一种基于预测力和全周期训练策略的机器人辅助踝关节骨折远程康复系统

《Advanced Intelligent Systems》：A Robot-Assisted Remote Rehabilitation System for Ankle Fractures Based on Predictive Force and Full-Cycle Training Strategy

踝关节骨折术后远程康复机器人系统研究 摘要：提出一种基于分布式系统架构的轻量化踝关节康复机器人PAR-ROBOT，总重2.634 kg。通过结合深度卷积网络（TCN）与三次多项式插值算法，实现远程通信中力信号的预测与补偿，控制频率提升至100 Hz，最大归一化均方根误差10.89%。设计全周期康复策略，包括被动、主动-被动、等张及ADL训练模式，采用自适应刚度控制与模糊算法动态调整阻尼系数，确保训练安全性与精准度。实验验证系统在轨迹跟踪误差（0.348 mm）、力预测精度（MAE 2.812 N）及主动控制响应（误差同步）方面均优于传统方法。

　　踝关节骨折的术后康复在患者恢复下肢功能中具有至关重要的作用。随着科技的发展，远程康复训练逐渐成为一种新的解决方案，它不仅提升了康复过程的便利性，也改善了传统康复方式中缺乏精准性与高效性的缺陷。为了提高康复系统的便携性、实时性和安全性，本研究提出了一种新型的机器人辅助远程康复系统，专门针对踝关节骨折患者的术后康复需求。该系统基于分布式架构设计，实现了硬件模块的分解和无线控制功能，使患者能够在家中进行康复训练，而无需频繁前往医院。系统的总重量仅为2.634公斤，便于携带和使用。通过结合深度学习算法与插值拟合方法，系统能够预测并补偿远程通信过程中交互力信号的时间延迟，控制频率提升至100赫兹，最大归一化均方根误差（NRMSE）控制在10.89%以内，从而保证了控制系统的精度与连续性。此外，系统还提出了基于自适应阻抗控制的全周期康复训练策略，涵盖被动、主动-被动、等张和主动活动训练，使康复过程更加全面和灵活。

在传统的踝关节康复中，由于踝关节是人体重要的承重关节，其骨折发生率较高。长时间固定会导致关节僵硬和背屈功能障碍，因此主动和被动康复训练对恢复关节的稳定性和功能至关重要。然而，传统康复模式依赖医生的经验，缺乏统一和高效的康复方案，同时，术后康复需要患者在医院进行长时间的训练，这不仅增加了患者的经济负担，也对居住在偏远地区的人群带来了不便。踝关节康复机器人（ARR）的出现，为医生提供了自动化辅助，能够实现重复、准确和精确的治疗，缓解康复医生资源不足的问题。同时，ARR还具备定量干预的能力，为远程康复提供了潜在的解决方案。

为了满足远程康复对便携性的要求，踝关节康复机器人在设计上注重轻量化和模块化。近年来，研究人员基于踝关节的生理和结构特点，提出了多种创新的ARR设计。大多数系统采用并联结构，固定基座与移动平台相结合，通过连接患者的脚部进行康复训练。然而，这类平台型机器人存在体积较大、便携性差以及需要患者长时间保持坐姿的问题，影响了用户体验。为此，一些可穿戴的ARR系统被开发出来，如Nomura等人设计的基于Stewart平台的踝足支具（AFO），其重量仅为2.2公斤，用于预防跌倒。Kwon等人则提出了一种双向肌腱驱动的AFO，重量为1.54公斤，允许踝关节进行自然的屈伸运动。然而，这些系统主要关注于提供步行支持，缺乏高精度的康复训练能力。He等人提出了一种新型的可穿戴并联机器人，重量为1.7公斤，具备高刚度和大载荷，适用于患者佩戴。

