1、引言
腦卒中、意外事故和老齡化等造成的腦損傷患者數(shù)量大幅度增加，由腦損傷引起的手運(yùn)動(dòng)功能障礙直接影響患者的生活質(zhì)量。傳統(tǒng)的治療手段主要依靠康復(fù)醫(yī)師輔助患者關(guān)節(jié)活動(dòng)度和肌力訓(xùn)練，但其訓(xùn)練效果受醫(yī)生經(jīng)驗(yàn)和業(yè)務(wù)水平及訓(xùn)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(fù)訓(xùn)練設(shè)備輔助患者訓(xùn)練以重新獲取肢體的運(yùn)動(dòng)技能[1]。
早期出現(xiàn)的手功能康復(fù)設(shè)備是剛性的，其剛度往往遠(yuǎn)大于人手肌肉組織，在與人的交互過(guò)程中，對(duì)人手的適應(yīng)性欠佳，雖然可以依靠傳感和控制實(shí)現(xiàn)安全交互，但技術(shù)難度高，系統(tǒng)成本較高，不利于推廣應(yīng)用。而近幾年出現(xiàn)的軟體機(jī)械手充分利用和發(fā)揮各種柔性材料的柔順性，及其非線性、粘彈性和遲滯特性等在軟體手運(yùn)動(dòng)和控制中潛在的“機(jī)械智能”作用，降低控制的復(fù)雜度，實(shí)現(xiàn)高靈活性、強(qiáng)適應(yīng)性和良好交互性，在醫(yī)療康復(fù)領(lǐng)域有重要應(yīng)用價(jià)值[2]。
此外，臨床醫(yī)學(xué)也表明，患者主動(dòng)參與康復(fù)訓(xùn)練的效果要比被動(dòng)康復(fù)顯著。目前，腦-機(jī)接口（Brain-Computer Interface，BCI）技術(shù)為患者主動(dòng)康復(fù)訓(xùn)練提供了一種新途徑，即在生物電信號(hào)與外部設(shè)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(fù)受損神經(jīng)功能或代替部分功能[3]。通過(guò)主被動(dòng)康復(fù)訓(xùn)練的互相配合，促進(jìn)患者感覺(jué)運(yùn)動(dòng)環(huán)路的重建，使得主動(dòng)康復(fù)訓(xùn)練成為腦科學(xué)、生物醫(yī)學(xué)及康復(fù)工程、仿生學(xué)等領(lǐng)域最活躍的研究方向之一。
2、手部運(yùn)動(dòng)意圖識(shí)別方法
美國(guó)凱斯西儲(chǔ)大學(xué)Daly等通過(guò)運(yùn)動(dòng)想象檢測(cè)大腦皮層神經(jīng)元的激活情況，表明BCI系統(tǒng)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(yùn)動(dòng)感知和被動(dòng)外部設(shè)備相結(jié)合形成主被動(dòng)康復(fù)訓(xùn)練系統(tǒng)，將有利于受試者肢體的運(yùn)動(dòng)功能康復(fù)[4]。華盛頓大學(xué)Bundy等通過(guò)健側(cè)手部動(dòng)作運(yùn)動(dòng)意圖輔助患者控制外骨骼機(jī)械手，實(shí)現(xiàn)了患者在日常生活中執(zhí)行康復(fù)訓(xùn)練[5]，如圖3(a)所示。主被動(dòng)康復(fù)訓(xùn)練系統(tǒng)不僅能輔助正常受試者康復(fù)訓(xùn)練，而且在患者的康復(fù)訓(xùn)練中也取得了一定的進(jìn)展。德國(guó)圖賓根大學(xué)VárkutiB等通過(guò)運(yùn)動(dòng)想象控制MIT-MANUS機(jī)器人輔助患者上肢執(zhí)行康復(fù)訓(xùn)練，結(jié)果表明上肢運(yùn)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(tuán)隊(duì)通過(guò)患者肘關(guān)節(jié)屈-伸運(yùn)動(dòng)想象控制“神工一號(hào)”康復(fù)機(jī)器人輔助肘關(guān)節(jié)的康復(fù)運(yùn)動(dòng)，增強(qiáng)了康復(fù)訓(xùn)練效果。西安交通大學(xué)徐光華教授團(tuán)隊(duì)研究了目標(biāo)誘導(dǎo)的運(yùn)動(dòng)想象刺激范式，證明了有目標(biāo)導(dǎo)向的運(yùn)動(dòng)想象增強(qiáng)了對(duì)大腦皮層的激活并改善運(yùn)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(guī)范康復(fù)訓(xùn)練體系可幫助患者主動(dòng)參與康復(fù)訓(xùn)練[8]。
