1、引言
腦卒中、意外事故和老齡化等造成的腦損傷患者數量大幅度增加，由腦損傷引起的手運動(dòng)功能障礙直接影響患者的生活質(zhì)量。傳統的治療手段主要依靠康復醫師輔助患者關(guān)節活動(dòng)度和肌力訓練，但其訓練效果受醫生經(jīng)驗和業(yè)務(wù)水平及訓練時(shí)間等因素的影響。因此有很多研究者研發(fā)了相關(guān)的康復訓練設備輔助患者訓練以重新獲取肢體的運動(dòng)技能[1]。
早期出現的手功能康復設備是剛性的，其剛度往往遠大于人手肌肉組織，在與人的交互過(guò)程中，對人手的適應性欠佳，雖然可以依靠傳感和控制實(shí)現安全交互，但技術(shù)難度G，系統成本較G，不利于推廣應用。而近幾年出現的軟體機械手充分利用和發(fā)揮各種柔性材料的柔順性，及其非線(xiàn)性、粘彈性和遲滯特性等在軟體手運動(dòng)和控制中潛在的“機械智能”作用，降低控制的復雜度，實(shí)現G靈活性、強適應性和良好交互性，在醫療康復L域有重要應用價(jià)值[2]。
此外，臨床醫學(xué)也表明，患者主動(dòng)參與康復訓練的效果要比被動(dòng)康復顯著(zhù)。目前，腦-機接口（Brain-Computer Interface，BCI）技術(shù)為患者主動(dòng)康復訓練提供了一種新途徑，即在生物電信號與外部設備之間開(kāi)辟了一條全新的信息交流通道以改善大腦皮層的可塑性并恢復受損神經(jīng)功能或代替部分功能[3]。通過(guò)主被動(dòng)康復訓練的互相配合，促進(jìn)患者感覺(jué)運動(dòng)環(huán)路的重建，使得主動(dòng)康復訓練成為腦科學(xué)、生物醫學(xué)及康復工程、仿生學(xué)等L域活躍的研究方向之一。
2、手部運動(dòng)意圖識別方法
美國凱斯西儲大學(xué)Daly等通過(guò)運動(dòng)想象檢測大腦皮層神經(jīng)元的激活情況，表明BCI系統能有效地輔助患者誘發(fā)腦功能重塑并降低大腦皮層的異常激活。即主動(dòng)的運動(dòng)感知和被動(dòng)外部設備相結合形成主被動(dòng)康復訓練系統，將有利于受試者肢體的運動(dòng)功能康復[4]。華盛頓大學(xué)Bundy等通過(guò)健側手部動(dòng)作運動(dòng)意圖輔助患者控制外骨骼機械手，實(shí)現了患者在日常生活中執行康復訓練[5]，如圖3(a)所示。主被動(dòng)康復訓練系統不僅能輔助正常受試者康復訓練，而且在患者的康復訓練中也取得了一定的進(jìn)展。德國圖賓根大學(xué)VárkutiB等通過(guò)運動(dòng)想象控制MIT-MANUS機器人輔助患者上肢執行康復訓練，結果表明上肢運動(dòng)功能得到明顯改善[6]。如圖3(b)所示天津大學(xué)明東教授團隊通過(guò)患者肘關(guān)節屈-伸運動(dòng)想象控制“神工一號”康復機器人輔助肘關(guān)節的康復運動(dòng)，增強了康復訓練效果。西安交通大學(xué)徐光華教授團隊研究了目標誘導的運動(dòng)想象刺激范式，證明了有目標導向的運動(dòng)想象增強了對大腦皮層的激活并改善運動(dòng)想象的能力[7]。韋恩州立大學(xué)Whyte等進(jìn)一步提出了規范康復訓練體系可幫助患者主動(dòng)參與康復訓練[8]。
為了提G運動(dòng)想象動(dòng)作與所需要的康復肢體的直接相關(guān)性，本課題組設計了手部伸-握動(dòng)作直接相關(guān)的運動(dòng)想象和動(dòng)作觀(guān)察相結合的復合范式實(shí)驗，以實(shí)現更好的手部主動(dòng)康復。運動(dòng)想象是讓受試者去想象某一個(gè)動(dòng)作，不用產(chǎn)生任何肌肉活動(dòng)，調動(dòng)主觀(guān)意念在心理上反復模擬或復現相應動(dòng)作。動(dòng)作觀(guān)察是讓受試者觀(guān)看日常生活手的基本動(dòng)作（如抹桌子、洗衣服等視頻動(dòng)作），然后盡力去模仿視頻中所出現的動(dòng)作。通過(guò)ERSP（時(shí)間相關(guān)譜擾動(dòng)）、腦地形圖和腦功能網(wǎng)絡(luò )計算分析了伸-握動(dòng)作運動(dòng)想象和動(dòng)作觀(guān)察對大腦皮層的激活規律。
實(shí)驗結果表明與伸-握動(dòng)作直接相關(guān)的運動(dòng)想象和動(dòng)作觀(guān)察相結合的復合范式，增強了與伸-握動(dòng)作直接相關(guān)大腦皮層的激活程度，發(fā)現了“伸開(kāi)”動(dòng)作對應能量和激活現象均大于“握拳”動(dòng)作。將運動(dòng)想象和動(dòng)作觀(guān)察相結合可增強對大腦皮層的激活程度，有助于手部運動(dòng)功能障礙的恢復。并且將實(shí)驗中不同范式下伸-握動(dòng)作對大腦皮層的激活規律為基礎，提出基于小波變換和共空間模式提取伸-握動(dòng)作EEG特征的算法，再通過(guò)線(xiàn)性判別分析對伸-握動(dòng)作精細意圖進(jìn)行識別[9]。
圖7 小波變換和共空間模式算法分析流程圖
