb muscles. J Biomech, 44: 109-115.
Wochner I, Driess D, Zimmermann H, et al. 2020. Optimality principles in human point-to-manifold reaching accounting for
muscle dynamics. Front Comput Neurosci, 14: 38.
Xiang Y, Arefeen A. 2020. Two-dimensional team lifting prediction with floating-base box dynamics and grasping force
coupling. Multibody Syst Dyn, 50: 211-231.
Xiang Y, Arora J S, Rahmatalla S, Abdel-Malek K. 2009. Optimization-based dynamic human walking prediction: One step
formulation. Int J Numer Methods Eng, 79: 667-695.
Xiang Y, Chung H J, Kim J H, et al. 2010. Predictive dynamics: An optimization-based novel approach for human motion
simulation. Struct Multidiscip Optim, 41: 465-479.
Xiang Y, Zaman R, Rakshit R, Yang J. 2019. Subject-specific strength percentile determination for two-dimensional
symmetric lifting considering dynamic joint strength. Multibody Syst Dyn, 46: 63-76.
Yamaguchi G T. 2005. Dynamic Modeling of Musculoskeletal Motion: A Vectorized Approach for Biomechanical Analysis in
Three Dimensions. Berlin: Springer Science & Business Media.
308 力学进展 2022 年第 52 卷
Yao Y, Wang L, Li J, et al. 2020. A novel auxetic structure based bone screw design: Tensile mechanical characterization
and pullout fixation strength evaluation. Mater Des, 188: 108424.
Yu B, Queen R M, Abbey A N, et al. 2008. Hamstring muscle kinematics and activation during overground sprinting. J
Biomech, 41: 3121-3126.
Yucesoy C A, Baan G C, Koopman B H F J M, et al. 2005. Pre-strained epimuscular connections cause muscular myofascial
force transmission to affect properties of synergistic EHL and EDL muscles of the rat. J Biomech Eng, 127: 819.
Yucesoy C A, Koopman B H F J M, Baan G C, et al. 2003. Effects of inter- and extramuscular myofascial force transmission
on adjacent synergistic muscles: Assessment by experiments and finite-element modeling. J Biomech, 36: 1797-1811.
Yucesoy C A, Koopman B H F J M, Grootenboer H J, Huijing P A. 2008. Extramuscular myofascial force transmission alters
substantially the acute effects of surgical aponeurotomy: Assessment by finite element modeling. Biomech Model
Mechanobiol, 7: 175-189.
Zador A M, Agmon-Snir H, Segev I. 1995. The morphoelectrotonic transform: a graphical approach to dendritic function. J
Neurosci, 15: 1669-1682.
Zajac F E. 1989. Muscle and tendon: properties, models, scaling, and application to biomechanics and motor control. Crit
Rev Biomed Eng, 17: 359-411.
Zanoni A, Cocco A, Masarati P. 2020. Multibody dynamics analysis of the human upper body for rotorcraft– pilot
interaction. Nonlinear Dyn, 102: 1517-1539.
Zatsiorsky V M, Prilutsky B I. 2012. Biomechanics of skeletal muscles. Champaign, IL: Human Kinetics.
Zelei A, Krauskopf B, Piiroinen P T, et al. 2019. Stable periodic motion of a controlled segmented leg model of pedal
locomotion with inelastic ground-foot collision. Nonlinear Dyn, 97: 1945-1958.
Zelei A, Milton J, Stepan G, et al. 2021. Response to perturbation during quiet standing resembles delayed state feedback
optimized for performance and robustness. Sci Rep, 11: 11392.
Zhang C, Meng X, Anderson D E, et al. 2019a. Effects of stretch reflex on back muscle response during sinusoidal whole body
vibration in sitting posture: A model study. Int J Ind Ergon, 71: 103-110.
Zhang C, Wang W, Anderson D E, et al. 2019b. Effect of low-frequency vibration on muscle response under different
neurointact conditions. Appl Bionics Biomech, 2019: 1971045.
Zhang D, Zhu K. 2007. Modeling biological motor control for human locomotion with functional electrical stimulation. Biol
Cybern, 96: 79-97.
Zhang H, Mo F, Wang L, et al. 2020. A framework of a lower limb musculoskeletal model with implemented natural
proprioceptive feedback and its progressive evaluation. IEEE Trans Neural Syst Rehabil Eng, 28: 1866-1875.
Zhang J, Fernandez J, Hislop-Jambrich J, Besier T F. 2016. Lower limb estimation from sparse landmarks using an
articulated shape model. J Biomech, 49: 3875-3881.
Zhang L, Stepan G, Insperger T. 2018. Saturation limits the contribution of acceleration feedback to balancing against
reaction delay. J R Soc Interface, 15: 20170771.
Zhang X, Chen Z, Wang L, et al. 2015. Prediction of hip joint load and translation using musculoskeletal modelling with
force-dependent kinematics and experimental validation. Proc Inst Mech Eng Part H J Eng Med, 229: 477-490.
(责任编委: 丁千)
Advances in flexible multibody dynamics of