為了提高運(yùn)動(dòng)想象動(dòng)作與所需要的康復(fù)肢體的直接相關(guān)性，本課題組設(shè)計(jì)了手部伸-握動(dòng)作直接相關(guān)的運(yùn)動(dòng)想象和動(dòng)作觀察相結(jié)合的復(fù)合范式實(shí)驗(yàn)，以實(shí)現(xiàn)更好的手部主動(dòng)康復(fù)。運(yùn)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(diào)動(dòng)主觀意念在心理上反復(fù)模擬或復(fù)現(xiàn)相應(yīng)動(dòng)作。動(dòng)作觀察是讓受試者觀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(xiàn)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(jì)算分析了伸-握動(dòng)作運(yùn)動(dòng)想象和動(dòng)作觀察對(duì)大腦皮層的激活規(guī)律。
實(shí)驗(yàn)結(jié)果表明與伸-握動(dòng)作直接相關(guān)的運(yùn)動(dòng)想象和動(dòng)作觀察相結(jié)合的復(fù)合范式，增強(qiáng)了與伸-握動(dòng)作直接相關(guān)大腦皮層的激活程度，發(fā)現(xiàn)了“伸開(kāi)”動(dòng)作對(duì)應(yīng)能量和激活現(xiàn)象均大于“握拳”動(dòng)作。將運(yùn)動(dòng)想象和動(dòng)作觀察相結(jié)合可增強(qiáng)對(duì)大腦皮層的激活程度，有助于手部運(yùn)動(dòng)功能障礙的恢復(fù)。并且將實(shí)驗(yàn)中不同范式下伸-握動(dòng)作對(duì)大腦皮層的激活規(guī)律為基礎(chǔ)，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)線性判別分析對(duì)伸-握動(dòng)作精細(xì)意圖進(jìn)行識(shí)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(fù)手套設(shè)計(jì)制作
現(xiàn)有的軟體康復(fù)手大多采用拉線驅(qū)動(dòng)、液壓驅(qū)動(dòng)和氣壓驅(qū)動(dòng)。韓國(guó)首爾大學(xué)的HyunKi In等人[10]設(shè)計(jì)了如圖8（a）所示的一種拉線驅(qū)動(dòng)的軟體康復(fù)手Exo-Glove，在柔性織物手套的指套手背側(cè)和手掌側(cè)鋪設(shè)繞性金屬絲，驅(qū)動(dòng)電機(jī)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(qū)動(dòng)控制系統(tǒng)與手套本體分離使手套僅重196g，最大可以抓握直徑76mm的物體。哈佛大學(xué)的Panagiotis等人[11]設(shè)計(jì)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(qū)動(dòng)的軟體康復(fù)手，并配備了一個(gè)重量為3.3kg的液壓驅(qū)動(dòng)控制便攜式腰包。該液壓軟體康復(fù)手的軟體驅(qū)動(dòng)器，由纖維增強(qiáng)材料制作的成型彈性腔與約束線、限制層組合制作，在增壓時(shí)可完成屈曲、扭轉(zhuǎn)、伸長(zhǎng)等運(yùn)動(dòng)，可以輔助手指完成主動(dòng)屈曲運(yùn)動(dòng)和被動(dòng)伸展運(yùn)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(qū)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(fù)手。該氣動(dòng)軟體驅(qū)動(dòng)器在靠近手背側(cè)嵌入彈性模量大的限制層，使驅(qū)動(dòng)氣腔在增壓時(shí)向彈性模型大的一側(cè)彎曲，實(shí)現(xiàn)輔助手指主動(dòng)驅(qū)動(dòng)運(yùn)動(dòng)，氣壓為0.45Mpa時(shí)指尖壓力為1.2N。