3、軟體康復手套設計制作
現有的軟體康復手大多采用拉線(xiàn)驅動(dòng)、液壓驅動(dòng)和氣壓驅動(dòng)。韓國首爾大學(xué)的HyunKi In等人[10]設計了如圖8（a）所示的一種拉線(xiàn)驅動(dòng)的軟體康復手Exo-Glove，在柔性織物手套的指套手背側和手掌側鋪設繞性金屬絲，驅動(dòng)電機拉動(dòng)繞性金屬絲，即可輔助手指的完成屈曲和伸展動(dòng)作，指捏力量為20N，掌握力量為40N，驅動(dòng)控制系統與手套本體分離使手套僅重196g，大可以抓握直徑76mm的物體。哈佛大學(xué)的Panagiotis等人[11]設計了如圖8（b）所示的一款重量為285g的輔助患者抓握的液壓驅動(dòng)的軟體康復手，并配備了一個(gè)重量為3.3kg的液壓驅動(dòng)控制便攜式腰包。該液壓軟體康復手的軟體驅動(dòng)器，由纖維增強材料制作的成型彈性腔與約束線(xiàn)、限制層組合制作，在增壓時(shí)可完成屈曲、扭轉、伸長(cháng)等運動(dòng)，可以輔助手指完成主動(dòng)屈曲運動(dòng)和被動(dòng)伸展運動(dòng)。哈佛大學(xué)的Stacey Lyne等人[12]利用3D打印模具進(jìn)行軟材料澆鑄制作氣動(dòng)軟體驅動(dòng)器，從而制作成如圖8（c）所示的重量約為160g的 PneuNet 軟體康復手。該氣動(dòng)軟體驅動(dòng)器在靠近手背側嵌入彈性模量大的限制層，使驅動(dòng)氣腔在增壓時(shí)向彈性模型大的一側彎曲，實(shí)現輔助手指主動(dòng)驅動(dòng)運動(dòng)，氣壓為0.45Mpa時(shí)指尖壓力為1.2N。
鑒于拉線(xiàn)式軟體康復手的驅動(dòng)傳動(dòng)系統較復雜、對手的壓迫感較強，液壓軟體康復手重量較大、有泄露污染的風(fēng)險，本課題組對重量更輕、成本更低、驅動(dòng)控制較為簡(jiǎn)單的氣動(dòng)軟體康復手展開(kāi)了研究。前期，本課題組利用限制層和纖維約束的單氣腔驅動(dòng)器結構設計，并基于電容變化原理利用介電彈性材料制作柔性傳感器，設計了如圖9（a）所示的集成柔性傳感器的氣動(dòng)軟體康復手，改變限制層方向，可以輔助人手分別實(shí)現主動(dòng)伸展和主動(dòng)屈曲運動(dòng)，并檢測手指彎曲角度進(jìn)行康復效果評估[13]。但是該氣動(dòng)軟體康復手無(wú)法輔助人手實(shí)現拇指的內收/外展運動(dòng)，也無(wú)法同時(shí)實(shí)現伸展/屈曲運動(dòng)的雙向主動(dòng)訓練。為此，本課題組又利用波紋管制作的正負氣壓驅動(dòng)器制作了如圖9（b）所示的氣動(dòng)軟體康復手。該氣動(dòng)軟體康復手僅有149克，采用開(kāi)放式手套，通過(guò)欠驅動(dòng)可以輔助手指實(shí)現伸展/屈曲運動(dòng)和拇指的內收/外展運動(dòng)的主動(dòng)訓練；配套的便攜式氣動(dòng)箱體積小、重量輕，G級康復版氣動(dòng)箱可調節六個(gè)輸出氣路的壓力和流量；實(shí)驗表明，伸展/屈曲驅動(dòng)器在伸展時(shí)的大作用力為4.6N，內收/外展驅動(dòng)器在內收時(shí)大作用力為8.1N。當前，該氣動(dòng)軟體康復手的驅動(dòng)器設計、控制設計仍在不斷地進(jìn)行優(yōu)化。
4、手部主被動(dòng)康復訓練系統設計
根據手部主被動(dòng)訓練的康復需求，基于課題組在運動(dòng)意圖識別、腦機接口、軟體手等方面的研究基礎，設計了一種可康復訓練可日常生活輔助的穿戴式主被動(dòng)康復訓練系統，系統的主要功能包括：多范式刺激、精細意圖感知、多模式意圖識別等[14]。
手部主被動(dòng)訓練系統可分為主動(dòng)康復和被動(dòng)康復兩個(gè)部分。在主動(dòng)康復訓練中，對于患者主動(dòng)意圖的感知有兩種：一種是在多范式刺激大腦皮層的基礎上，從增強的EEG 中直接提取單側手部伸-握動(dòng)作精細意圖的EEG 特征，實(shí)現對受試者手部動(dòng)作的精細意圖感知；另一種是發(fā)揮不同模式如EEG、眼電圖(Electrooculogram，EOG)和肌電圖(Electromyogram, EMG)模式的優(yōu)勢，構建多模式協(xié)同控制策略以產(chǎn)生更多的控制指令。在被動(dòng)康復訓練中，通過(guò)主動(dòng)運動(dòng)意圖產(chǎn)生的控制指令或直接輸入指令對軟體康復手進(jìn)行驅動(dòng)控制，實(shí)現軟體康復手輔助手部執行康復訓練或進(jìn)行日常生活。實(shí)驗驗證了系統輔助患者在線(xiàn)被動(dòng)康復訓練，通過(guò)正常受試者在線(xiàn)控制康復機械手輔助執行伸-握動(dòng)作，其平均正確率達到92.71%，基本滿(mǎn)足主被動(dòng)康復訓練的要求，也提升了主被動(dòng)康復系統的實(shí)用化水平。同時(shí)，該手部主被動(dòng)康復訓練系統成功在多家醫院和兩家企業(yè)進(jìn)行康復試用。
參考文獻：
