物理人机交互在脑卒中上肢康复中的中介作用：运动障碍与运动学表现关联机制研究

《BMC Sports Science, Medicine and Rehabilitation》：Physical human-robot interaction mediates the association of motor impairment and kinematic performance for poststroke arm rehabilitation

本研究针对脑卒中上肢康复中物理人机交互(pHRI)的作用机制展开深入探索。研究人员通过外骨骼辅助拟人运动训练(EAMT)试验，采用中介分析方法首次证实pHRI在运动障碍(FMA-UE评分)与姿势误差之间发挥43.7%的中介效应。这一发现为优化康复机器人设计提供了重要理论依据，对提升神经康复效果具有里程碑意义。

　　

在神经工程快速发展的今天，机器人辅助疗法(RAT)正在革命性地改变脑卒中后的康复医疗格局。这种非药物治疗方法通过提供更便捷、自动化的训练，为全球脑卒中患者的运动功能恢复带来了新的希望。然而，一个关键问题始终困扰着临床工作者：个体化的上肢偏瘫究竟能否从RAT中真正获益？尽管机器人系统能够提供客观的运动学测量指标，但其疗效仍存在争议，亟需对机器人设备进行持续优化。

物理人机交互(pHRI)作为RAT的核心组成部分，使系统能够根据上肢运动障碍程度自适应调整运动学表现。这种人与机器之间的双向交流，在康复训练过程中产生复杂的生物力学反馈。然而，pHRI如何介导运动障碍与运动学表现之间的关系，这一机制长期以来缺乏深入探索。传统的评估方法往往难以区分pHRI的因果效应，因为人机系统在讨论干预结果时不可避免地相互耦合。

为了解开这一谜团，Chen等人在《BMC Sports Science, Medicine and Rehabilitation》上发表了创新性研究。研究人员采用中介分析这一因果模型框架，首次系统探讨了pHRI在运动障碍与运动学表现关系中的中介作用。该研究基于2018年12月至2021年8月期间进行的外骨骼辅助拟人运动训练(EAMT试验数据，对50名亚急性期脑卒中患者进行了深入分析。

研究的关键技术方法包括：使用七自由度外骨骼机器人(Armule, Intelbot Intelligent Machine Ltd)进行EAMT训练，通过六个维度的扭矩传感器和关节角度编码器实时采集运动学数据；采用机械误差(ME)指标量化pHRI质量，计算患者关节力学与正常人机械输出主成分之间的协方差距离；分析运动时间(MT)、平滑度(SM)和姿势误差(PE)三项运动学指标；以Fugl-Meyer上肢评定量表(FMA-UE)评估运动障碍程度；最后通过中介分析模型探讨变量间的因果关系。

研究结果

人口统计学特征

研究纳入了50名脑卒中患者，平均年龄为49.5±10.2岁，平均发病时间为55.2±44.0天。参与者以男性为主(88%)，平均FMA-UE得分为19.9±10.3分，表明入选患者存在中重度上肢运动障碍。

关联分析：上肢运动障碍与运动学指标

研究发现，较高的FMA-UE评分与改善的运动学表现显著相关。具体而言，FMA-UE评分与运动时间呈负相关(标准化r=-0.459, P<0.001)，与平滑度呈负相关(标准化r=-0.369, P=0.005)，与姿势误差也呈负相关(标准化r=-0.488, P<0.001)。这些结果表明，运动障碍越严重，患者的运动效率越低，运动轨迹越不流畅。

关联分析：上肢运动障碍与pHRI

较高的FMA-UE评分与较低的pHRI水平显著相关(标准化r=-0.439, P=0.001)，表明运动功能较好的患者与机器人之间的物理交互更为协调。

关联分析：pHRI与运动学指标

pHRI与姿势误差呈正相关(标准化r=0.486, P<0.001)，但与运动时间(标准化r=0.024, P=0.862)和平滑度(标准化r=0.121, P=0.403)无显著相关性。这一发现提示pHRI主要影响姿势控制过程，而对运动速度和流畅度的影响有限。

因果中介分析

中介分析显示，pHRI介导了运动障碍与姿势误差之间43.7%的关系(95% CI: 12.3至75.1, P=0.006)，间接效应值为标准化r=-0.214(95% CI: -0.373至-0.055, P=0.008)。然而，对于运动障碍与运动时间或平滑度之间的关系，未观察到显著的中介效应。

敏感性分析

通过调整卒中类型、患侧、性别、年龄和病程等协变量进行的敏感性分析证实了研究结果的稳健性，在不同模型中均得到一致结论。

研究结论与讨论

本研究首次证实了物理人机交互在脑卒中上肢康复中的中介作用，特别是对姿势误差的显著影响。研究发现，pHRI解释了运动障碍与姿势误差之间43.7%的关系，表明在EAMT范式下的适应性顺从控制能够通过实时生物力学调整，帮助患者在执行功能性任务时维持更生理性的手臂姿势。

这一发现具有重要的临床意义。pHRI通过力/扭矩传感器提供的反馈和实时生物力学调整，可以引导脑卒中患者朝向更有效的运动模式发展，对抗代偿模式的出现。机器人根据外骨骼pHRI实时调整手臂姿势和关节角度，有助于形成更优化的运动轨迹，从而促进功能恢复。

值得注意的是，pHRI对运动时间和平滑度缺乏中介效应，这可能是因为本研究评估的pHRI类型主要针对姿势控制过程，而这些运动学指标可能涉及其他运动功能。机械误差(ME)指标经过时间归一化处理，确保其捕获的是独立于任务持续时间或内在相互作用的机器人动力学特征。

研究的优势包括采用EAMT试验数据的稳健设计、使用外骨骼传感器获得的客观运动学指标、先进的中介分析方法以及包含敏感性分析支持结果的可靠性。然而，回顾性设计限制了因果推断的能力，单一机器人设备的使用也限制了结果对其他神经工程系统的适用性。

这些发现强调了进一步优化机器人系统以促进脑卒中后综合运动恢复的重要性。未来的研究应探索这些效应的潜在机制，并研究pHRI如何进一步定制以解决不同的运动障碍方面，最终提高康复机器人对脑卒中患者的临床疗效。

该研究为康复机器人的结构设计或控制策略提供了重要见解，特别是在通过优化物理人机交互来改善神经康复效果方面指明了方向。随着对pHRI机制的深入理解，机器人辅助疗法有望在脑卒中上肢康复中发挥更加精准和有效的作用。