可穿戴辅助移动技术：从神经接口到环境感知的智能康复新范式

《Nature Communications》：Wearable technologies for assisted mobility in the real world

本文聚焦全球约13亿行动障碍患者面临的现实移动难题，系统综述了融合EEG、fNIRS、EMG、EOG及IMU等多模态传感的可穿戴技术，通过意图识别、环境交互与自适应控制策略，推动外骨骼、智能假肢、智能轮椅及非视觉导航系统的智能化革新。研究强调“人在回路”与感知运动整合，为提升用户自主性与社会参与度提供了跨学科解决方案，发表于《Nature Communications》。

　　

论文解读

在全球人口老龄化与残疾率上升的背景下，行动障碍已成为影响个体自主性与社会参与的核心挑战。传统辅助设备如轮椅、假肢等虽能提供基础支持，却难以适应复杂多变的真实环境，缺乏实时响应性与个性化交互能力。据统计，全球约13亿人患有不同程度残疾，其中5800万人存在行走或移动困难，凸显了发展智能辅助技术的紧迫性。

为突破传统局限，由北京航空航天大学、伦敦大学学院、帝国理工学院等机构联合开展的研究，系统梳理了可穿戴技术在辅助移动领域的最新进展。研究聚焦于通过神经接口、生理信号与环境感知的融合，构建“人在回路”的智能系统，旨在实现从“被动支撑”到“主动协同”的范式转变。论文发表于《Nature Communications》，为康复医学与机器人技术交叉领域提供了前瞻性视角。

关键技术方法

研究通过多模态传感整合（如EEG/fNIRS用于中枢意图解码，EMG/IMU用于外周运动捕捉）、机器学习算法优化意图识别精度，并结合计算机视觉与深度相机实现环境建模。实验验证涵盖临床队列（如脊髓损伤、脑卒中患者）与真实场景测试，强调用户中心化设计与人机协同控制策略。

研究结果

1. 用户意图解码的中枢与外周接口

中枢接口通过EEG与fNIRS直接捕捉大脑活动，其中运动意象（MI）与稳态视觉诱发电位（SSVEP）是实现脑控设备的核心范式。例如，基于AR-SSVEP的假肢控制系统可识别8种手部动作模式，但需解决视觉疲劳问题；fNIRS则通过血氧信号监测运动皮层激活，适用于上肢动作分类。外周接口依赖EMG与IMU等信号，EMG通过肌肉电活动预测运动意图，应用于外骨骼实时调控；IMU则通过运动轨迹分析支持步态相位识别与平衡调节。研究指出，单一模态存在局限性（如EEG易受运动伪影干扰，EMG受肌肉疲劳影响），而多模态融合（如EEG-EMG联合特征提取）可显著提升识别鲁棒性。

2. 环境感知与自适应导航

智能设备需动态感知环境以保障用户安全。研究通过RGB-D相机、激光雷达与超声波传感器实现障碍物检测与地形识别，例如智能轮椅利用计算机视觉规划避障路径；非视觉导航系统则将空间信息转换为听觉或触觉反馈，帮助视障者规避风险。此外，系统结合用户生理状态（如心率、肌疲劳）实时调整辅助强度，形成闭环优化。

3. 四类辅助设备的应用与挑战

• •
  外骨骼：如HAL、EksoGT等产品通过关节力矩估计与IMU反馈，支持脑卒中或脊髓损伤患者的步态训练，但存在重量大、能耗高、生物力学匹配不足等问题。
• •
  智能假肢：融合EMG意图解码与IMU环境感知，可恢复生物力学步态，但感官反馈延迟与长期稳定性仍是瓶颈。
• •
  智能轮椅：通过EOG眼动控制或EEG脑控接口实现非手动导航，并集成生理监测功能，然而系统校准复杂度与认知负荷限制其普及。
• •
  非视觉导航：如Sunu Band等设备利用声纳与AI算法提供实时导向，但在恶劣环境下的可靠性亟待提升。

结论与展望

研究指出，可穿戴辅助技术的未来依赖于三大方向：一是通过深度学习与边缘计算提升信号处理效率；二是采用柔性电子与轻量化设计增强穿戴舒适性；三是深化“人在回路”研究，解决神经认知整合难题（如感官冲突、控制延迟）。此外，需建立标准化评估体系与跨学科协作机制，以推动技术从实验室走向日常应用。最终，智能可穿戴系统有望成为行动障碍者重建自主生活、融入社会的关键桥梁，实现“技术赋能”向“生命增强”的跨越。