机器人辅助步态训练可改善偏瘫患者的特定阶段 torque 产生能力、平衡能力以及运动功能恢复
G?khan ?zko?ak、Ecem Sorucu 和 Rocco Salvatore Calabrò
《Sensors》:Robot-Assisted Gait Training Enhances Phase-Specific Torque Generation, Balance, and Motor Recovery in Hemiplegia
G?khan ?zko?ak,
Ecem Sorucu and
Rocco Salvatore Calabrò
【字体:
大
中
小
】
时间:2026年05月08日
来源:Sensors 3.5
编辑推荐:
摘要
步态功能障碍是中风后常见的致残后果,通常与下肢扭矩生成能力下降和平衡能力减弱有关。机器人辅助步态训练(RAGT)已成为一种有前景的干预方法;然而,其在不同阶段的生物力学效应尚未得到全面探讨。本初步机制研究调查了Walkbot辅助步态训练对单侧偏瘫患者不同阶段下肢扭矩及临
摘要
步态功能障碍是中风后常见的致残后果,通常与下肢扭矩生成能力下降和平衡能力减弱有关。机器人辅助步态训练(RAGT)已成为一种有前景的干预方法;然而,其在不同阶段的生物力学效应尚未得到全面探讨。本初步机制研究调查了Walkbot辅助步态训练对单侧偏瘫患者不同阶段下肢扭矩及临床结局的影响。15名偏瘫患者接受了Walkbot辅助步态训练,关节扭矩值被转换为体重单位(Nm/kg)。研究分析了受影响和未受影响肢体的摆动阶段和支撑阶段的特定阶段扭矩,并使用Wilcoxon符号秩检验评估了训练前后的差异。功能平衡和运动障碍通过Berg平衡量表(BBS)和Fugl–Meyer下肢评估(FMA-LE)进行评估。结果显示,两个步态阶段的扭矩均显著增加:受影响肢体的摆动阶段扭矩从中位数的0.261 Nm/kg增加到0.361 Nm/kg,未受影响肢体的摆动阶段扭矩从中位数的0.254 Nm/kg增加到0.334 Nm/kg(p ≤ 0.017);支撑阶段扭矩也有所增加。临床结局显著改善,BBS评分从中位数的22.0分增加到34.0分,FMA-LE评分从中位数的14.0分增加到24.0分(p = 0.001)。Walkbot辅助步态训练不仅促进了特定阶段扭矩的提升,还改善了平衡能力和下肢运动功能。
1. 引言
步态障碍是中风后最持久且功能受限的后果之一,影响超过60%的幸存者,显著降低了他们的独立性、增加了跌倒风险并导致长期残疾[1,2]。康复技术的进步推动了机器人辅助步态训练(RAGT)的发展,如Walkbot这样的系统通过任务特定的、重复性的和富含反馈的步态疗法为运动功能恢复提供了有希望的解决方案。Walkbot外骨骼系统在步行过程中提供下肢关节辅助,具有可调节的参数,如体重支撑、步速和阻力,从而实现个性化的神经肌肉参与和治疗进展。自21世纪初以来,RAGT已从基于跑步机的被动模型发展为先进的、集成传感器的机器人外骨骼,能够促进动态关节控制和神经可塑性适应[3,4]。这些机器人干预措施不仅影响总体运动功能,还影响关节扭矩、力矩生成和肢体间协调等生物力学参数,这些参数对于恢复正常的步态模式至关重要[5,6]。然而,尽管临床文献不断增多,但机制层面的证据仍然相对有限,因为许多研究侧重于时空或运动学结果,而较少报告反映步态过程中力生成能力的动力学指标(如特定阶段关节扭矩)[5,6]。这限制了不同研究之间的可比性,并限制了对哪些步态子成分(如肢体推进与重量承受)对机器人训练反应最敏感的理解。
