Using individual-muscle specific instead of across-muscle mean data halves muscle simulation error
Using individual-muscle specific instead of across-muscle mean data halves muscle simulation error
复制标题
DOI：
10.1007/s00422-011-0460-8
复制
发表时间：
2012-11-01
影响因子：
1.9
通讯作者：
Bueschges, Ansgar
中科院分区：
文献类型：
--
作者：
Bluemel, Marcus;Guschlbauer, Christoph;Bueschges, Ansgar
在单个肌肉的实验中测得的山型参数值显示大的跨肌肉的变化。因此，使用单个肌肉特定值而不是更标准的跨肌肉平均值方法可能会提高肌肉模型的性能。我们在这里表明，在等张和等长条件下，使用平均值增加了所有测试的运动神经刺激范例中的模拟归一化RMS误差，使平均模拟误差从9增加到18（在p < 0.0001处不同）。这些数据表明，在需要高度精确的肌肉模型构建的工作中，需要对Hill型模型参数进行肌肉特异性测量。最大肌肉力量（F（max））显示大（四倍）跨肌肉变化。为了测试F（max）在模型性能中的作用，我们比较了使用其他模型参数的平均F（max）和肌肉特异性值的模型的误差，以及使用其他模型参数的肌肉特异性F（max）值和平均值的模型的误差。与使用所有参数的平均值相比，使用肌肉特异性F（max）值并未改善模型性能，但使用除F（max）外的所有参数的肌肉特异性值（误差为14，不同于肌肉特异性、所有参数的平均值和仅F（max）误差的平均值，p <0.014）。因此，显著提高模型性能需要至少一个参数子集的肌肉特异性值，而不是F（max），最佳性能需要该子集和F（max）的肌肉特异性值。模型性能的详细考虑表明，剩余的模型误差可能源于在我们的实验中快速和慢速运动神经元的激活以及模型激活动力学的不充分规范。
Hill-type parameter values measured in experiments on single muscles show large across-muscle variation. Using individual-muscle specific values instead of the more standard approach of across-muscle means might therefore improve muscle model performance. We show here that using mean values increased simulation normalized RMS error in all tested motor nerve stimulation paradigms in both isotonic and isometric conditions, doubling mean simulation error from 9 to 18 (different at p < 0.0001). These data suggest muscle-specific measurement of Hill-type model parameters is necessary in work requiring highly accurate muscle model construction. Maximum muscle force (F (max)) showed large (fourfold) across-muscle variation. To test the role of F (max) in model performance we compared the errors of models using mean F (max) and muscle-specific values for the other model parameters, and models using muscle-specific F (max) values and mean values for the other model parameters. Using muscle-specific F (max) values did not improve model performance compared to using mean values for all parameters, but using muscle-specific values for all parameters but F (max) did (to an error of 14, different from muscle-specific, mean all parameters, and mean only F (max) errors at p a parts per thousand currency sign 0.014). Significantly improving model performance thus required muscle-specific values for at least a subset of parameters other than F (max), and best performance required muscle-specific values for this subset and F (max). Detailed consideration of model performance suggested that remaining model error likely stemmed from activation of both fast and slow motor neurons in our experiments and inadequate specification of model activation dynamics.