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動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)活動度和肌力訓(xùn)練，但其訓(xùn)練效果受醫(yī)生經(jīng)驗和業(yè)務(wù)水平及訓(xùn)練時間等因素的影響。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動技能[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，在與人的交互過程中，對人手的適應(yīng)性欠佳，雖然可以依靠傳感和控制實現(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動和控制中潛在的“機械智能”作用，降低控制的復(fù)雜度，實現(xiàn)高靈活性、強適應(yīng)性和良好交互性，在醫(yī)療康復(fù)領(lǐng)域有重要應(yīng)用價值[2]。
此外，臨床醫(yī)學(xué)也表明，患者主動參與康復(fù)訓(xùn)練的效果要比被動康復(fù)顯著。目前，腦-機接口（Brain-Computer Interface，BCI）技術(shù)為患者主動康復(fù)訓(xùn)練提供了一種新途徑，即在生物電信號與外部設(shè)備之間開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]。通過主被動康復(fù)訓(xùn)練的互相配合，促進患者感覺運動環(huán)路的重建，使得主動康復(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、手部運動意圖識別方法
美國凱斯西儲大學(xué)Daly等通過運動想象檢測大腦皮層神經(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。即主動的運動感知和被動外部設(shè)備相結(jié)合形成主被動康復(fù)訓(xùn)練系統(tǒng)，將有利于受試者肢體的運動功能康復(fù)[4]。華盛頓大學(xué)Bundy等通過健側(cè)手部動作運動意圖輔助患者控制外骨骼機械手，實現(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展。德國圖賓根大學(xué)VárkutiB等通過運動想象控制MIT-MANUS機器人輔助患者上肢執(zhí)行康復(fù)訓(xùn)練，結(jié)果表明上肢運動功能得到明顯改善[6]。如圖3(b)所示天津大學(xué)明東教授團隊通過患者肘關(guān)節(jié)屈-伸運動想象控制“神工一號”康復(fù)機器人輔助肘關(guān)節(jié)的康復(fù)運動，增強了康復(fù)訓(xùn)練效果。西安交通大學(xué)徐光華教授團隊研究了目標(biāo)誘導(dǎo)的運動想象刺激范式，證明了有目標(biāo)導(dǎo)向的運動想象增強了對大腦皮層的激活并改善運動想象的能力[7]。韋恩州立大學(xué)Whyte等進一步提出了規(guī)范康復(fù)訓(xùn)練體系可幫助患者主動參與康復(fù)訓(xùn)練[8]。
為了提高運動想象動作與所需要的康復(fù)肢體的直接相關(guān)性，本課題組設(shè)計了手部伸-握動作直接相關(guān)的運動想象和動作觀察相結(jié)合的復(fù)合范式實驗，以實現(xiàn)更好的手部主動康復(fù)。運動想象是讓受試者去想象某一個動作，不用產(chǎn)生任何肌肉活動，調(diào)動主觀意念在心理上反復(fù)模擬或復(fù)現(xiàn)相應(yīng)動作。動作觀察是讓受試者觀看日常生活手的基本動作（如抹桌子、洗衣服等視頻動作），然后盡力去模仿視頻中所出現(xiàn)的動作。通過ERSP（時間相關(guān)譜擾動）、腦地形圖和腦功能網(wǎng)絡(luò)計算分析了伸-握動作運動想象和動作觀察對大腦皮層的激活規(guī)律。
實驗結(jié)果表明與伸-握動作直接相關(guān)的運動想象和動作觀察相結(jié)合的復(fù)合范式，增強了與伸-握動作直接相關(guān)大腦皮層的激活程度，發(fā)現(xiàn)了“伸開”動作對應(yīng)能量和激活現(xiàn)象均大于“握拳”動作。將運動想象和動作觀察相結(jié)合可增強對大腦皮層的激活程度，有助于手部運動功能障礙的恢復(fù)。并且將實驗中不同范式下伸-握動作對大腦皮層的激活規(guī)律為基礎(chǔ)，提出基于小波變換和共空間模式提取伸-握動作EEG特征的算法，再通過線性判別分析對伸-握動作精細(xì)意圖進行識別[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(fù)手套設(shè)計制作