在动力学指标中,膝关节力矩——特别是在支撑阶段(肢体承重时)和摆动阶段(肢体悬空时)的主动伸展/屈曲扭矩——因与肢体推进、承重和蹬地机制的直接相关性而受到越来越多的关注。支撑阶段和摆动阶段在生物力学上具有不同的功能需求,因此为解释阶段依赖的关节力矩适应性提供了有用的框架。支撑阶段是脚接触地面并承载体重的时期;此期间发生重量转移、稳定性生成和推进[7]。摆动阶段是脚离开地面并向前移动的时期;协调的膝关节屈曲和踝关节背屈有助于步态的规范化和脚的 clearance[8]。
在支撑阶段,瘫痪肢体通常表现出膝关节伸展扭矩的显著下降,影响安全重量转移,同时踝关节跖屈扭矩也降低,导致终端支撑阶段的蹬地力不足。许多患者的髋关节伸展扭矩也可能降低和/或时机不当。相比之下,非瘫痪肢体在支撑阶段通常表现出膝关节和髋关节伸展扭矩的代偿性增加。虽然这种代偿可能支持短期稳定性,但也可能增加非瘫痪肢体的机械负荷,并导致长期不对称。Walkbot辅助训练提供了重复的、特定阶段的步态练习,有助于神经肌肉再教育;然而,其效果的生物力学机制尚未完全理解。特别是Walkbot训练是否能够改变中风后偏瘫患者的特定阶段扭矩生成模式并减少动力学不对称性仍不清楚。现有研究表明,干预时机、中风的慢性程度以及个体反应的差异进一步复杂化了结果的解释和最佳治疗剂量的确定[2,9]。缺乏标准化的生物力学结局测量方法,加上有限的长期随访,限制了数据综合和跨研究得出可靠结论的能力。
鉴于这些差距,本研究旨在通过量化受影响和未受影响肢体在摆动阶段和支撑阶段的特定阶段下肢扭矩生成情况,并确定扭矩变化是否伴随着使用Berg平衡量表(BBS)评估的功能平衡改善,来评估Walkbot辅助步态训练的影响。除了生物力学缺陷外,与中风相关的步态功能障碍还受到下肢运动障碍的强烈影响。Fugl–Meyer下肢评估(FMA-LE)被广泛用于量化中风相关的运动功能恢复,评估反射活动、运动协同性和选择性自愿控制。由于关节扭矩的改善可能反映了补偿策略或真正的运动恢复,结合FMA-LE等损伤水平测量方法为解释生物力学适应性提供了关键的临床背景。
通过利用Walkbot系统的集成传感器架构,本研究利用关节水平的动力学和运动学信号作为步态适应的客观生物标志物,反映了嵌入式传感技术在定量神经康复研究中日益重要的作用。据我们所知,这是首次结合已建立的临床结局测量方法评估中风康复中机器人辅助步态训练的特定阶段扭矩特征的研究。通过整合步态阶段依赖的神经力学输出与临床评估参数,本研究超越了传统的功能报告,提供了对机器人步态训练如何影响可观察到的恢复及其潜在生物力学机制的更全面理解。
2. 材料与方法
这是一项回顾性的单组前后干预研究,旨在评估Walkbot辅助步态训练对偏瘫中风患者的生物力学效应。研究遵循STROBE指南,并获得了大学伦理委员会的批准(批准号E-10840098-202.3.02-5668)。所有参与者均签署了书面知情同意书。研究的各个阶段均遵循赫尔辛基宣言的伦理原则进行。研究的工作流程包括数据采集、信号处理、特征提取和统计分析,流程图如图1和图2所示。首先在Walkbot辅助步态训练过程中使用集成传感器系统采集关节扭矩和运动学信号,实时识别步态阶段并与扭矩信号同步,随后进行离线数据质量筛查和基于阶段的分割。计算受影响和未受影响肢体在摆动阶段和支撑阶段的特定阶段扭矩值。最后,使用非参数前后比较方法分析提取的生物力学数据,并结合临床结局数据进行解读。这种结构化的流程旨在确保透明度、可重复性和传感器衍生的生物力学数据与功能结果之间的明确关联。
2.1. 参与者
