《Frontiers in Neurology》:A narrative review of AI-driven stroke rehabilitation systems through the lens of human motor learning
编辑推荐:
这篇综述(narrative review)从人类运动学习(HML)的独特视角,系统梳理了人工智能(AI)驱动的脑卒中康复系统。它发现,当前系统多能促进患者的使用依赖性和基于感觉预测误差(SPE)的学习,但对治疗师自身的HML(即其临床技能的形成与调整过程)建模仍显不足。文章提出,未来若开发出能同时模拟多种HML进程、类似治疗师决策方式的控制器,并结合闭环神经调控与标准化临床评估,有望提升康复系统的个性化、适应性和临床转化潜力。
在康复医学的前沿,一场由人工智能(AI)技术引领的变革正在悄然发生。本文旨在从一个新颖的视角——人类运动学习(Human Motor Learning, HML)——来审视当前AI驱动的脑卒中康复系统。脑卒中作为全球范围内致残的主要原因,其导致的运动功能障碍严重影响患者生活质量。传统的神经康复建立在HML理论之上,治疗师通过引导重复性练习并根据患者进展和需求调整辅助策略来支持运动功能的重学。机器人辅助康复技术推进了这一进程,而近期的研究表明,AI驱动的系统能够超越早期技术,更好地适应患者行为。然而,一个值得注意的缺口是,很少有系统明确旨在从“物理辅助本身是一种运动技能”的视角,来复制治疗师的辅助行为。
背景:人类运动学习的多面性
要理解AI系统如何模仿或促进学习,首先需要了解HML本身。HML指的是通过练习和经验获得及适应运动技能的过程,涉及感觉反馈、认知加工、神经适应和记忆,最终导致相对持久的技能改变。HML理论可分为两大组:HML框架和HML进程。
HML框架描述了技能获取的阶段,主要包括三种范式:
- 1.
认知途径:以Fitts和Posner三阶段模型为代表,描述学习从高认知参与(认知阶段)到利用反馈优化(联想阶段),最后达到自动化执行(自主阶段)的进程。
- 2.
生态途径:以Gentile两阶段模型为代表,强调个体与环境的互动,初期目标是识别环境影响,后期目标则根据任务稳定性分化为固化(固定技能)或多样化(开放技能)。
- 3.
动力系统途径:以Bernstein三阶段模型为代表,关注身体自由度(DoFs)的控制,经历冻结(简化控制)、探索(释放关节、探索新模式)和利用(利用身体力学实现高效)三个阶段。
此外,最优反馈控制(OFC) 等较新框架从计算视角提出,运动系统通过最小化任务特定成本(如误差或努力)来生成动作,并选择性利用感觉反馈进行纠正,开始桥接人类运动行为理论与机器人控制中的计算方法。
而HML进程则是驱动技能获取和适应的核心动力,贯穿于上述各个阶段,主要包括四个核心进程:
- 1.
强化学习(Reinforcement Learning, RL):基于行动预期奖励与实际奖励的差异(奖励预测误差)来学习,与基底神经节的多巴胺信号相关。
- 2.
基于感觉预测误差的学习(Sensory Prediction Error-based Learning, SPE-based Learning):基于预期感觉输入与实际感觉输入之间的差异驱动学习,对于适应扰动和重新校准内部模型至关重要,主要神经关联在小脑。
- 3.
基于策略的学习(Strategy-based Learning):一种更外显的学习过程,涉及有意识地根据目标-表现误差来选择和调整行动,与前额叶皮层活动相关。
- 4.
使用依赖性学习(Use-dependent Learning):主要由重复驱动,通过反复执行某一运动模式,使运动行为逐渐偏向于先前执行过的动作,与初级运动皮层的变化相关。
观察学习和运动表象等其他机制也能调制这些进程。治疗师的临床专业知识正是这些进程在不同时间尺度上相互作用的结果,包括通过长期临床实践巩固技能,以及在单次治疗中根据患者表现进行实时调整。
康复技术与HML的融合
基于HML理论,多种康复技术被开发出来:
- •
辅助机器人:包括末端执行器设备和机器人外骨骼,通过提供标准化、高强度的重复性运动训练,主要利用使用依赖性学习原理。目前的挑战在于许多系统采用固定的辅助策略,缺乏动态适应性。
- •
虚拟现实(VR)与增强现实(AR):创建沉浸式互动环境,通过提供多感觉反馈和特定任务场景,有助于促进基于策略的学习和SPE学习,并能提升患者参与度和动机。但其场景通常较为通用,自适应能力有限。
- •
神经调控技术:如功能性电刺激(FES)、经颅直流电刺激(tDCS)、经颅磁刺激(TMS)等,旨在调节神经兴奋性和增强皮层可塑性,为运动训练提供神经准备。但多数方案是开环的,自适应闭环系统较少。
- •
基于视觉的系统:利用摄像头和姿态估计算法监测运动并提供指导,无需穿戴传感器,促进了使用依赖性学习和强化学习(通过游戏化反馈)。
