机器人反馈与自适应能力能否满足治疗需求？——一项量化治疗师互动策略的观察性研究

《IEEE Transactions on Medical Robotics and Bionics》：Can Robotic Feedback and Adaptation Possibilities Match Therapeutic Needs? -An Observational Study

本文针对机器人辅助康复中治疗师互动策略难以量化的问题，通过扩展Armeo?Power系统的多态控制框架(PCF)，对16组治疗师-患者配对开展观察性研究。研究发现治疗师主要存在三种互动模式：直接触觉反馈、机器人参数调整和连续参数调整，且策略选择受运动类型显著影响。研究表明有限制的机器人反馈选项难以满足临床需求，而过度复杂的选项又会导致治疗师偏好直接互动，强调机器人系统需具备理解治疗师意图并动态适配的能力。

　　

在神经康复领域，机器人辅助疗法近年来展现出巨大潜力，特别是在脑卒中、多发性硬化或脊髓损伤等导致的上肢运动功能障碍康复中。设备如Armeo^?Power已被证实能有效改善患者日常活动能力、上肢功能和肌力。然而，当前机器人系统在临床推广中面临一个核心矛盾：一方面，为实现个性化康复，机器人需要具备灵活的辅助力度调节功能，即“按需辅助”(AAN)控制策略；但另一方面，现有AAN控制器大多局限于有限的功能参数调整，无法复现治疗师在传统康复过程中多样化的互动方式——包括动态观察、触觉引导、言语激励等。这种技术设计与临床实践之间的脱节，使得大多数机器人设备仍需要治疗师全程监督，难以实现真正意义上的无人值守训练。

更关键的是，治疗师与患者之间建立的这种多维互动关系已被证明对康复效果具有积极影响。若机器人系统仅提供僵化的参数调整界面，不仅会限制治疗师专业经验的发挥，还可能降低其对技术的接受度。那么，一个根本性问题浮出水面：机器人系统究竟需要提供多少反馈和自适应选项，才能既满足治疗需求，又不给治疗师带来操作负担？为了回答这个问题，苏黎世联邦理工学院Michael Sommerhalder团队与瑞士诺特维尔截瘫中心合作，开展了一项深入的治疗师-患者互动观察研究，相关成果发表在《IEEE Transactions on Medical Robotics and Bionics》上。

研究人员首先对商用Armeo Power系统进行了功能扩展，集成了多态控制框架(PCF)，增加了多种性能指标显示和治疗参数调整功能。通过分离的患者和治疗师操作界面，确保治疗过程中的调整不会中断训练。研究招募了8名治疗师和8名患者，形成16对治疗师-患者组合，共记录48次训练会话中的2297次互动。采用自动化记录（系统参数调整）和人工记录（治疗师-患者直接互动）相结合的方式，量化分析互动模式。通过设计互动相关性图谱，识别出治疗师的主要行为策略及其影响因素。

研究结果揭示了三种典型的互动模式：当观察到患者出现代偿性运动和姿势问题时，治疗师倾向于直接进行触觉反馈；当发现机器人设置不当时，会调整机器人支持参数；而在某些情况下，治疗师会连续调整支持参数而不经过中间的患者观察环节。进一步分析发现，治疗师的策略选择与运动类型密切相关：在需要达到特定目标的运动中，直接触觉反馈占主导；而在需要遵循预定路径的运动中，机器人参数调整更为常见。

不同治疗师之间存在着不可减少的策略差异性。三位治疗师倾向于通过调整机器人参数来解决问题，另外三位则明显偏好直接触觉互动，一位治疗师表现出试错式的参数调整行为，还有一位则展现出更为多变的策略组合。这种个体差异反映了单一机器人界面难以满足所有治疗师的工作偏好。

值得注意的是，尽管系统提供了丰富的分析工具，治疗师仍然偏好直接观察患者而非依赖界面数据，这表明当前基于滑动条的控制界面与治疗师习惯的传统工作方式存在差距。同时，治疗师对代偿性运动的矫正几乎全部通过直接触觉互动完成，突显了现有机器人系统在检测和纠正这类问题上的局限性。

研究的讨论部分指出，为真正满足治疗需求，机器人系统不仅需要提供更多的调整选项，更重要的是能够理解治疗师的策略意图，并动态调整显示的信息和可调参数。这种“智能适配”能力是提高治疗师接受度和系统有效性的关键。此外，研究发现互动策略主要受运动类型影响，而非治疗阶段，这意味着短期研究设计可能足以捕捉治疗师的典型行为模式。

该研究通过创新的方法论框架，首次实现了治疗师互动策略的量化分析，为康复机器人的人机交互设计提供了重要依据。虽然研究存在样本量有限、人工记录可能存在偏差等局限性，但它为未来开发能够动态适配治疗师工作风格的智能康复系统奠定了理论基础。随着机器人技术在康复领域的深入应用，这种以治疗师为核心的设计理念将推动康复机器人从单纯的运动辅助工具，向真正的智能治疗伙伴转变。