本研究共有15名因中风诊断为偏瘫的成人参与者。参与者招募时间为2024年7月至2025年6月。纳入标准如下:
- 年龄:40–75岁;
- 中风后6个月内临床诊断为偏瘫;
- 能够遵循口头指令(简易精神状态检查)。
排除标准如下:
- 固定关节挛缩或影响步态的骨科障碍;
- 严重的心肺不稳定;
- 最近6个月内有下肢手术史;
- 严重的认知或行为障碍。
参与者使用Walkbot-G机器人步态系统(P&S Mechanics,首尔,韩国)进行了为期5周的训练。每次训练平均持续45分钟,或直到患者走完1000步,每周进行3次(总共15次)。训练参数(体重支撑、步长和步行速度)由经验丰富的物理治疗师个体化调整。研究期间未同时进行其他治疗。
2.2. 生物力学测量
使用Walkbot的集成传感器系统记录双侧膝关节扭矩值,该系统在整个步态周期中捕捉关节运动学数据。数据提取了两个步态阶段:摆动阶段和支撑阶段(图3)。
- (a)髋关节和膝关节的循环图。
- (b)左右摆动阶段和支撑阶段主动扭矩变化的示例。数据在干预前(第一次训练)和干预后(最后一次训练)的两个时间点采集。根据偏瘫侧别将数据分为受影响和未受影响的腿部,并计算每个患者的总扭矩值。
在Walkbot辅助训练期间,传感器衍生的扭矩流被持续记录并与实时步态阶段标签(摆动/支撑)同步。离线处理包括数据质量筛查和基于阶段的分割,以分离受影响和未受影响肢体的摆动阶段和支撑阶段特定扭矩样本。对于每位参与者,使用中位数和离散度量总结特定阶段扭矩结果,并使用非参数配对检验评估训练前后的差异。生物力学数据处理基于Walkbot系统的集成输出。关节扭矩信号被连续记录,设备的内置传感器处理系统实时识别步态阶段。由于详细的内部阶段检测算法是专有的,因此无法提供确切的阈值和计算规则供独立报告。因此,本分析使用了系统生成的摆动/支撑阶段标签。
数据导出后,进行离线审查以确保完整性和信号质量。排除对应于不完整步态周期或明显记录异常的数据段。剩余数据按步态阶段和肢体侧别分组,分别计算受影响和未受影响肢体的摆动阶段和支撑阶段的中位扭矩值。功能平衡使用BBS进行评估,这是一种经过验证的、广泛使用的静态和动态平衡测量工具。BBS包含14项基于表现的任务,评估功能性活动中的姿势控制和平衡能力,得分范围为0至56分,得分越高表示平衡能力越好。瘫痪下肢的运动障碍使用FMA-LE进行评估,这是一种经过验证的、广泛用于中风特定运动的测量工具。FMA-LE评估反射活动、运动协同性和选择性自愿控制,总分为0至34分,得分越高表示运动障碍越轻。
2.3. 统计分析
所有统计分析均使用SPSS(版本26;IBM Corp.,阿蒙克,纽约,美国)进行。由于样本量小且变量分布非正态,连续数据以中位数(IQR)表示。使用Wilcoxon符号秩检验评估受试者内部的训练前后差异。统计显著性定义为双尾p值<0.05。
表1提供了Walkbot系统的基于传感器的架构和测量能力的概述,强调了其作为康复设备和定量步态评估平台的角色。
2.4. Walkbot系统架构和基于传感器的能力
