综述：人工智能模拟厄尔尼诺-南方振荡对作物产量变异影响的进展

《MethodsX》：Advances in artificial intelligence to model the impact of El Ni?o–Southern Oscillation on crop yield variability

本综述系统分析2015-2025年间32项研究，聚焦传感器驱动控制策略在肩部康复外骨骼中的应用。通过多模态传感（EMG/IMU/力扭矩传感器）与自适应控制（力导纳控制、辅助即需AAN、人在环HITL及机器学习预测控制）的融合，推动卒中后上肢康复向个性化、智能化发展，为临床和家庭康复提供新一代解决方案。

　　

背景

脑卒中已成为长期残疾的主要病因之一，超过半数幸存者存在上肢运动功能障碍。传统康复治疗依赖治疗师的手动训练，但存在成本高、效率低及治疗效果不均等问题。随着全球卒中发病率预计从2019年的329万例增长至2030年的490万例，开发可扩展的康复技术解决方案迫在眉睫。早期康复机器人多为手部耦合的末端执行器设备，虽能辅助六自由度（6-DOF）手部任务，但无法调节手臂冗余关节，易引发异常协同运动和躯干代偿。可穿戴外骨骼通过解剖关节对齐和力矩分配，有效抑制代偿策略，促进生理性活动训练。

肩部运动生物力学

人体肩关节复合体由肱骨、肩胛骨和锁骨构成，包含盂肱、肩锁、胸锁和肩胛胸四个关节。盂肱关节作为球窝关节，因其肱骨头大而关节盂浅，需依赖静态和动态稳定结构维持运动稳定性。旋转袖肌群（冈上肌、冈下肌、小圆肌和肩胛下肌）提供动态稳定性，协调肱骨头旋转并防止过度平移。三角肌与稳定肌群的拮抗作用确保运动协调性。肩关节外展、内收、屈伸及旋转等动作由特定肌群主导，例如外展由冈上肌、三角肌中部和前锯肌完成，而内收则由大圆肌、胸大肌和背阔肌执行。理解这些肌群的生物力学作用对设计高效康复策略至关重要。

方法细节

检索策略

通过PubMed、Web of Science、Scopus、ScienceDirect和IEEE Xplore五大数据库系统检索2015年至2025年4月的相关文献。关键词包括“upper limb”、shoulder、elbow、hand、wrist与exoskeleton组合，并筛选与康复、临床试验相关的文章。最终从19,052篇初始文献中通过去重和人工筛选，确定32篇符合标准的研究纳入分析。

数据提取框架

采用标准化框架提取数据，包括：

• •
  传感器类型：肌电（EMG）、惯性测量单元（IMU）、力/扭矩传感器、运动学传感器、多模态融合
• •
  控制方法：力与导纳交互控制、自适应与辅助即需（AAN）控制、人在环（HITL）控制、被动支持与重力补偿、机器学习预测控制
• •
  目标区域：肩部或全上肢
• •
  驱动方式：电机驱动、缆绳驱动、被动（弹簧机构）、软体外骨骼
• •
  临床评估：参与者类型（卒中患者/健康受试者）、样本量、结局指标（Fugl-Meyer评估、ARAT、关节活动度ROM）

肩部外骨骼中的传感器模态

肌电（EMG）

表面肌电传感器通过测量上肢关键肌群（如三角肌、肱二头肌、肱三头肌、斜方肌和胸大肌）的激活水平，为神经肌肉参与度提供客观指标。研究表明，关节轨迹与肌肉活动存在相关性，例如CASIA-EXO系统通过同步采集EMG与肩肘运动学数据，揭示机器人干预对神经肌肉协调性的影响。自对齐外骨骼NESM-γ在前三角肌和胸大肌部署电极，结合电磁场传感器空间数据，量化用户参与度与运动指标。

惯性测量单元（IMU）

IMU因能持续提供节段朝向、角速度和加速度数据，成为可穿戴康复系统的常用模态。Xsens MTw传感器研究显示，IMU坐标轴与解剖平面对齐误差可能导致显著角度偏差，需通过校准方法抑制方向漂移。四元数轨迹优化框架通过对比IMU测量值与受试者伸手动作，验证目标姿势的可行性。IMU在xArm-5平台中与编码器、Kinect深度相机互补，提升运动估计鲁棒性；而POWERUP儿科外骨骼仅需单腕部IMU即可监测手部轨迹，适用于家庭康复场景。

力与扭矩传感器

这类传感器量化用户与机器人间的机械交互，测量努力程度、辅助力度与阻力体验。AGREE外骨骼在关节处安装扭转载荷细胞，实现高保真扭矩采集与实时阻抗控制；BiEXO系统通过嵌入式扭矩传感器追踪缆绳驱动提供的辅助力矩。ULIX外骨骼结合关节扭矩传感与EMG，研究卒中患者的神经机械耦合异常（如肩部运动引发非意图肘屈曲）。力传感器在缆绳驱动系统中直接测量张力，模拟非线性驱动动力学；xArm-5在末端执行器安装力传感器，确保远程康复中的双向控制安全。

运动学传感器

旋转编码器、光学编码器、磁编码器及电位计等构成运动反馈系统核心，实时测量关节角度与轨迹。CASIA-EXO通过关节编码器分析卒中后运动学习中的肩肘角度变化；ULIX和AGREE系统采用双编码器架构，通过弹簧形变估计关节扭矩。缆绳驱动外骨骼（如Optimized Cable-Driven Exoskeleton）通过卷轴运动间接推算关节角度，降低肢体传感器负重。SpringWear外骨骼结合旋转编码器与弦线电位计，平衡测量范围、分辨率与成本。高端编码器阵列支持全上肢运动重构，生成时间序列数据用于协调性、平滑度及运动轨迹偏差分析。

