基于力动力学与sEMG信号的机器人辅助康复神经运动行为分析：健康与脑卒中后患者对比研究

《IEEE Transactions on Nuclear Science》：A Case Study Characterizing Healthy & Post-Stroke Neuromotor Behavior During 6D Upper-Limb Isometric Gaming: Implications for Design of End-Effector Rehabilitation Robot Interfaces

　　

摘要：

成功的机器人辅助康复需要设计能够促进健康运动练习的游戏和机器人干预方案。然而，特定用户的神经营养行为、游戏界面与物理机器人之间的相互作用，使得系统元素的设计——甚至是对哪些行为属于"健康"或"病理性"的界定——都极具挑战性。我们利用OpenRobotRehab 1.0开放数据集，探索了13名健康受试者和2名脑卒中后患者在执行末端效应器康复机器人的等长轨迹追踪任务时的力输出、肌肉激活及游戏表现特征。我们提出了一个评估，探讨界面设计的细微方面如何影响用户行为；对病理性神经营养行为如何反映在末端效应器力动力学中的探索性分析；以及一种基于表面肌电图（sEMG）信号在周期性运动中构建的新型隐马尔可夫模型（HMM）神经运动行为分类方法。我们证明了任务规范（包括哪些轴被约束以及用户如何解读追踪指令）会影响用户行为；病理相关特征在等长任务执行期间的6D末端效应器力数据中可以被检测到，但健康的神经营养策略具有异质性且本质上难以表征；以及我们的基于HMM的模型能够区分健康和脑卒中后的神经运动动力学，而基于协同的分解方法则无法体现这种区分。最后，我们讨论了这些结果对于设计适应性末端效应器康复机器人的意义，使其能够为不同用户群体促进更健康的运动策略。