Walkbot机器人步态训练系统是一种集成传感器的下肢外骨骼,旨在在步态过程中提供可编程的、特定阶段的辅助,同时实现客观的生物力学数据采集。除了治疗作用外,Walkbot还作为基于传感器的测量平台,符合神经康复研究中对可穿戴和嵌入式传感器的日益重视[10,11]。Walkbot是一种机器人辅助步态训练系统,适用于使用下肢外骨骼结构的体重支持跑步机康复。根据现有的技术和临床描述,Walkbot被描述为一个结合部分体重支持、矢状面机器人步态引导和实时生物力学反馈的系统。在已发表的研究中,Walkbot_G版本被描述为带有袖口和绑带的六个驱动矫形器,这些矫形器连接到患者的下肢,髋关节、膝关节和踝关节在矢状面的步态周期中受到驱动。Walkbot的一个特点是它不仅是一种训练设备,还是一个具有测量功能的康复平台。有研究指出,可以使用位于执行器和矫形器之间的力传感器确定髋关节和膝关节扭矩,这是关于Walkbot内部传感架构最明确的公开声明之一。同一项研究指出,前置显示器能够在训练过程中提供关于髋关节和膝关节的主动扭矩、阻力扭矩以及运动学信息的实时视觉反馈[6]。从生物力学的角度来看,这意味着Walkbot至少整合了三个功能层次:首先,它为下肢关节提供机器人引导;其次,通过外部 harness 支撑系统实现身体重量的卸载;第三,它提供定量级的关节生物反馈,可用于监测训练期间的步态相关运动学和动力学数据。文献进一步支持这一解释,将Walkbot描述为一个配备了六自由度执行器的外骨骼系统,用于髋关节、膝关节和踝关节,并结合了虚拟现实技术和可调节的部分体重悬挂支撑装置。该论文还指出,该系统能够提供髋关节、膝关节和踝关节运动扭矩、运动学以及主动和阻力刚性的实时视觉和触觉生物反馈[12]。根据这些研究,与传感器直接相关的特征主要集中在髋关节和膝关节模块上。Walkbot_G研究明确指出,在执行器与矫形器之间使用了力传感器来计算膝关节和髋关节的扭矩。这一点很重要,因为它表明Walkbot不仅依赖于轨迹 replay,还能捕捉到步态过程中的交互相关动力学信息。上述研究进一步详细说明了Walkbot使用伺服电机和专用编码器来控制髋关节、膝关节和踝关节的轨迹,这些编码器记录关节角度、角速度和加速度信号,然后对这些信号进行处理和转换,以计算与行走过程中作用在身体部位上的主动和阻力力相关的变量。尽管论文强调了髋关节和膝关节的刚性和/或扭矩结果,但它明确表示,其底层运动感测基础设施涵盖了这三个下肢关节。在踝关节层面,研究报告中提到添加了弹簧加载的布带,在摆动阶段促使踝关节背屈,这是一个直接记录的机械特性。然而,与髋关节和膝关节的感测相比,论文并未以相同的方式明确记录踝关节的力传感器。因此,最安全的解释是踝关节模块在步态辅助和运动学协调中起着积极作用,但关于专门用于踝关节扭矩感测的公开证据不如髋关节和膝关节那么充分。
研究明确指出,Walkbot采用了一种基于阻抗的控制模式。在这种模式下,设备作为一个交互式的阻力-辅助系统,允许患者根据外骨骼产生的阻抗力进行移动。作者解释说,在较低的阻抗水平下,系统提供更大的阻力辅助作用,以帮助患者主动完成目标动作;而在较高的阻抗水平下,则引导下肢沿着更预设的轨迹运动。同一部分还指出,Walkbot能够提供与踝关节-膝关节-髋关节段运动学和动力学协调相关的实时信息[6]。这使得Walkbot不仅在作为重复性步态训练设备方面具有生物学意义,同时也适用于患者参与的训练系统。实际上,根据阻抗和辅助程度的设置,该设备可以被理解为介于完全强制的机器人步进和部分交互式运动训练之间。研究提供了关于如何为每位患者配置Walkbot的临床有用描述,指出将人体测量数据和临床数据编码到Walkbot系统中,以创建个体化的最佳步态运动学和动力学参数。患者进入设备后,穿戴悬挂背心,髋关节、膝关节和踝关节与相应的外骨骼执行器对齐。初始的身体重量支撑设置为大约40%-50%,并且会随着训练次数的增加而逐步增加,行走速度从约1.0-1.2公里/小时开始,最多可提升至患者的耐受限度,最高可达3.0公里/小时。从生物力学的角度来看,这种正确的解剖学关节与机器人轴之间的对齐对于减少异常剪切力、改善扭矩传递以及促进辅助步态训练中的更生理性的分段运动至关重要。系统使用编码的人体测量数据表明,Walkbot是针对个体化的下肢运动学特征量身设计的,而不仅仅是一种通用步进模式。
