基于传感器的手部与上肢运动意图识别在中风后康复中的应用：一项范围综述

《Sensors》：Sensor-Based Hand and Upper-Limb Movement Intention Recognition in Post-Stroke Rehabilitation: A Scoping Review

　　

背景：基于传感器的系统日益使中风后康复设备能够推断自主运动意图并对主动努力做出响应，但不同研究在传感模态、目标运动、识别方法和应用方面差异显著。本综述旨在绘制中风后基于传感器的手部和上肢意图识别的研究图谱。方法：遵循Population-Concept-Context框架和PRISMA-ScR指南，检索了PubMed、Embase、CINAHL、MEDLINE和PEDro数据库从建库至2026年7月21日的文献，并于2026年9月24日补充检索IEEE Xplore。纳入标准为使用基于传感器的系统对成人中风患者的自主手部或上肢运动进行分类、解码、触发、评估或提供反馈的研究，并进行叙述性综合。结果：在1576条记录中，有17项研究符合条件：5项基于肌电图（EMG）或肌电控制系统、7项基于脑电图（EEG）/脑机接口（BCI）系统、2项EMG触发的功能性电刺激（FES）系统、以及3项多模态评估或反馈系统。目标运动主要包括手部张开/闭合、抓握、手指、手腕或够取运动。应用范围涵盖与意图相关的生理评估、运动/表现反馈，以及对机器人、矫形器、外骨骼和FES的实时闭环控制。真正的多模态传感器融合并不常见。结论：中风后基于传感器的意图响应式康复主要通过并行发展的EMG基础和EEG/BCI基础两条路径推进，多模态整合有限且缺乏标准化框架。本综述区分了直接意图解码、传感器触发控制、运动/表现反馈以及与意图相关的生理评估四种功能角色；未来研究应一致地应用这些区分，并推动多模态整合与临床验证。

1. 1.
   引言

中风仍然是全球导致死亡和残疾的主要原因之一。2021年全球约有1190万新发中风病例，且与中风相关的残疾负担持续增加。在上肢运动障碍的各种后果中，上肢损伤尤其重要，因为它直接影响独立性、自理能力和日常生活参与。高达85%的中风幸存者会出现一定程度的上肢轻瘫，约一半患者在慢性期仍存在上肢或手部功能障碍。持续的臂部和手部功能障碍通常限制够取、抓握、进食、穿衣和洗漱等活动，使上肢恢复成为中风后康复的核心目标。

传统的中风后上肢康复通常依赖重复任务练习、治疗师指导的运动、神经肌肉再教育和功能性训练。尽管这些方法仍然至关重要，但它们可能受到治疗师可用性、运动质量变异性、强度不足以及难以提供精确实时反馈的限制。为此，技术辅助康复越来越多地被探索用于支持重复、密集和反馈驱动的训练。机器人设备、功能性电刺激（FES）、矫形器、外骨骼、虚拟环境、可穿戴传感器和脑机接口（BCI）系统均被研究用于增强中风后的上肢恢复。

实时技术引导在中风后上肢康复中也包括超声成像，它可以在痉挛管理期间改善解剖定位和干预精度。这种影像引导的应用在临床上具有重要意义，但在概念上与运动意图识别不同，因为它支持解剖评估和治疗靶向，而非解码自主运动意图。

技术辅助康复的一个关键组成部分是系统检测或推断用户自主运动意图的能力。基于传感器的运动意图识别可以使康复设备响应用户的主动努力，而不是提供被动或预设的辅助。例如，肌电图（EMG）可用于检测残余肌肉激活，基于脑电图（EEG）的BCI可以识别运动想象或与运动相关的脑活动，而运动或力传感器可以提供关于运动执行、代偿或任务表现的信息。这些信号可用于触发电刺激、驱动机器人辅助、控制手部矫形器、提供反馈或分类预期的手部和上肢运动。这种闭环或意图响应系统对于促进中风后康复期间的主动参与和感觉运动整合尤为重要。

