长短期注意记忆 (LSTAM)：一种融合全局特征的模型，用于人体康复中的关节力矩联合预测

为康复运动提供更智能的帮助

当某人在受伤或手术后重新学习行走时，医生需要了解腿部每个关节所承受的负载强度。传统上，这需要笨重的实验室设备和精细测量，在日常环境中难以使用。本研究提出了一种新计算模型，能够利用轻便的体穿传感器估算这些隐藏的关节力矩，从而为更实用、个性化的康复打开了可能性。

日常步伐中的隐性力

每次迈步时，髋关节、膝关节和踝关节都会产生称为关节力矩的旋转力矩。这些力对于判断动作是否安全、高效或是否有进一步受伤风险至关重要。但关节力矩难以直接测量；实验室通常依赖运动捕捉摄像机、地板上的力板和详细的人体模型。这使得测量过程昂贵且主要局限于研究中心，尽管临床医生和装置设计者迫切需要这些信息来调试支具、外骨骼和假肢。

听肌肉的信号而不是听地板

为了解决这一限制，研究者转向了可以在皮肤上测量到的信号。小型传感器记录肌肉的电活动（表面肌电）并跟踪关节随时间的弯曲情况。早期的机器学习方法利用这些信号在一定程度上预测关节力矩，但它们面临一个关键问题：原始数据充斥着短期抖动、传感器运动引入的噪声和不反映整体运动模式的短暂尖峰。追逐这些小幅波动的模型容易错过描述一个人跨多步真实髋关节行为的更大、更有意义的趋势。

在嘈杂信号中以新方式把握全局

作者提出了一种称为长短期注意记忆（LSTAM）的模型，旨在关注运动的长程结构，同时弱化干扰性细节。首先，模型不只处理原始的时域信号，而是使用类似于将音频分为低频和高频的数学工具将信号转换到频域。在这种形式下，肌肉配合的稳定模式更易被凸显，而短暂的噪声反而变得不那么重要。接着，一个自编码器——由简单神经层和卷积滤波器构成的智能压缩器——学习以更清洁、低维的形式表示数据，保留重要模式并模糊掉不必要的局部抖动。

用于运动身体的记忆与关注机制

在信号被清理和压缩之后，信息被输入到长短期记忆网络（LSTM），这是一种擅长跟踪随时间演变事物的循环模型。在此基础上，作者加入了注意力机制，使模型能够自动“聚焦”于最具信息量的时刻和频率成分——例如肌肉开关的重要步态阶段——并对不重要的时间段给予较少关注。各阶段共同将原始、嘈杂的传感器轨迹转化为对个体运动的紧凑描述，从而更适合用于预测髋关节力矩。

将模型付诸检验

研究团队使用一组公开数据集对LSTAM进行了评估，数据来自十四名健康志愿者在跑步机、平地和不同坡道上以多种速度行走。对每位被试，模型仅以一次跑步机会话的数据进行训练，然后预测剩余试验中的髋关节力矩。跨被试比较，LSTAM始终能产生与实验室计算的关节力矩高度一致的预测，误差更小、相关性更高，优于若干先进替代方法，包括标准LSTM网络、时域卷积模型和近期的基于Transformer的方法。作者还进行了“消融”测试，有选择地去除频域步骤、自编码器或注意力机制。每一项移除都会降低性能，表明这三部分对捕获这些生物信号的全局模式都很重要。

这对康复护理意味着什么

简单来说，这项工作表明仅用少量肌电和角度传感器、无需笨重实验室设备，就可以估算出髋关节的隐性力矩；并且通过让模型关注长期趋势而非短暂噪声，能更准确地完成这一任务。这样的工具可以帮助治疗师监测康复进展、调整锻炼方案，或控制智能康复装置（如外骨骼和假肢），使其与患者自身肌肉协同运动。尽管该研究以健康成人和行走任务为主，但相同方法最终可用于更复杂的活动和患者群体，从而使高质量的运动评估在专业运动实验室之外也更易获得。

引用: Xiong, B., Guo, Y., Lou, J. et al. Long short-term attention memory (LSTAM): a global-feature-integrated model for joint moment prediction in human rehabilitation. Sci Rep 16, 13835 (2026). https://doi.org/10.1038/s41598-026-42722-6

关键词: 肌电图, 步态分析, 康复技术, 深度学习, 可穿戴传感器