Walkbot的感测和控制系统似乎特别适合监测和调整步态周期中的几个关键事件。在支撑阶段,髋关节和膝关节的关节扭矩以及身体重量支撑设置会影响患者所承受的负荷以及下肢对施加载荷的抵抗或辅助方式。由于系统能够报告主动扭矩和阻力扭矩,因此可以区分与预期关节运动方向相同的运动和相反方向的运动抵抗交互。在摆动阶段,踝关节组件变得尤为重要。研究特别提到了使用弹簧加载的布带来促进摆动期间的踝关节背屈,这有助于脚趾离地并减少摩擦。同时,髋关节和膝关节的驱动继续引导整个步态周期的分段运动。研究结果还表明,Walkbot能够检测到与步态相关的生物学变化,训练后髋关节最大屈曲度、最大伸展度和最大屈膝度显著提升,同时主动膝扭矩增加,阻力髋扭矩减少。这些发现表明,基于Walkbot的训练不仅可以影响步态质量,还能影响运动学和动力学表现。
Walkbot配备了双侧驱动的髋关节、膝关节和踝关节,每个关节都由电动机和高分辨率关节编码器驱动。关节扭矩是通过嵌入式扭矩传感器和基于电机电流的估计算法实时估算的,这种方法已被证明可以在机器人辅助行走中提供可靠的关节级动力学输出代理。基于电机电流的扭矩估算基本原理是主动机器人矫形器中的标准方法[6],可以用以下公式表示:
(1)
其中τ估计值是关节扭矩,K_mot是电机扭矩常数,I_mot是测量得到的电流,f_system是系统内部摩擦,g_comp是外骨骼肢体的重力补偿。
为了确保根据标准生物力学实践进行跨受试者可比性[7,13],绝对关节扭矩值被标准化为每个参与者的体重。标准化后的相位特定扭矩(τ_phase)的计算公式如下:
(2)
其中mparticipant是参与者的体重(公斤),最终结果单位为Nm/kg。
这些扭矩信号被连续采样并与步态阶段信息同步,从而能够在摆动和支撑阶段提取相位特定的扭矩曲线。这种关节级的动力学数据提供了关于力量生成能力和神经肌肉参与度的客观见解,这是单凭时空测量无法获得的[14]。由于绝对扭矩值受体重影响,所有关节扭矩测量值都经过体重标准化,并以Nm/kg为单位报告。这种标准化提高了个体间的可比性,并增强了动力学结果的生物学解释性。
通过多传感器融合实现了步态周期的精确分割,结合了关节角度轨迹、角速度信号以及从运动学阈值导出的脚-地面交互线索。这种方法能够逐步识别支撑阶段和摆动阶段,并支持机器人辅助的实时调节[15]。虽然具体的内部阈值在商业上是保密的,但用于实时相位转换的通用传感器融合逻辑可以数学上表示为一个条件状态函数,这与外骨骼研究中常用的有限状态机算法一致[16,17]:
(3)
这里,θcontinuous表示时间t的连续多关节运动学曲线;φ-fictional是每个阶段的预定义参考运动学空间;δ_threshold是与时间相位转换阈值相比的角速度。这种连续的布尔评估确保了关节扭矩数据被准确标记并分离到相应的摆动阶段和支撑阶段。
相位分辨的传感器数据被存储起来,随后用于离线生物力学分析,便于比较不同训练阶段的扭矩和运动学模式(表1)。
每个关节嵌入的高分辨率旋转编码器提供连续的关节角度和角速度测量。基于这些信号,Walkbot计算运动学变量和时空步态参数,包括步态节奏、步频和关节活动范围。运动学和动力学数据的同步采集使得步态力学的全面表征成为可能,并支持基于传感器的康复适应性评估(表1[18,19])。