human musculoskeletal systems
GUO Jianqiao1,* WANG Yanbing1 TIAN Qiang1 REN Gexue2 HU Haiyan1
1
MOE Key Laboratory of Dynamics and Control of Flight Vehicle, School of Aerospace Engineering,
Beijing Institute of Technology, Beijing 100081, China
2
Department of Engineering Mechanics, Tsinghua University, Beijing 100084, China
Abstract The human system consists of bones, skeletal muscles, and joints, so the system model
in mechanics is a typical flexible multi-body system. The study on musculoskeletal multi-body dy-
namics mainly aims to determine muscle forces and joint moments together with the effect of their
actions during human locomotion. Thus, it is a multi-disciplinary subject between dynamics and
biomechanics. Musculoskeletal multi-body models have seen successful applications in many fields,
such as clinical research, sports engineering, military training, and ergonomics. The simulation res-
ults of these models can provide important data for improving physical performances, reducing
joint loading and energy consumption, preventing sports injuries, and accelerating rehabilitation
processes. In turn, the achievement of these human-related techniques provides the study of muscu-
loskeletal dynamics with numerous new challenges. This review surveys the literature on the multi-
body dynamics modeling of human musculoskeletal systems. Its contents include the functional
anatomy and biomechanical models of the skeletal muscle, neuromuscular control strategies, and
the computational frameworks for musculoskeletal modeling. The paper also reviews several typic-
al applications of musculoskeletal modeling in the fields of gait analysis, anti-G straining maneuver
of pilots, and mandibular surgical planning. Compared with classical mechanical systems in mech-
anical engineering, the human musculoskeletal system has the characteristics of active force and re-
dundancy control. However, existing muscle models cannot simultaneously consider the anatomic-
al structures and three-dimensional geometries of the muscles together with their biochemical
force-generating mechanism. Meanwhile, most studies have utilized the static optimization assump-
tion to deal with muscle recruitments, neglecting the equilibrium between musculotendon forces
and contraction dynamics. So far, It is still a challenging task to build subject-specific musculo-
skeletal models based on non-invasive in vivo measurements. Future studies on musculoskeletal
multi-body dynamics will achieve a more precise, intelligent, and subject-specific modeling frame-
Received: 19 November 2021; accepted: 17 January 2022; online: 19 January 2022

* E-mail: guojianqiao@bit.edu.cn
© 2022 Advances in Mechanics.
310 力学进展 2022 年第 52 卷
work, which leads to a hot research topic involving interdisciplinary collaborations of dynamics and
biomechanics.
Keywords musculoskeletal system, flexible multibody dynamics, skeletal muscle, inverse dynamics,
sport biomechanics
郭建峤, 北京理工大学博士后, 助理研究员. 2015 年 6 月毕业于同济大

学工程力学专业, 获工学学士学位; 2020 年 6 月毕业于清华大学动力学与
控制专业, 获工学博士学位; 同年进入北京理工大学宇航学院力学系, 从
事博士后研究，合作导师胡海岩院士. 主要从事运动生物力学与多体系统
动力学的交叉研究, 主要包括: 人体肌肉与骨骼系统动力学建模, 神经肌
骨系统生物材料黏弹性本构建立, 多柔体系统动力学建模与计算方法等.
作为第一作者 /通信作者在《 Proceedings of the Royal Society A》《 Bio-
mechanics and Modeling in Mechanobiology》《 Nonlinear Dynamics, Multibody System Dynam-
ics》等国际期刊发表多篇论文, 在首届“运动生物力学与体育科技促进研讨会”做特邀报告. 曾获
得清华大学优秀博士论文, 上海市优秀毕业生等荣誉称号.

lxjz2021 056人体肌骨的多柔体系统动力学研究进展

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

lxjz2021 056人体肌骨的多柔体系统动力学研究进展

Uploaded by

Copyright:

Available Formats

第 52 卷 第2期 力 学 进 展 2022 年 6 月

1 北京理工大学宇航学院, 飞行器动力学与控制教育部重点实验室, 北京 100081

摘 要 人体肌肉骨骼系统简称肌骨系统, 包括骨骼、骨骼肌与关节连接, 其力学模型是典

关键词 肌骨系统, 多柔体动力学, 骨骼肌, 逆向动力学, 运动生物力学

中图分类号: O313.7 文献标识码: A DOI: 10.6052/1000-0992-21-056

收稿日期: 2021-11-19; 录用日期: 2022-01-17; 在线出版日期: 2022-01-19

人体肌肉骨骼系统简称肌骨系统 (musculoskeletal system), 包括骨骼、骨骼肌与骨连接, 其

人体肌骨系统动力学 (musculoskeletal dynamics), 主要研究人体在运动过程中产生的时变肌

体口颌系统开发了“ArtiSynth”工具 (Lloyd et al. 2012), 在肌骨模型中引入大变形柔性单元, 实现

2019). 近年来, 部分学者开始尝试将研究转向正问题求解. 正向动力学 (forward dynamics) 以神

我国学者对人体动力学的研究始于 20 世纪 80 年代. 上海交通大学洪嘉振教授发表的《人体

(3) 竞技体育领域: 北京体育大学李翰君等 (2012, 2014a) 建立了 EMG 驱动的膝关节肌骨模

骨骼肌具有驱动人体运动并维持其稳定的生物力学功能. 因此, 骨骼肌生物力学一直是人体

骨骼肌受运动神经元控制, 其在神经刺激下无需宏观变形即能产生主动肌力. 同时, 肌纤维

其中, F0mus为最大收缩内力, p1为收缩产热参数, p2 = p1 l˙0mus /F0mus, 这里 l˙0mus 为肌纤维最大收缩速度.

直径： 1~2 mm 10~100 mm 0.5~20 mm

维与肌腱轴线的夹角. Zajac 假设羽状肌纤维保持平行, 并处在同一平面, 故羽状角 α与肌腹厚度

其中, a(t)为随时间变化的肌肉激活度, 根据肌肉兴奋收缩耦合方程 (参见 3.1 节) 给出. F0mus为最

mus, mus, mus 0 0.5 1.0 1.5 2.0

c 1.6 Mashima 1984 d

大 等 长 肌 力 与 PCSA 的 比 值 定 义 为 肌 力 强 度 σ0mus , 其 取 值 一 般 在 20 ~ 140 kPa 之 间 (Bruno et al.

能拟合骨骼肌整体力学功能, 无法对横桥周期的生物化学过程做定量表征, 同时忽略了肌联蛋白

骨骼肌与骨骼之间存在复杂的力学约束与接触关系. 骨骼肌通过附着点与骨骼联结, 同时其

像学测量结合, 在确保骨骼刚体模型精度的同时降低人体辐射量; Bakke 和 Besier (2020) 进一步

肌腱是肌肉末端的坚韧结缔组织, 连接肌腹与骨骼附着点. 韧带、关节囊等在关节周围构成

筋膜网络的沿伸. 与肌腹 (图 3) 类似, 肌腱与韧带从纳观到宏观具有 6 ~ 7 级多级结构 (Kastelic

相似结构出发, 抽象出具有阶梯状拓扑的胞元模型 (Guo J et al. 2019). 该阶梯胞元模型能够很好

如图 3 所示, 肌筋膜 (fascia) 系统包括包覆肌腹的肌外膜、分割肌束的肌束膜、肌纤维间的

骨骼肌被运动神经元支配, 其激活过程被称为兴奋收缩耦合, 分为以膜电位变化为特征的兴

不同肌束的兴奋电位能够线性叠加, 得到光滑的神经刺激信号 u. 以 Thelen (2003) 提出的一阶非

其中, τa (a, u)为特征时间函数, 定义为

此 处 , τact 与 τdeact 分 别 为 刺 激 时 间 和 解 刺 激 时 间 . 其 他 典 型 的 兴 奋 收 缩 耦 合 模 型 还 包 括 Zajac