現(xiàn)有的軟體康復(fù)手大多采用拉線驅(qū)動、液壓驅(qū)動和氣壓驅(qū)動。韓國首爾大學(xué)的HyunKi In等人[10]設(shè)計了如圖8（a）所示的一種拉線驅(qū)動的軟體康復(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)動電機拉動繞性金屬絲，即可輔助手指的完成屈曲和伸展動作，指捏力量為20N，掌握力量為40N，驅(qū)動控制系統(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)動的軟體康復(fù)手，并配備了一個重量為3.3kg的液壓驅(qū)動控制便攜式腰包。該液壓軟體康復(fù)手的軟體驅(qū)動器，由纖維增強材料制作的成型彈性腔與約束線、限制層組合制作，在增壓時可完成屈曲、扭轉(zhuǎn)、伸長等運動，可以輔助手指完成主動屈曲運動和被動伸展運動。哈佛大學(xué)的Stacey Lyne等人[12]利用3D打印模具進行軟材料澆鑄制作氣動軟體驅(qū)動器，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。該氣動軟體驅(qū)動器在靠近手背側(cè)嵌入彈性模量大的限制層，使驅(qū)動氣腔在增壓時向彈性模型大的一側(cè)彎曲，實現(xiàn)輔助手指主動驅(qū)動運動，氣壓為0.45Mpa時指尖壓力為1.2N。
鑒于拉線式軟體康復(fù)手的驅(qū)動傳動系統(tǒng)較復(fù)雜、對手的壓迫感較強，液壓軟體康復(fù)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(qū)動控制較為簡單的氣動軟體康復(fù)手展開了研究。前期，本課題組利用限制層和纖維約束的單氣腔驅(qū)動器結(jié)構(gòu)設(shè)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(shè)計了如圖9（a）所示的集成柔性傳感器的氣動軟體康復(fù)手，改變限制層方向，可以輔助人手分別實現(xiàn)主動伸展和主動屈曲運動，并檢測手指彎曲角度進行康復(fù)效果評估[13]。但是該氣動軟體康復(fù)手無法輔助人手實現(xiàn)拇指的內(nèi)收/外展運動，也無法同時實現(xiàn)伸展/屈曲運動的雙向主動訓(xùn)練。為此，本課題組又利用波紋管制作的正負(fù)氣壓驅(qū)動器制作了如圖9（b）所示的氣動軟體康復(fù)手。該氣動軟體康復(fù)手僅有149克，采用開放式手套，通過欠驅(qū)動可以輔助手指實現(xiàn)伸展/屈曲運動和拇指的內(nèi)收/外展運動的主動訓(xùn)練；配套的便攜式氣動箱體積小、重量輕，高級康復(fù)版氣動箱可調(diào)節(jié)六個輸出氣路的壓力和流量；實驗表明，伸展/屈曲驅(qū)動器在伸展時的最大作用力為4.6N，內(nèi)收/外展驅(qū)動器在內(nèi)收時最大作用力為8.1N。當(dāng)前，該氣動軟體康復(fù)手的驅(qū)動器設(shè)計、控制設(shè)計仍在不斷地進行優(yōu)化。
4、手部主被動康復(fù)訓(xùn)練系統(tǒng)設(shè)計
根據(jù)手部主被動訓(xùn)練的康復(fù)需求，基于課題組在運動意圖識別、腦機接口、軟體手等方面的研究基礎(chǔ)，設(shè)計了一種可康復(fù)訓(xùn)練可日常生活輔助的穿戴式主被動康復(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、多模式意圖識別等[14]。
手部主被動訓(xùn)練系統(tǒng)可分為主動康復(fù)和被動康復(fù)兩個部分。在主動康復(fù)訓(xùn)練中，對于患者主動意圖的感知有兩種：一種是在多范式刺激大腦皮層的基礎(chǔ)上，從增強的EEG 中直接提取單側(cè)手部伸-握動作精細(xì)意圖的EEG 特征，實現(xiàn)對受試者手部動作的精細(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，構(gòu)建多模式協(xié)同控制策略以產(chǎn)生更多的控制指令。在被動康復(fù)訓(xùn)練中，通過主動運動意圖產(chǎn)生的控制指令或直接輸入指令對軟體康復(fù)手進行驅(qū)動控制，實現(xiàn)軟體康復(fù)手輔助手部執(zhí)行康復(fù)訓(xùn)練或進行日常生活。實驗驗證了系統(tǒng)輔助患者在線被動康復(fù)訓(xùn)練，通過正常受試者在線控制康復(fù)機械手輔助執(zhí)行伸-握動作，其平均正確率達(dá)到92.71%，基本滿足主被動康復(fù)訓(xùn)練的要求，也提升了主被動康復(fù)系統(tǒng)的實用化水平。同時，該手部主被動康復(fù)訓(xùn)練系統(tǒng)成功在多家醫(yī)院和兩家企業(yè)進行康復(fù)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.