Walkbot采用了一种混合的位置-阻抗控制策略,根据患者的能力和治疗目标调整机器人辅助程度。可编程参数包括身体重量支撑、步态速度、关节阻抗和辅助幅度。患者与Walkbot系统在阻抗控制期间的交互可以通过标准的比例-微分(PD)控制律来建模,这是交互式康复机器人技术中的基础框架[20,21],用于确定机器人提供的辅助扭矩:
(4)
其中τ_assist是执行器产生的辅助扭矩;θ_ref和θ_actual分别是参考和实际的关节角度位置。同样,γ_(virtual stiffness)和γ_(virtual damping)可以调整以调节辅助效果。通过改变这些参数,系统可以在刚性运动时提供高辅助,在柔性、患者控制的运动时提供低辅助。这些参数由系统记录,并可以与传感器生成的生物力学输出关联起来,从而分析机器人辅助与步态适应之间的剂量-反应关系。逐渐减少辅助可以促进患者的积极参与,同时保持传感器测量的安全性和一致性(表1[10])。
所有从传感器获取的信号——包括关节角度、估计的扭矩和步态阶段标签——在训练过程中连续记录。这便于事后计算汇总指标,如步态阶段的中位扭矩、变异性和不对称性。将基于传感器的生物力学测量与临床评估(例如平衡和移动能力量表)相结合,有助于研究客观传感器输出与功能恢复之间的关系,支持数据驱动的神经康复方法(表1[22,23]。
共有15名因中风导致单侧偏瘫的参与者参与了这项研究。参与者的平均年龄为58岁(范围58±7岁),其中9名男性(60%)和6名女性(40%)。在中风亚型方面,33.3%的参与者患有缺血性中风,66.7%患有出血性中风(表2)。表2显示了患者的人口统计学和病因特征。所有连续变量均以中位数(最小值-最大值,[四分位数范围])报告。前后比较使用了Wilcoxon符号秩检验。
在Walkbot辅助步态训练后,受影响和未受影响的肢体在摆动阶段的扭矩都有显著增加(表3)。受影响肢体的摆动阶段扭矩中位数从基线的0.261 Nm/kg(0.084–0.458, IQR = 0.161)增加到训练后的0.361 Nm/kg(0.117–0.767, IQR = 0.216),变化幅度为+0.095 Nm/kg(p = 0.017)。同样,未受影响肢体的摆动阶段扭矩中位数从基线的0.254 Nm/kg(0.058–0.440, IQR = 0.131)增加到训练后的0.334 Nm/kg(0.202–0.740, IQR = 0.182),变化幅度为+0.136 Nm/kg(p = 0.011)。这些发现表明,Walkbot辅助训练与两肢摆动阶段的扭矩生成增强有关。
在支撑阶段,Walkbot辅助步态训练后也观察到了显著的扭矩增加(表3)。受影响肢体的支撑阶段扭矩中位数从基线的0.197 Nm/kg(0.005–0.512, IQR = 0.232)增加到训练后的0.454 Nm/kg(0.208–0.851, IQR = 0.350),变化幅度为+0.197 Nm/kg(p = 0.001)。同样,未受影响肢体的支撑阶段扭矩中位数从基线的0.158 Nm/kg(0.008–0.432, IQR = 0.128)增加到训练后的0.471 Nm/kg(0.182–0.960, IQR = 0.191),变化幅度为+0.267 Nm/kg(p = 0.001)。这些发现表明,Walkbot辅助训练与支撑阶段的扭矩生成增强有关,反映了负载承受能力和重量接受机制的改善。
