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功能障礙直接影響患者的生活質量。傳統的治療手段主要依靠康復醫師輔助患者關節活動度和肌力訓練，但其訓練效果受醫生經驗和業務水平及訓練時間等因素的影響。因此有很多研究者研發了相關的康復訓練設備輔助患者訓練以重新獲取肢體的運動技能[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，在與人的交互過程中，對人手的適應性欠佳，雖然可以依靠傳感和控制實現安全交互，但技術難度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，降低控制的復雜度，實現G靈活性、強適應性和良好交互性，在醫療康復L域有重要應用價值[2]。
此外，臨床醫學也表明，患者主動參與康復訓練的效果要比被動康復顯著。目前，腦-機接口（Brain-Computer Interface，BCI）技術為患者主動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功能或代替部分功能[3]。通過主被動康復訓練的互相配合，促進患者感覺運動環路的重建，使得主動康復訓練成為腦科學、生物醫學及康復工程、仿生學等L域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Daly等通過運動想象檢測大腦皮層神經元的激活情況，表明BCI系統能有效地輔助患者誘發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備相結合形成主被動康復訓練系統，將有利于受試者肢體的運動功能康復[4]。華盛頓大學Bundy等通過健側手部動作運動意圖輔助患者控制外骨骼機械手，實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展。德國圖賓根大學VárkutiB等通過運動想象控制MIT-MANUS機器人輔助患者上肢執行康復訓練，結果表明上肢運動功能得到明顯改善[6]。如圖3(b)所示天津大學明東教授團隊通過患者肘關節屈-伸運動想象控制“神工一號”康復機器人輔助肘關節的康復運動，增強了康復訓練效果。西安交通大學徐光華教授團隊研究了目標誘導的運動想象刺激范式，證明了有目標導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Whyte等進一步提出了規范康復訓練體系可幫助患者主動參與康復訓練[8]。
為了提G運動想象動作與所需要的康復肢體的直接相關性，本課題組設計了手部伸-握動作直接相關的運動想象和動作觀察相結合的復合范式實驗，以實現更好的手部主動康復。運動想象是讓受試者去想象某一個動作，不用產生任何肌肉活動，調動主觀意念在心理上反復模擬或復現相應動作。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的動作。通過ERSP（時間相關譜擾動）、腦地形圖和腦功能網絡計算分析了伸-握動作運動想象和動作觀察對大腦皮層的激活規律。
實驗結果表明與伸-握動作直接相關的運動想象和動作觀察相結合的復合范式，增強了與伸-握動作直接相關大腦皮層的激活程度，發現了“伸開”動作對應能量和激活現象均大于“握拳”動作。將運動想象和動作觀察相結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。并且將實驗中不同范式下伸-握動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-握動作EEG特征的算法，再通過線性判別分析對伸-握動作精細意圖進行識別[9]。
圖7 小波變換和共空間模式算法分析流程圖
3、軟體康復手套設計制作
現有的軟體康復手大多采用拉線驅動、液壓驅動和氣壓驅動。韓國首爾大學的HyunKi In等人[10]設計了如圖8（a）所示的一種拉線驅動的軟體康復手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，驅動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的軟體康復手，并配備了一個重量為3.3kg的液壓驅動控制便攜式腰包。該液壓軟體康復手的軟體驅動器，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、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 軟體康復手。該氣動軟體驅動器在靠近手背側嵌入彈性模量大的限制層，使驅動氣腔在增壓時向彈性模型大的一側彎曲，實現輔助手指主動驅動運動，氣壓為0.45Mpa時指尖壓力為1.2N。
鑒于拉線式軟體康復手的驅動傳動系統較復雜、對手的壓迫感較強，液壓軟體康復手重量較大、有泄露污染的風險，本課題組對重量更輕、成本更低、驅動控制較為簡單的氣動軟體康復手展開了研究。前期，本課題組利用限制層和纖維約束的單氣腔驅動器結構設計，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軟體康復手，改變限制層方向，可以輔助人手分別實現主動伸展和主動屈曲運動，并檢測手指彎曲角度進行康復效果評估[13]。但是該氣動軟體康復手無法輔助人手實現拇指的內收/外展運動，也無法同時實現伸展/屈曲運動的雙向主動訓練。為此，本課題組又利用波紋管制作的正負氣壓驅動器制作了如圖9（b）所示的氣動軟體康復手。該氣動軟體康復手僅有149克，采用開放式手套，通過欠驅動可以輔助手指實現伸展/屈曲運動和拇指的內收/外展運動的主動訓練；配套的便攜式氣動箱體積小、重量輕，G級康復版氣動箱可調節六個輸出氣路的壓力和流量；實驗表明，伸展/屈曲驅動器在伸展時的大作用力為4.6N，內收/外展驅動器在內收時大作用力為8.1N。當前，該氣動軟體康復手的驅動器設計、控制設計仍在不斷地進行優化。
4、手部主被動康復訓練系統設計
根據手部主被動訓練的康復需求，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，設計了一種可康復訓練可日常生活輔助的穿戴式主被動康復訓練系統，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]。
手部主被動訓練系統可分為主動康復和被動康復兩個部分。在主動康復訓練中，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上，從增強的EEG 中直接提取單側手部伸-握動作精細意圖的EEG 特征，實現對受試者手部動作的精細意圖感知；另一種是發揮不同模式如EEG、眼電圖(Electrooculogram，EOG)和肌電圖(Electromyogram, EMG)模式的優勢，構建多模式協同控制策略以產生更多的控制指令。在被動康復訓練中，通過主動運動意圖產生的控制指令或直接輸入指令對軟體康復手進行驅動控制，實現軟體康復手輔助手部執行康復訓練或進行日常生活。實驗驗證了系統輔助患者在線被動康復訓練，通過正常受試者在線控制康復機械手輔助執行伸-握動作，其平均正確率達到92.71%，基本滿足主被動康復訓練的要求，也提升了主被動康復系統的實用化水平。同時，該手部主被動康復訓練系統成功在多家醫院和兩家企業進行康復試用。
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] 張進華，王韜，洪軍，等．軟體機械手研究綜述[J]．機械工程學報，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.