为了概念清晰，本综述区分了传感的四种功能角色：(1) 意图解码，即利用传感器信号推断预期运动或运动状态；(2) 传感器触发控制，即检测到的自主活动启动或调节康复设备或干预措施；(3) 运动/表现反馈，即利用传感器导出的关于执行运动、代偿或任务表现的信息指导康复；(4) 与意图相关的生理评估，即与自主上肢任务相关的生理信号表征任务相关反应，而不直接控制康复设备。

尽管兴趣日益增长，关于中风后上肢康复中基于传感器的意图识别的文献仍然异质性很大。不同研究在传感模态、目标运动、算法、控制策略、康复设备、反馈方法、受试人群和验证方法方面差异显著。一些研究侧重于EMG驱动或肌电控制，而另一些则使用基于EEG的BCI、FES、机器人手部设备、可穿戴接口或多模态反馈系统。然而，许多基于技术的康复研究报告了临床效果，但没有清晰描述意图识别机制，同时许多工程学研究侧重于信号分类或设备控制，而没有足够的康复临床背景。因此，目前尚不清楚基于传感器的意图识别如何在中风后上肢康复研究中实施，以及该领域在多模态传感器集成方面取得了多大进展。

以往的综述已经考察了相关领域，如用于中风后上肢评估和治疗的可穿戴传感器、用于上肢康复的BCI控制电刺激以及机器人辅助上肢康复。然而，这些综述通常侧重于特定技术、治疗效果或评估方法。据研究人员所知，中风后康复中基于传感器的手部和上肢运动意图识别的更广泛格局尚未得到充分绘制。特别是，需要阐明使用了哪些传感模态、针对何种类型的手部或上肢运动、应用了哪些识别或控制方法、系统是在离线还是实时条件下测试、以及它们是否与康复机器人、矫形器、电刺激或基于反馈的训练相结合。

因此，本范围综述旨在系统地探索和绘制中风后康复中用于手部或上肢运动意图识别的基于传感器的方法。具体而言，本综述确定了传感模态、目标运动、算法、受试者特征、验证方法、实时适用性、与康复机器人或手部矫形器的集成、康复应用水平以及多模态传感器集成的程度。通过绘制这些特征，本综述旨在阐明当前研究趋势并确定证据空白，从而为未来开发面向中风幸存者的传感器驱动、意图响应式康复系统提供指导。

1. 2.
   方法

2.1. 研究设计

本范围综述旨在绘制中风后康复中基于传感器的手部和上肢运动意图识别的现有文献。选择范围综述设计是因为本综述的目的不是确定干预有效性，而是识别在一个新兴且异质的研究领域中基于传感器的方法、系统特征、康复应用和证据空白的范围。

本综述遵循范围综述的方法学框架进行，并根据系统评价和荟萃分析优先报告条目扩展版-范围综述（PRISMA-ScR）进行报告。本范围综述的方案已在开放科学框架（OSF）中回顾性注册。