Walkbot辅助步态训练后,功能平衡也显著改善(表3)。Berg平衡量表(BBS)得分从基线的22.0分(范围14.0–38.0, IQR = 13)提高到训练后的34.0分(范围25–52, IQR = 15),中位数提高了12.0分(IQR = 5),这在统计学上具有显著性(p = 0.001)。
Walkbot辅助步态训练后,下肢的运动功能也显著改善(表3)。FMA-LE得分从基线的14.0分(范围8.0–19.0, IQR = 7)提高到训练后的24.0分(范围18–31, IQR = 6)。中位数改善为+10分(IQR = 4),这一点在统计学上是显著的(p = 0.001)。这种变化表明瘫痪下肢的运动功能有临床上重要的改善。
4. 讨论
本研究调查了使用Walkbot系统进行机器人辅助步态训练对偏瘫患者特定阶段的生物力学和功能影响。通过关注步态周期中的摆动阶段和站立阶段的关节扭矩生成,本研究揭示了机器人步态康复如何影响下肢运动表现和功能平衡的机制。主要发现显示,在摆动阶段和站立阶段,受影响肢体的扭矩都有显著增加,并且根据Berg平衡量表(BBS)的评估,功能平衡也有了显著改善。这些发现通过将特定阶段的动力学适应与具有临床意义的平衡结果联系起来,扩展了目前关于机器人辅助步态训练(RAGT)的证据基础[24,25,26,27]。
**特定阶段的扭矩适应及其功能相关性**
中风后的步态障碍不仅表现为运动学的改变,还表现为关节动力学的显著异常,包括步态周期中扭矩生成的减少和力量传输效率的低效[28,29]。尽管许多机器人步态研究关注时空或运动学结果,但很少有研究关注关节扭矩等动力学变量,尽管它们在推进、稳定性和能量效率中起着核心作用[30]。在这种情况下,本研究的特定阶段扭矩分析填补了文献中的空白,并有助于更全面地理解机器人康复机制。观察到受影响肢体在摆动阶段的扭矩增加表明其推进能力、足部离地和步态启动能力有所提高——这些都是有效和安全行走的关键决定因素。摆动阶段的缺陷在中风后很常见,常常导致诸如外旋或髋关节抬高等代偿策略,这些策略会增加代谢成本和跌倒风险[31,32]。本研究的结果支持这样的观点:重复的、由机器人引导的步进,并结合一致的辅助,可以增强摆动阶段控制的神经肌肉激活模式。这种解释与神经康复原则一致,即强调任务特异性、高重复次数的练习是促进运动恢复和大脑皮层重组的关键[33,34]。重要的是,本研究还显示受影响肢体在站立阶段的扭矩也有显著增加,表明其承重能力和重量接受能力有所提高。站立阶段的控制对于姿势稳定性和单肢支持至关重要,而这一阶段的障碍与中风后的平衡缺陷和行走独立性降低密切相关[35,36]。关于外骨骼和机电式步态训练的荟萃分析和系统评价报告称,当机器人干预与常规疗法结合使用时,平衡和移动能力有所改善[25,26,27,37]。本研究站立阶段的扭矩结果为这些功能改善提供了合理的生物力学基础,表明站立阶段的扭矩增强可能直接有助于改善姿势控制和平衡。
4.1. 生物力学适应与平衡恢复
尽管肢体特定的扭矩有所增加,但中风后的步态恢复往往表现出力量生成能力的改善与肢体间协调或对称性的正常化之间存在分离。当前的运动恢复模型区分了运动输出的恢复(例如力量和扭矩生成)和运动控制的重组(例如时机、对称性和适应性)[38,39]。本研究的结果与此框架一致,表明机器人辅助步态训练可能优先加速与力量相关的适应,而更高层次的协调过程可能需要额外的时间或有针对性的干预。系统评价表明,RAGT对步态对称性和协调性的影响是异质的,结果受设备特性、辅助策略和训练强度的影响[24,26,40]。此外,使用配备传感器的机器人矫形器的生物力学研究显示,虽然机器人引导可以在训练期间使运动学模式正常化,但异常的关节扭矩模式可能会持续存在,这突显了评估动力学结果对于全面理解运动恢复的重要性[30,41]。通过纳入特定阶段的扭矩测量,本研究有助于人们逐渐认识到动力学分析对于解释机器人步态康复的机制和局限性是必不可少的。