多模态传感器融合

多模态融合通过互补传感提升系统可靠性。ULIX整合EMG、扭矩传感与角度编码器，识别病理协同模式（如肩激活时肘屈曲）；ANYexo结合编码器、力传感器与EMG，实现高透明度人机交互。四元数肩部外骨骼融合编码器、IMU与EMG，规划肌肉参与目标轨迹；自对齐外骨骼同步EMG、电磁追踪与编码器，适应肩部辅助而不破坏自然关节耦合。xArm-5系统融合IMU、编码器、力传感器与Kinect相机，增强遮挡或噪声环境下的运动跟踪鲁棒性。多模态系统虽需解决同步性与数据处理挑战，但为康复评估提供多维指标（努力程度、疲劳、代偿运动）。

传感器驱动的控制策略

力与导纳交互控制

该策略通过力/扭矩传感器测量交互力，估算用户运动意图，并通过调节导纳参数定义系统响应特性。AGREE外骨骼采用多层阻抗控制系统，结合低层扭矩控制、中层阻抗调节与高层任务规划，支持被动辅助、主动辅助和主动抵抗三种训练模式。NESM-γ外骨骼通过高层扭矩控制与低层电流转换，实现患者主导的透明操作。ANYexo 2.0通过导纳控制将用户交互力映射为关节运动，平衡透明行为与主动辅助。

自适应与辅助即需控制（AAN）

AAN框架根据用户实时表现动态调整辅助水平。系统监测自主关节扭矩与运动精度，通过性能评估指数和轨迹跟踪误差调制支持力度，避免过度辅助阻碍运动学习，促进主动参与与神经康复。

人在环控制（HITL）

HITL策略整合视觉跟踪与气压调节，如软体外骨骼通过相机和图像处理软件检测手部位置，驱动气动系统正负压调节器。双侧控制利用Leap Motion捕获健侧手部关节角，映射至患侧外骨骼，结合VR视觉反馈与力传感器，维持用户主动参与。

被动支持与重力补偿

通过机械配重与重力补偿算法提供恒定向上扭矩，平衡手臂重量，使严重运动障碍患者能执行自主运动。SpringWear等系统通过对抗重力负荷，降低肌肉努力，适用于早期康复或家庭场景。

机器学习预测控制

通过融合sEMG、EEG与IMU数据，机器学习模型预测用户运动意图并生成外骨骼指令。系统学习用户神经肌肉信号模式，实现个性化意图驱动辅助，尤其适用于自主运动薄弱的早期康复阶段。

临床应用与成果

健康受试者验证研究

21项研究在健康人群中验证设备安全性、功能性与控制响应。NESM-γ展示精确扭矩跟踪与高透明度；CASIA-EXO实现3D轨迹追踪与运动精度提升；ML驱动系统在28名健康受试者中显示实时运动模式识别高准确度（外展与休息动作达90%）。四元数优化框架使EMG激活误差降低50%。

卒中患者研究

3项研究针对运动功能障碍人群。3D打印康复设备（RDT组）经8周训练后，Fugl-Meyer评估（FMA）和主动关节活动度（AROM）评分显著优于传统训练组（p<0.05），证明其改善肩肘移动性的有效性。肩部抬升外骨骼机器人通过10天干预，改善慢性卒中患者肩功能、自主肩屈曲及肘屈曲，抑制异常运动并减轻疼痛。

临床试验

两项试验证实外骨骼临床潜力。RDT组在FMA和AROM得分显著提升；肩部机器人干预后FMA-UE评分从14.8±5.2升至15.8±5.4（p=0.047），最大自主肩屈角从73.7°±34.2增至84.9°±39.0（p=0.047）。

挑战与局限

传感器噪声（如sEMG/EEG的运动伪影、电极位移）、卒中患者异常协同与痉挛降低信号保真度，影响实时控制鲁棒性。个体化算法校准耗时且需随疲劳状态调整。多模态系统存在复杂性高、成本昂贵及维护难问题，多数依赖有线连接与外部计算机，限制家庭应用。安全性与监管要求（如CE/FDA）需满足实时控制安全性，避免意外运动或损伤。尽管实验室研究显示积极成果，但大规模卒中临床试验仍较少，长期效果与泛化能力未经验证。

未来方向

人工智能与深度学习整合：深度神经网络解析传感器数据与人类意图间非线性关系，结合生物力学模型实现少校准泛化。四元数优化等方法的轨迹规划适配用户特异性。

可穿戴无线传感系统：纺织基传感器（IMU/压力/力传感）集成于服装，支持家庭康复连续监测。软体外骨骼结合嵌入式传感与无线通信，向自包含系统发展。

闭环神经康复：实时调整辅助水平基于生理反馈（如EMG/EEG），结合功能电刺激（FES）与机器人关节，通过AI自动发现康复平台期并调整方案。

结论

传感器驱动控制策略显著提升肩部康复外骨骼的智能化与适应性，但传感选择需权衡精度、鲁棒性、舒适度与实时性。电机驱动系统主导市场，结合力导纳或人在环控制；缆绳驱动与被动系统则适用于轻量与基础场景。EMG与IMU潜力尚未完全发挥，多模态融合展现前景。多数研究处于健康受试者或临床前阶段，需推进标准化协议、大样本试验与长期结局追踪。机器学习、无线传感与闭环神经康复框架将推动个性化、家庭化康复解决方案发展。