在科幻电影中，钢铁侠和机械战警都是人和机器深度融合的产物。这些科幻电影里出现的技术在现实生活中已经有其雏形了。其中历史最长的要数由表面肌电信号（sEMG）控制的功能假肢。

　　表面肌电图是骨骼肌激活的电学表现。表面肌电信号包含丰富的神经控制信息。使用sEMG进行人机接互的技术通常被称为肌电控制（myoelectric control）。sEMG最常见的医疗应用是多功能假上肢的控制。商用假肢使用的肌电控制范式几十年来没有本质上的变化，能实现的功能有限。另一方面，在学术界，2000年左右的研究论文，就能通过机器学习的方法，只用使用4个sEMG通道，实现10类手和手腕运动模式90%以上的识别。但是，到目前为止，几乎所有的商用智能假上肢仍然使用最传统的控制解码算法。这种反差说明学术界的研究重点与产业界和假肢用户的需求之间存在显著差距。

　　在2010年左右，针对这一反差，来自工业界和学术界的研究人员总结了非侵入式生机电智能假肢领域的研究成果在向产品化和临床转化过程中面临的诸多技术挑战，包括不直观的传统控制范式，单一的传感模式、缺乏感觉反馈和系统鲁棒性低等。

　　十多年来，学术界在肌电控制的研究重点已经转移到如何解决这些问题。这里，四川大学华西医院江宁教授团队和多家单位合作者对这十年来相关的研究做了一个简短的回顾，同时还介绍了近年来该领域涌现的新兴方法和研究方向，包括运动单元分解、深度学习算法和脑机接口等。

　　目前肌电的三种控制策略：直接控制，模式识别和同步比例控制，对各种优缺点进行了分析总结。传统直接控制（traditional direction control, tDC）范式是目前绝大多数商业化假肢采用的控制策略。相对更先进的模式识别（Patter Recognition Control, PRC）范式主要集中在如何提高智能假肢的可控模式，并推向临床应用。而最新的同步比例控制范式（SPC）为截肢患者提供更自然和直观的多自由度控制，其实现方法主要可分为三种：无监督、有监督和肌骨模型。文章同时展望了未来的肌电人机接口研究依然会向着更为直观和自然的同步比例控制发展。

　　重建假肢手的感知反馈功能是当前神经康复工程的重大挑战之一。文章从触觉感知的神经基础、重建技术分类及其在假肢控制中的运用等方面，介绍了神经假肢手人机交互技术的进展。进一步，结合研究现状指出了假肢手感知反馈的技术挑战以及潜在的解决方案，旨在建立稳定的神经反馈接口，并实现集多模态传感与反馈于一体的闭环假肢控制。

　　在外界干扰下的解码性能，即鲁棒性，是肌电控制接口技术能否走出实验室的关键，也是自2012年以来研究的热点之一。现有的解决方案可大致归为如下四类：数据增强，不变特征提取、迁移学习，以及用户训练。在国内外诸多学者的努力下，肌电控制接口技术的鲁棒性在过去十年获得了很大的提升，也诞生了一些配备机器学习算法的商业假肢产品。同时，深度学习，公用数据库的出现，加速了这一过程。未来，对于多个因素的共同干扰，以及系统的实际任务性能评估，将是这部分研究的方向。

　　除了使用表面肌电信号作为神经控制信息的来源，其他传感手段也可以提供可以从肌电信号中不能或不易获取的有用信息。这里包括了惯性传感（IMU）、肌动图（MMG）、超声（US）、功能近红外（fNIRS）、脑电（EEG）和计算机视觉（CV）等等。在这十年来，这些不同的信号模态都被证明能提供与表面肌电信号能相互补充的神经控制信息，能让多功能假肢功能更强、控制更自然、更有鲁棒性。

　　上面四个挑战和相应的研究方向是十多年前多个研究团队总结并提出的。近十年来，在生机电接口技术和智能假肢控制领域，还陆续涌现出了一些新的、令人振奋的研究方法和方向。

　　运动单位动作电位序列（MUAPt）是中枢神经系统的神经信号刺激肌纤维收缩产生的电生理信号，反映了神经系统对生物作动器（肌肉）之间的“指令”，对于肌电控制接口来说，MUAPt有可能是一种“完美”的特征信息。在过去20年里，基于表面肌电信号MUAPt分解方法逐渐获得关注，由此构建的肌电接口在解码准确率与控制效率等方面也展现出了一定优势。但是，由于分解方法计算复杂、传感器系统庞大等原因，如何实现精准、稳定、实时的MUAPt在体记录仍然存在很大挑战。

　　最近10年，深度学习可能是信息处理和计算科学中发展最快的领域。在肌电控制和肌电信号处理中，多种深度学习算法也被应用到表面肌电信号的处理和对神经控制信号的提取。从相对简单的CNN和RNN，到更复杂的LSTM等等。这些算法不仅在PRC和SPC等不同控制范式下实现比传统机器学习算法更高的解码效率，还能达到更强的鲁棒性，成为下一代智能假肢控制算法的有力竞争者。

　　伴随着深度学习算法的兴起，高质量的开放获取肌电数据集也在近10年不断出现。这些数据降低了肌电控制算法研究的技术壁垒，让不同研究团队得以对不同算法进行更直接和更有效的比较，大大提高了算法开发的效率和一致性，更进一步加强了全球研究者的相互交流。

　　在生机电接口领域，有两类广泛使用的脑机接口技术，即外源性脑机接口技术(Exogenous BCIs)和内源性脑机接口技术(Endogenous BCIs)。特别是在控制智能假肢和相关应用场景中，脑机接口，通过想象运动或意图运动范式，在中风康复、高位截肢患者运动意图识别中的展现了极大的应用潜力。目前，脑机接口在控制多自由度假肢也面临挑战。基于脑机接口的共享控制方法可能是该问题的潜在解决方案。