人体骨骼肌控制具有冗余性, 即关节的单自由度运动同时受多条肌肉控制. 例如, 股四头肌

其中, 静态优化的目标函数 J 常写作第 i (1 ⩽ i ⩽ Nmus )束肌肉激活度 ai的 p次幂加权和形式 (Acker-

2001). 因此, 如何在上述目标函数中选择适合人体运动的形式, 成为困扰静态优化仿真研究的一

2003 年, Lloyd 和 Besier (2003) 建立了基于 EMG 驱动的膝关节模型, 根据实际测量获取关

静态优化忽略了人体肌骨系统的时间效应, 导致基于静态优化得到的肌肉激活度, 无法驱动

与静态优化方法相比, 动态优化的计算量巨大, 因为其优化迭代过程需要多次求解动力学方

Shourijeh 等 (2017) 在每一时间步做无约束动态优化, 进一步通过有约束局部优化修正肌肉激

在肌骨系统建模中, 往往假设不同肌束间相互独立. 然而, 实验结果 (Cheung et al. 2012, Hir-

这一模型将肌骨系统中独立的控制变量数目从肌束个数 Nmus降至协同模式数目 Nsyn , error 为

在上述优化理论与协同理论中, 均忽略了人体神经与肌肉控制具有的多层级特征. 事实上,

有多层级特征的控制模型, 确定肌骨模型的肌肉激活度. 例如, Razavian 等 (2019) 将人体运动控

应快速、同时不受中枢神经直接调制. 利用这一原理, Zhang C 等 (2019a, 2019b) 将肌骨模型与

运动感知规划 控制信号转导 兴奋收缩变换

牵张反射结合, 模拟脊柱受振动载荷条件下的动态响应. Geyer 等 (2010) 以牵张反射作为平面步

其 中 , 广 义 力 Q = Qext + Qjoint, 神 经 兴 奋 矢 量 u = {u1 , u2 , · · · , uNmus }T , 骨 骼 肌 激 活 度 矢 量

逆向动力学需测定受试者的关节运动学与外力信息, 将式 (8) 作为约束方程求解关节力矩

肌内力分配的冗余性问题, 计算效率远高于正向仿真. 为了进一步实现逆向优化的准实时计算,

(2011b) 将这一方法推广到股骨应变分析, 并计算了摔倒等易诱发股骨颈骨折工况的股骨三维变

柔性肌肉单元模型实现了肌肉惯性, 主、被动肌力, 体积守恒, 以及纤维间结缔组织弹性的同时

预测动力学 (predictive dynamics) 可视为一类特殊的正向动力学算法, 其基本原理参见 Xi-

其他一些事先规划的信息 γ , 包括 q, Qjoint 的取值范围等. 上述约束条件限制了求解的可行域, 进

在人体步态这一强非线性运动中. 例如, Howell 和 Baillieul (1998) 基于同伦方法分析了被动行走

肌肉形态学参数, 特别是肌肉与骨骼附着点的选取直接决定了肌肉力臂. 一方面, 由于肌肉

除了肌肉附着点外, 以羽状角度量的肌纤维分布, 同样可能影响肌骨系统的动力学响应 (李

在肌骨模型中, 肌肉最大力量一般用最大收缩内力 F0mus来表示, 其取值直接影响肌骨系统动

等速肌力测试 (Huang et al. 2017) 是测量受试者肌肉力量的金标准, 但其无法分辨控制关节

化获得接触参数. 然而, 可靠的接触点模型需建立大量接触对, 会给肌骨系统引入大量计算代价,

人体步态 (Gait) 是指人体步行时的人体姿态与肌肉激活特征. 正常稳定步态具有节律性, 一

本文作者团队建立了包含 8 台红外相机阵列与 4 台视频相机的人体动作同步采集实验系统,

脊柱是人体的中轴骨骼, 具有支撑与保护胸、腹腔脏器, 负担头−足向载荷, 降低传递到头部

腹 腔 体 积 , 导 致 腹 内 压 增 大 , 进 而 产 生 向 上 的 合 力 支 撑 胸 腔 (Daggfeldt & Thorstensson 1997,

第 52 卷第2期力学进展 2022 年 6 月

摘要人体肌肉骨骼系统简称肌骨系统, 包括骨骼、骨骼肌与关节连接, 其力学模型是典

关键词肌骨系统, 多柔体动力学, 骨骼肌, 逆向动力学, 运动生物力学

大等长肌力与 PCSA 的比值定义为肌力强度 σ0mus , 其取值一般在 20 ~ 140 kPa 之间 (Bruno et al.

此处 , τact 与 τdeact 分别为刺激时间和解刺激时间 . 其他典型的兴奋收缩耦合模型还包括 Zajac

运动感知规划控制信号转导兴奋收缩变换

其中 , 广义力 Q = Qext + Qjoint, 神经兴奋矢量 u = {u1 , u2 , · · · , uNmus }T , 骨骼肌激活度矢量

腹腔体积 , 导致腹内压增大 , 进而产生向上的合力支撑胸腔 (Daggfeldt & Thorstensson 1997,

致谢国家自然科学基金青年基金 (12102035), 中国博士后基金站前特别资助 (2020TQ0042), 国

郑思竞 . 1983. 人体解剖学 . 北京 : 人民卫生出版社 (Zheng S J. 1983. Human Anatomy. Beijing: People's Medical