[1] De V, Mulder T. Motor imagery and stroke rehabilitation: a criticaldiscussion[J]. Journal of Rehabilitation Medicine, 2007, 39(1):5–13.
[2] 張進(jìn)華，王韜，洪軍，等．軟體機械手研究綜述[J]．機械工程學(xué)報，2017，53(13)：19-28．
[3] Schwartz A B. Cortical neural prosthetics[J]. Annual Review ofNeuroscience, 2004, 27(27):487–507.
[4] Daly J, Wolpaw J. Brain-computer interfaces in neurologicalrehabilitation[J]. Lancet Neurology, 2008, 7(11):1032–1043.
[5] Bundy D, Souders L, Baranyai K, et al. Contralesional brain–computerinterface control of a powered exoskeleton for motor recovery in chronic strokesurvivors[J]. Stroke, 2017, 48(7):1908–1915.
[6] Várkuti B, Guan C, Pan Y, et al. Resting state changes in functionalconnectivity correlate with movement recovery for BCI and robot-assistedupper-extremity training after stroke[J]. Neurorehabilitation and NeuralRepair, 2013, 27(1):53–62.
[7] Li L, Jing W, Xu G, et al. The study of object-oriented motor imagerybased on EEG suppression[J]. Plos One, 2015, 10(12):e0144256.
[8] Whyte J, Dijkers MP, Hart T, et al. The importance of voluntarybehavior in rehabilitation treatment and outcomes[J]. Archives of physicalmedicine and rehabilitation, 2019, 100(1):156–163.
[9] Zhang J, Wang B, Li T, et al. Non-invasive decodingof hand movements from electroencephalography based on a hierarchical linearregression model[J]. Review of Scientific Instruments, 2018, 89(8):084303.
[10]In H, Kang B B, Sin M K, et al.Exo-Glove: A Wearable Robot for the Hand with a Soft Tendon Routing System[J].IEEE Robotics & Automation Magazine, 2015, 22(1):97-105.
[11]Polygerinos P, Wang Z, GallowayK, et al. Soft robotic glove for combined assistance and at-homerehabilitation[J]. Robotics & Autonomous Systems, 2015, 73(C):135-143.
[12]Towards a soft pneumatic glovefor hand rehabilitation[C]// 2013 IEEE/RSJ International Conference onIntelligent Robots and Systems. IEEE, 2014.
[13]Jinhua Zhang, Hao Wang, Jiaqing Tang, Huaxia Guo, Jun Hong. Modelingand design of a soft pneumatic finger for hand rehabilitation[C] IEEEInternational Conference on Information and Automation. IEEE, 2015: 2460 –2465.
[14] Zhang J, Wang B, Zhang C, et al. An EEG/EMG/EOG based multimodalhuman-machine interface to real-time control of a soft robot hand[J]. Frontiersin Neurorobotics, 2019, 13:7.