2.2. 资格标准

资格标准根据Population-Concept-Context框架制定。详细的纳入和排除标准见表1。

2.3. 信息来源和检索策略

符合条件的研究通过电子检索PubMed、Embase、CINAHL、MEDLINE和PEDro数据库从建库至2026年7月21日的文献来确定。灰色文献被排除在检索过程之外。检索策略结合了与中风、上肢或手部功能以及基于传感器的意图识别或控制相关的术语。检索词包括“stroke”、“post-stroke”、“cerebrovascular accident”、“hemiplegia”或“hemiparesis”；“upper limb”、“upper extremity”、“arm”、“hand”、“wrist”、“finger”、“grasp”或“reach”；以及“EMG”、“sEMG”、“myoelectric”、“EEG”、“BCI”、“sensor”、“wearable sensor”、“IMU”、“camera”、“Kinect”、“Leap Motion”、“robot”、“orthosis”、“exoskeleton”、“functional electrical stimulation”、“intention recognition”、“motor intention”、“movement classification”、“gesture recognition”、“movement decoding”、“volitional control”、“sensor fusion”或“data fusion”。检索策略根据每个数据库特定的语法和索引词进行了调整。应同行评审要求，于2026年9月24日额外检索了IEEE Xplore，使用中风、上肢、传感器/机器人/意图识别和随机试验概念，以加强对工程、机器人、BCI、信号处理和传感器融合文献的覆盖。IEEE Xplore检索产生了33条记录。检索结果导出到Microsoft Excel，并在标题和摘要筛选前删除重复记录。未使用其他识别方法，包括手动参考文献列表筛选。原始生物医学和康复数据库检索于2026年7月21日完成，而补充的IEEE Xplore检索于2026年9月24日完成。因此，这些日期指的是不同的检索阶段，而非单一的共同检索截止日期。补充表S1提供了完整的数据库特定策略，包括生物医学数据库的字段标签和索引改编、更广泛的PEDro手动筛选检索以及包含试验相关术语的完整IEEE Xplore布尔查询。

2.4. 研究选择

剩余记录的标题和摘要由两名评审员独立根据资格标准进行筛选。判断可能相关的报告被检索以进行全文评估。选择过程分为两个阶段。首先，筛选标题和摘要以排除明显不相关的记录，包括与中风、上肢康复、基于传感器的系统、意图识别、控制或反馈无关的研究。其次，根据Population-Concept-Context标准评估全文或足够详细的报告的资格。如果在全文阶段报告未报告与运动意图识别、运动分类、运动解码、设备控制、基于传感器的反馈或康复应用相关的结果；如果干预或系统与基于传感器的上肢意图识别或控制无关；或者如果研究设计不符合资格，则予以排除。

所有49篇全文报告均由两名评审员各自独立评估。49篇全文报告中达成一致的有46篇。关于剩余三篇报告的分歧通过与第三名评审员的讨论和协商，基于预定义的资格标准得以解决。解决后，17项研究满足所有资格标准并被纳入最终综述。

2.5. 数据图表化

数据由一名评审员使用标准化提取表格进行图表化，并由第二名评审员独立核实。需要解释性判断的分类，包括康复应用水平、多模态传感器集成水平以及传感的功能角色，由两名评审员独立审查。分歧通过讨论解决，必要时咨询第三名评审员。提取了以下信息：作者和发表年份、国家、研究设计、受试者特征、中风阶段（如有报告）、样本量、传感模态、设备或康复系统、控制或识别方法、目标运动或任务、算法或信号处理方法、验证方法、性能或临床结果、实时适用性、机器人、矫形器、FES或反馈集成、康复应用水平、多模态传感器集成水平、主要发现以及作者报告的主要局限性。

传感模态被归类为基于EMG、基于EEG/BCI、EMG触发的FES或游戏系统、多模态评估或反馈系统以及机器人/矫形器集成系统。

2.6. 数据综合

进行了描述性综合。纳入的研究被汇总成表格，并根据传感模态、控制或识别方法、目标运动和康复应用水平进行分组。

为了综合，传感器使用进一步分类为意图解码、传感器触发控制、运动/表现反馈或与意图相关的生理评估。仅用于生理或机制评估的传感器不被解释为有助于多模态意图解码，除非其信息直接有助于识别或设备控制。

康复应用水平分类如下：仅离线分类或信号分析；实时识别或控制；机器人、矫形器或FES控制；康复训练反馈；临床康复应用。

多模态传感器集成水平分类如下：单传感器方法；多个传感器仅用于评估；同一康复系统中使用多个传感器；用于意图识别或控制的真正传感器融合。

研究结果通过叙述性方式综合，以识别当前研究趋势、常用传感模态、目标运动类型、控制和反馈策略、临床应用水平以及剩余的证据空白。由于本范围综述的目的是绘制文献的范围和特征，而非评估干预有效性，因此未对单个证据来源进行严格的质量评估。