远程康复还对通信延迟提出了严格的要求。通信延迟可能影响康复机器人的动态稳定性，降低训练的实时性和安全性。为此，研究人员提出了多种补偿策略，包括随机控制、Smith预测补偿、鲁棒控制、滑模控制和预测控制等。相比传统方法，预测控制不需要精确的数学模型，只需了解系统的相关参数即可进行建模。Tian等人利用隐式广义预测算法来处理输入延迟，并结合控制补偿器来缓解输出延迟，从而提升了控制效果。Yi等人则设计了一种基于状态预测器的输出反馈控制器，用于补偿Wi-Fi控制系统中的时变网络延迟。然而，预测控制方法依赖于历史数据的统计分析，可能无法有效应对网络条件的突然变化，导致系统响应滞后或过度补偿。因此，开发一种更加高效、灵活和适应性的延迟补偿策略仍然是远程通信中的关键挑战。

全周期康复控制对于远程康复系统同样至关重要。近年来，许多基于阻抗/导纳控制模型的机器人辅助训练策略被提出，其中自适应控制方案能够根据康复训练的实际需求，在训练过程中实时调整控制参数。Hussain等人提出了一种自适应阻抗控制方案，能够通过自适应法则调整机器人对患者的辅助程度，以实现更好的步态训练效果。Jamwal等人则采用自适应阻抗控制来调节气动肌肉的刚度，从而控制机器人的灵活性。Liu等人提出了一种自适应导纳控制策略，根据患者的参与程度调整ARR的灵活性。Dong等人设计了一种踝关节康复系统，支持全阶段的柔顺康复训练，包括患者被动柔顺训练、等张训练和患者主动训练。Zhang等人则开发了一种结合踝关节空间位置控制器和任务空间高阶导纳控制器的自适应控制策略，实现了被动和患者-机器人协作模式。Yang等人提出了一种自愿辅助-所需（AAN）控制器，能够根据人机协作运动轨迹跟踪误差切换四种操作模式：机器人阻力、自由、机器人辅助和机器人主导。然而，这些训练策略主要针对中枢神经系统（CNS）损伤，如中风和脊髓损伤，而在骨科康复中，不准确或过度的训练可能导致疼痛、愈合延迟甚至再次受伤，因此需要更加精准和安全的训练策略。

为了解决踝关节骨折术后康复的远程需求，本文重点介绍了新型术后踝关节康复机器人（PAR-Robot）的微型化硬件系统设计，并进一步探讨了远程通信延迟的预测与补偿策略，以及全周期康复训练控制方案。本文的主要贡献包括：1）提出了一种基于时间卷积网络（TCN）的力信号预测算法，用于缓解远程通信中力信号的延迟问题，并结合多项式插值算法实现延迟补偿，确保训练过程的连续性。2）开发了一种基于系统刚度识别的自适应导纳控制策略（AA-SSI），以实现踝关节骨折的全周期柔顺康复训练。

本文的其余部分组织如下：第二部分介绍了PAR-Robot系统的微型化设计；第三部分探讨了远程通信延迟下的交互力预测与补偿策略；第四部分开发了全周期康复训练控制策略；第五部分进行了实验和讨论；第六部分总结了研究的成果与未来的研究方向。

在PAR-Robot的硬件系统设计中，为了满足远程康复对便携性的需求，系统采用了6- RUHU并联结构，这种结构不仅重量轻，而且具有较大的负载能力。其中，R代表驱动旋转关节，U代表万向关节，H代表螺旋关节。固定基座作为上环，而移动平台作为下环，六个结构相同的RUHU执行器被对称布置在固定基座和移动平台之间。每个执行器包含Hooke铰链、丝杠、套筒和张力/压力传感器。患者的下肢通过机器人环插入，胫骨和踝关节分别连接到固定基座和移动平台，采用半螺旋销和K线进行固定。根据骨折部位的具体情况，移动平台可以更换为2/3环或全环。六个直流电机被分组安装在固定基座上，采用快速插拔结构，便于维护和扩展。相比于传统的Stewart-Gough平台或6-RUP并联机构，PAR-Robot采用R关节作为驱动关节，这有助于降低执行器的惯性，避免影响执行器的可调长度，并减少影像采集过程中的干扰，从而实现更紧凑的结构设计。