鑒于拉線式軟體康復(fù)手的驅(qū)動(dòng)傳動(dòng)系統(tǒng)較復(fù)雜、對(duì)手的壓迫感較強(qiáng)，液壓軟體康復(fù)手重量較大、有泄露污染的風(fēng)險(xiǎn)，本課題組對(duì)重量更輕、成本更低、驅(qū)動(dòng)控制較為簡(jiǎn)單的氣動(dòng)軟體康復(fù)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(qū)動(dòng)器結(jié)構(gòu)設(shè)計(jì)，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(shè)計(jì)了如圖9（a）所示的集成柔性傳感器的氣動(dòng)軟體康復(fù)手，改變限制層方向，可以輔助人手分別實(shí)現(xiàn)主動(dòng)伸展和主動(dòng)屈曲運(yùn)動(dòng)，并檢測(cè)手指彎曲角度進(jìn)行康復(fù)效果評(píng)估[13]。但是該氣動(dòng)軟體康復(fù)手無(wú)法輔助人手實(shí)現(xiàn)拇指的內(nèi)收/外展運(yùn)動(dòng)，也無(wú)法同時(shí)實(shí)現(xiàn)伸展/屈曲運(yùn)動(dòng)的雙向主動(dòng)訓(xùn)練。為此，本課題組又利用波紋管制作的正負(fù)氣壓驅(qū)動(dòng)器制作了如圖9（b）所示的氣動(dòng)軟體康復(fù)手。該氣動(dòng)軟體康復(fù)手僅有149克，采用開(kāi)放式手套，通過(guò)欠驅(qū)動(dòng)可以輔助手指實(shí)現(xiàn)伸展/屈曲運(yùn)動(dòng)和拇指的內(nèi)收/外展運(yùn)動(dòng)的主動(dòng)訓(xùn)練；配套的便攜式氣動(dòng)箱體積小、重量輕，高級(jí)康復(fù)版氣動(dòng)箱可調(diào)節(jié)六個(gè)輸出氣路的壓力和流量；實(shí)驗(yàn)表明，伸展/屈曲驅(qū)動(dòng)器在伸展時(shí)的最大作用力為4.6N，內(nèi)收/外展驅(qū)動(dòng)器在內(nèi)收時(shí)最大作用力為8.1N。當(dāng)前，該氣動(dòng)軟體康復(fù)手的驅(qū)動(dòng)器設(shè)計(jì)、控制設(shè)計(jì)仍在不斷地進(jìn)行優(yōu)化。
4、手部主被動(dòng)康復(fù)訓(xùn)練系統(tǒng)設(shè)計(jì)
根據(jù)手部主被動(dòng)訓(xùn)練的康復(fù)需求，基于課題組在運(yùn)動(dòng)意圖識(shí)別、腦機(jī)接口、軟體手等方面的研究基礎(chǔ)，設(shè)計(jì)了一種可康復(fù)訓(xùn)練可日常生活輔助的穿戴式主被動(dòng)康復(fù)訓(xùn)練系統(tǒng)，系統(tǒng)的主要功能包括：多范式刺激、精細(xì)意圖感知、多模式意圖識(shí)別等[14]。
手部主被動(dòng)訓(xùn)練系統(tǒng)可分為主動(dòng)康復(fù)和被動(dòng)康復(fù)兩個(gè)部分。在主動(dòng)康復(fù)訓(xùn)練中，對(duì)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(chǔ)上，從增強(qiáng)的EEG 中直接提取單側(cè)手部伸-握動(dòng)作精細(xì)意圖的EEG 特征，實(shí)現(xiàn)對(duì)受試者手部動(dòng)作的精細(xì)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(shì)，構(gòu)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(fù)訓(xùn)練中，通過(guò)主動(dòng)運(yùn)動(dòng)意圖產(chǎn)生的控制指令或直接輸入指令對(duì)軟體康復(fù)手進(jìn)行驅(qū)動(dòng)控制，實(shí)現(xiàn)軟體康復(fù)手輔助手部執(zhí)行康復(fù)訓(xùn)練或進(jìn)行日常生活。實(shí)驗(yàn)驗(yàn)證了系統(tǒng)輔助患者在線被動(dòng)康復(fù)訓(xùn)練，通過(guò)正常受試者在線控制康復(fù)機(jī)械手輔助執(zhí)行伸-握動(dòng)作，其平均正確率達(dá)到92.71%，基本滿足主被動(dòng)康復(fù)訓(xùn)練的要求，也提升了主被動(dòng)康復(fù)系統(tǒng)的實(shí)用化水平。同時(shí)，該手部主被動(dòng)康復(fù)訓(xùn)練系統(tǒng)成功在多家醫(yī)院和兩家企業(yè)進(jìn)行康復(fù)試用。
參考文獻(xiàn)：
[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(jī)械手研究綜述[J]．機(jī)械工程學(xué)報(bào)，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.