方法论:建立AI模型与HML的桥梁
本综述专注于那些能够主动影响治疗交付(如调整机器人辅助、任务难度或反馈)的AI驱动康复系统。为了客观地比较机器学习模型与HML进程,研究采用了Marr的三层次假说,从计算层次(目标)和算法层次(实现方式)对四个核心HML进程进行了精确定义,并以此建立了分类标准:
- •
使用依赖性学习:由重复和新近性驱动,功能上等同于基于数据频率更新的模型(如K近邻)。
- •
SPE学习:利用感觉预测误差更新内部前向/逆模型,与通过预测误差最小化进行学习的模型(如传统神经网络、卷积神经网络、递归神经网络)最相似。
- •
基于策略的学习:通过外显的行动选择规则来减少目标误差,与基于规则的机器学习模型(如决策树、神经模糊模型)功能最相似。
- •
强化学习:与机器学习中的强化学习范式有最清晰的对应,核心是奖励信号的存在。
需要注意的是,HML进程由其功能而非形式定义。因此,同一个机器学习模型(如人工神经网络)在不同功能上下文中可能代表不同的HML进程。
结果:当前AI康复系统图景
通过对近年文献的叙事性回顾,可以发现:
- •
技术分布:辅助机器人构成了被综述系统的主体(19项),其次是基于视觉的系统(3项)、神经调控(3项)、其他系统(3项,如AI治疗师、社交辅助机器人)和VR/AR系统(2项)。
- •
HML促进情况:大多数系统主要促进了患者的使用依赖性学习和SPE学习。对强化学习或基于策略学习的促进相对有限。许多系统在功能上隐含地代表了一到两种HML进程。
- •
HML建模情况:在机器学习的模型中,与SPE学习功能相似的模型占主导(如CNN、LSTM、GMM等),其次是基于策略学习的模型(如神经模糊、规则模型),强化学习模型和使用依赖性学习模型相对较少。在一个控制器中明确对多种HML进程进行建模的情况仍然罕见。
具体系统分析
- 1.
辅助机器人:广泛用于上肢(手臂、手腕、手)和下肢(踝、步态)康复。常用肌电(EMG)、交互力、运动学等传感器来估计用户意图。机器学习模型多用于运动分类、意图预测和自适应辅助控制,实现了较高的技术性能(如分类准确率>90%)。然而,临床验证多局限于小样本可行性研究,报告功能量表(如Fugl-Meyer评估)改善的研究较少。
- 2.
VR/AR系统:如用于镜像治疗的AR智能眼镜和用于姿势分析的VR平台,能促进使用依赖性和SPE学习。技术性能强劲,但临床证据仍处于概念验证阶段。
- 3.
基于视觉的系统:利用OpenPose、MediaPipe等CNN进行姿态检测和运动分析,提供纠正性反馈,促进了使用依赖性、强化和基于策略的学习。一项针对吞咽障碍的AI游戏化系统显示了积极的临床结果。
- 4.
神经调控:该领域结合AI的文献较少。一篇概念性论文提出了使用RNN分析脑电图(EEG)/功能磁共振成像(fMRI)以驱动闭环个性化刺激的方案,模拟了SPE学习,但尚未进行临床测试。
- 5.
其他系统:包括能复制治疗师口头提示的AI治疗师、用于家庭手部康复的智能手套以及提供个性化纠正反馈的社交辅助机器人。这些系统促进了多种HML进程,其模型多与SPE学习或基于策略学习相似。
讨论与未来方向
- 1.
证据强度与空白:多数研究展示了良好的技术指标和生物力学改善,但缺乏大规模临床试验、标准化临床结局评估以及长期保留效应的研究。未来的系统可以考虑整合“智能”的表现结果反馈(KP)和知识结果反馈(KR),并以自适应 schedule 提供,以更全面地促进HML进程。
- 2.
HML功能相似性的假设:本文提出一个可检验的设计假说:治疗师的稳健性源于其能根据上下文无缝整合多种HML进程。因此,未来开发能够表征并仲裁SPE纠正、强化适应、策略制定和使用依赖性偏见的多进程、治疗师启发式控制器,可能比单进程方法更具鲁棒性和临床效益。这为弥合治疗师适应性与当前康复技术之间的差距提供了理论框架。
- 3.
闭环神经调控的机遇:尽管在本综述中代表性不足,但闭环神经调控(如基于脑机接口反馈调整刺激参数)在其他神经系统疾病中已显示优势(如提高疗效、减少刺激时间)。将其与HML框架结合,例如用强化学习模型根据任务表现优化刺激参数,是未来一个有前景的方向。
- 4.
标准化、个性化与泛化:领域面临的核心挑战包括缺乏标准化的性能基准。未来研究应建立整合了临床量表、长期保留测试和跨患者泛化评估的共享基准。同时,需要在不同损伤程度、康复阶段和人群中进行测试,以验证系统的泛化能力和临床适用性。
结论
当前,AI驱动的脑卒中康复系统在促进患者运动学习方面已展现出潜力,尤其在实现高强度、重复性训练(使用依赖性学习)和提供适应性辅助(SPE学习)方面。然而,在明确建模治疗师的多进程HML专业知识方面仍处于早期阶段。展望未来,通过开发治疗师启发式的多进程控制器、推动AI驱动的闭环神经调控、并结合严格的标准化临床基准测试,有望实现更加个性化、自适应且有效的康复解决方案,最终支持这些技术向常规临床实践的转化。