为了满足远程通信的要求，PAR-Robot采用分布式系统架构，使控制系统的体积和重量得以减小，如图2所示。硬件系统包括上控制器（主控单元）和下控制器（从控单元）。上控制器可以连接移动设备，如笔记本电脑或平板电脑，实现数据交互、通信、信号采集与反馈、从控单元管理以及机器人运动控制等功能。主控单元与从控单元之间通过网络连接，使得控制管理程序能够在远程环境中与机器人进行交互。从控单元分为三个子模块：电源与通信模块、电机驱动模块和力采集模块。每个子模块均独立开发，便于拆卸和灵活扩展。电源与通信模块为电机驱动模块提供电力，并通过Wi-Fi实现主控与从控单元之间的通信。此外，该模块支持Wi-Fi到CAN（控制器局域网）通信协议，实现快速的数据转换。由于其体积小、重量轻，该模块可以佩戴在用户身上。为了应对紧急情况，该模块配备了一个物理关机开关，可以迅速切断电源。电机驱动模块根据固定基座上电机的分布情况，采用双电机驱动器和对应电机进行封装，模块之间通过Type-C接口连接。力采集模块负责为双力传感器提供电源并采集信号，将数据通过Wi-Fi传输至上控制器。根据具体需求，该模块可以在固定基座和移动平台上灵活安装。如果网络中断超过设定阈值或检测到异常力传感器数据，系统将进入安全模式，暂停运行并提示故障类型。

为了应对远程通信中力信号的延迟问题，本文提出了一种力信号预测与补偿算法。该算法通过分析力信号的延迟因素，采集并处理不同时间段的力信号数据，结合深度学习模型和插值模型进行模拟测试。首先，对远程通信中的力信号延迟进行分析和测量。在远程康复训练过程中，PAR-Robot的力数据通过网络传输至上控制器，主控制器根据接收到的力信号计算必要的动作指令，并通过电源与通信模块将指令传输至从控制器，实现运动控制。然而，通信延迟和力采集模块的固有延迟会影响机器人的快速响应能力和控制精度。为了确定远程通信中的延迟时间，本文将主控制器设置在成都，PAR-Robot设置在天津，两地相距超过1500公里，通过网络进行通信。在天津的实验者操纵机器人，模拟康复训练过程中的力信号变化。通过Qt的QDateTime类记录主控制器接收到力信号的时间，计算出相应的延迟。为了评估网络在实际环境中的性能，实验在四个特定时间点（9:00、12:00、15:00和20:00）进行数据采集和测量。这些时间点代表了不同网络活动水平的典型时间段，包括工作日开始、中午、下午和晚上。实验结果表明，力信号的延迟范围在130-160毫秒之间。

为了确保力信号在训练过程中的连续性和柔顺性，本文提出了一种基于多项式插值的力信号预测与补偿策略。该策略通过滑动窗口方法对力信号进行预测，结合TCN模型对多个卷积层进行处理，以捕捉力信号的长期时间关系。主控制器采用15组力信号作为输入，通过TCN预测算法输出时间点16的力数据。随后，利用三次多项式插值算法对时间点15-16之间的力数据进行拟合，以推导出该时间段的轨迹曲线。通过该轨迹，可以提取出实际控制周期内的力数据，并将其作为康复训练控制单元的输入。训练控制单元计算出运动偏移量，并将其传输至电机驱动模块，以调节机器人的运动。为了验证TCN预测算法的有效性，本文进行了一项远程通信实验，采集了18,866个有效的力信号样本，并将这些样本划分为训练集和测试集，比例为7:3，用于预测分析。使用Adam优化器进行迭代调整，以加快网络收敛。设置卷积核数量为8，卷积核大小为8，空间损失因子为0.05，初始学习率为0.01，最大训练迭代次数为1000。评估指标包括决定系数（R2）、平均绝对误差（MAE）、平均偏差误差（MBE）和均方根误差（RMSE）。实验结果表明，预测模型的MAE为2.812牛顿，R2为0.947，表明预测效果良好。

