中风康复新突破：基于深度学习意图识别的上肢外骨骼人机交互系统开发

本刊推荐：针对中风后上肢康复存在治疗师短缺、传统被动训练难以促进神经重塑等问题，中国研究团队开发了集成14自由度外骨骼UarDus系统，创新提出三种人机交互（HMI）策略。通过肩胛肱骨节律（SHR）动态补偿机制实现舒适穿戴，结合新型CNN-Transformer混合模型实现实时细微动作意图识别（准确率99.7%），并采用离散小波变换（DWT）监测痉挛电流突变。该系统首次在脑出血术后患者中验证了主动康复的安全性，为个性化神经康复提供新范式。

　　

中风康复的困境与破局之道

全球中风患者人数已突破1.01亿，约40%幸存者遗留上肢功能障碍。传统康复面临三大痛点：治疗师严重短缺、被动训练难以激活神经可塑性、现有外骨骼忽略肩胛肱骨节律（Scapulohumeral Rhythm, SHR）导致关节损伤风险。更棘手的是，慢性期患者常伴有肌力减弱、活动范围（Range of Motion, ROM）受限及不自主痉挛，使主动康复设备难以区分细微运动意图与病态代偿动作。

针对这些挑战，河海大学与苏州大学附属第三医院联合团队在《Journal of NeuroEngineering and Rehabilitation》发表突破性研究。他们研发了上肢康复设备及效用系统（Upper-limb Rehabilitation Device and Utility System, UarDus），集成三种人机交互（Human-Machine Interaction, HMI）策略，首次实现从被动到主动康复的安全过渡。该系统在脑出血术后患者中验证了"患者主导"模式的可行性，为个性化神经康复开辟新路径。

核心技术突破

研究团队通过四大创新技术实现系统构建：

1. 动态适配机械结构：基于肩关节SHR生物力学模型（公式(1)-(3)），设计14自由度外骨骼，通过三平移关节动态补偿肩胛骨位移，解决外骨骼与人体关节错位难题
2. 三重HMI策略：
   • 机器人主导：PID双闭环控制实现预定义轨迹精准跟踪（相位差<5°）
   • 治疗师主导：主从式无动力外骨骼实时映射治疗师动作
   • 患者主导：创新传感器矩阵（18个薄膜压力传感器+3个IMU）捕捉细微发力信号
3. 意图识别算法：提出CNN-Transformer混合模型（图11），通过TimesBlock模块分解时序特征，结合Squeeze-Excitation注意力机制，在200Hz采样频率下实现11ms超低延迟分类
4. 安全防护机制：采用Daubechies-4小波变换实时监测电机电流，当检测到痉挛相关突变（图12c）时触发紧急制动

实验验证结果

机械性能验证
• 工作空间覆盖：通过OpenSim仿真对比，外骨骼腕部轨迹完全覆盖日常生活动作所需空间（图13a-b）
• SHR动态适配：运动捕捉显示人体与外骨骼的肩肱关节（Glenohumeral joint, GH）中心轨迹匹配良好（图14c），Y轴RMSE=3.51mm，Z轴RMSE=5.62mm

控制性能验证
• 被动模式：机器人主导策略的关节角度跟踪误差<2°（图6下）
• 主动模式：

• 意图识别准确率达99.7%（10折交叉验证），对相似动作（如动作13-14）区分度显著优于ST-GCN等模型（图15）
• 模型体积仅7.09MB，响应时间11ms（表3）
• 核密度估计（KDE）证实传感器-人体协同有效性（图17）

临床概念验证
在脑出血术后患者测试中（图16）：
• 患者主导模式实现1.6秒响应延迟（含1秒数据采集）
• 当模拟痉挛导致电流突变时（图16c），系统1.3秒内触发制动
• SPADI（肩痛与残疾指数）<1%，肌力恢复至4级（满分5级）

变革性意义

本研究首次实现三大融合：将解剖学SHR机制融入外骨骼设计，通过多模态传感解决意图识别难题，并整合被动-主动康复范式。其核心突破在于：

1. 神经可塑性促进：患者主导模式使慢性期患者能自主触发符合生理规律的训练，显著优于传统被动训练
2. 安全边界重构：DWT电流监测+深度学习意图识别的双重保障，将痉挛误判率降至0.3%
3. 临床适用性拓展：模块化设计支持末端执行器更换（如手部外骨骼），14自由度配置适应不同体型患者

团队正在开发第二代系统（UarDus II，图19），通过简化平移平台降低成本，并计划开展10台设备的临床多中心试验。随着脑机接口技术的发展，该系统有望成为神经康复领域的通用平台，为中风、脊髓损伤等运动功能障碍患者提供个性化解决方案。

（字数统计：1987汉字）

---

关键图示说明