为了满足不同康复阶段的训练需求，本文提出了一个主动-被动柔顺控制方法。全周期康复训练策略包括被动训练、主动-被动训练、等张训练和主动日常活动（ADL）训练。在被动训练阶段，机器人引导踝关节沿着预设的关节活动范围（ROM）轨迹进行连续被动运动（CPM），以恢复关节的活动能力。在主动-被动训练阶段，根据患者的肌肉力量调整机器人刚度，以确保安全和有效训练。在等张训练阶段，机器人根据患者的肌肉力量提供适当的阻力，以实现渐进式的等张运动。在主动ADL训练阶段，机器人需要适应患者的主动意图，以模拟日常活动，提高踝关节的生理功能和步态能力。为了确保安全性，系统软件持续监控和显示关键操作参数，如电机速度、电流、温度和力传感器读数。在发生数据异常时，操作者和患者可以立即停止机器人，以确保康复过程的安全和可控。

在康复训练的全周期策略中，系统刚度的识别是实现自适应导纳控制的关键。通过分析不同康复阶段的训练需求，本文构建了一种基于系统刚度识别的自适应导纳控制策略。该策略通过调整刚度系数和阻尼系数，使机器人能够适应患者的运动意图和肌肉力量变化。在主动-被动训练中，机器人需要保持一定的柔顺性，同时避免过大的位移偏差。因此，设定刚度系数的下限，以防止过度移动。在等张训练中，根据患者的肌肉力量设定所需的阻力和刚度系数。在主动ADL训练中，由于机器人需要适应患者的主动意图，刚度系数被设定为0，以实现完全的柔顺控制。系统刚度的识别基于粒子群优化（PSO）算法，该算法能够在线识别系统参数，并根据力信号的变化调整阻尼系数，以确保运动的平滑性。

在主动ADL训练中，机器人需要遵循患者的运动意图。通过调整刚度系数，使机器人能够灵活适应患者的主动动作。实验结果表明，基于系统刚度识别的自适应导纳控制算法（AA-SSI）在相同主动力作用下，相比传统固定参数导纳控制（FA）和模糊导纳控制（FAA）方法，表现出更高的柔顺性和适应性。实验结果显示，AA-SSI方法在力信号变化时，能够快速调整阻尼系数，使机器人的运动更加平滑，从而提升患者的训练舒适度。此外，AA-SSI方法在力信号上升和下降过程中，能够同步调整系统参数，确保机器人对患者运动意图的及时响应。这表明，AA-SSI策略在实现柔顺控制方面具有显著优势。

本研究提出了一种新型的踝关节术后康复机器人系统，通过微型化设计和分布式控制架构，提升了系统的便携性和实时性。系统采用6-RUHU并联结构，使得机器人既轻便又具备较大的负载能力。此外，通过深度学习算法和多项式插值方法，有效预测并补偿远程通信中的力信号延迟，确保康复训练的连续性和准确性。基于系统刚度识别的自适应导纳控制策略，使得机器人能够根据患者的肌肉力量和运动意图，动态调整刚度和阻尼参数，从而实现全周期的柔顺康复训练。实验结果表明，该系统能够实现100赫兹的控制频率，满足远程康复训练的实时需求，并在不同康复阶段的训练中表现出高精度和高安全性。此外，该系统在相同主动力作用下，相比传统方法，展现出更好的柔顺性，为踝关节骨折的远程康复提供了新的解决方案。

尽管本文提出的PAR-Robot系统在远程康复中表现出良好的性能，但仍存在一些局限性。首先，系统的总重量为2.634公斤，仍有进一步减轻的潜力。未来可以采用更轻质且高性能的材料，使用能耗更低的电机和能量密度更高的电池，以优化系统重量。其次，目前的控制策略主要基于健康人的运动数据，未来的研究将关注于术后患者的真实运动状态数据，以增强系统的临床适用性。本文的成果表明，机器人技术在骨科术后远程康复中具有广阔的应用前景，为患者提供了一种更加便捷、高效和安全的康复解决方案。