**4.2. 机器人辅助神经康复的临床意义**
从临床角度来看,本研究的结果对设计和实施机器人辅助步态康复计划具有重要意义。在摆动阶段和站立阶段都观察到特定阶段的扭矩增加,这支持了将机器人系统不仅作为辅助设备使用,也作为针对性运动再训练工具的使用。最近的文献综合强调了RAGT的有效性取决于适当的患者选择、干预时机以及与常规疗法的结合[24,25,26,40]。在这种背景下,特定阶段的生物力学评估可能有助于临床医生识别哪些步态方面对机器人训练反应最敏感,并据此调整干预措施。此外,力量恢复与协调之间的明显分离表明,当机器人步态训练与针对对称性、适应性和地面转移的补充方法结合使用时,可能最为有效。这样的多模式策略在当代神经康复框架中越来越受到推荐,并可能最大化功能向日常行走和社区活动的转移[46,47]。重要的是,特定阶段的扭矩增加伴随着FMA-LE分数的显著改善,表明生物力学适应可能反映了潜在的运动恢复,而不仅仅是代偿机制。
**4.3. 运动恢复与生物力学适应**
本研究的一个重要发现是,观察到的特定阶段的扭矩增加伴随着下肢运动障碍的显著改善,这通过Fugl–Meyer评估——下肢(FMA-LE)得到了体现。参与者表现出中位数增加了+10分,表明瘫痪肢体的运动功能有临床上重要的提升。类似程度的改善已与中风后的功能运动恢复和自愿控制的改善相关联[24,48]。FMA-LE分数的同时改善表明,扭矩的增加不仅仅是机械或设备驱动的效果,可能代表了真正的神经肌肉恢复。FMA-LE被广泛认为是对自主运动控制变化、协同作用减少和选择性运动能力变化敏感的中风特异性指标[49]。因此,动力学输出和FMA-LE分数的同步提升支持了这样的解释:Walkbot辅助步态训练促进了恢复性的运动适应,而不仅仅是代偿策略。这与最近的系统评价一致,这些评价表明,在提供足够的训练强度时,机器人辅助步态训练(RAGT)可以诱导功能和障碍水平的改善[24,43]。
**4.4. 力量恢复与运动控制**
中风后的步态改善通常反映了力量恢复与运动控制重组之间的复杂相互作用。虽然扭矩的增加可能源于肌肉力量的提高,但真正的功能恢复需要关节间协调、时机和选择性运动控制的精炼。在本研究中,FMA-LE分数的显著增加表明在障碍层面有运动控制的改善,加强了扭矩变化的机制解释。重要的是,这一发现降低了在摆动阶段和站立阶段观察到的扭矩增加完全由对侧代偿驱动的可能性。相反,瘫痪肢体运动表现的改善表明在步态过程中下肢肌肉的自愿募集和调节得到了增强。当代神经康复框架强调,以改善的选择性运动控制为特征的恢复反映了恢复而不是补偿[43]。
**4.5. 神经可塑性机制**
扭矩增加与FMA-LE改善之间的关联可能可以通过重复的、任务特定的机器人步态训练引发的神经可塑性过程来解释。高重复次数的步进,并结合一致的辅助,已被证明可以促进大脑皮层的重组,加强感觉运动整合,并增强残余的下行运动通路[43]。像Walkbot这样的机器人系统提供了持续的运动感觉反馈和减少了错误的练习,这些都是依赖于经验的神经可塑性的驱动因素。最近的荟萃分析和神经生理学研究进一步表明,机器人步态干预可能调节运动皮层的兴奋性,并在中风后改善运动网络效率[43]。本研究中观察到的FMA-LE分数的改善与此框架一致,表明机器人辅助步态训练可能在生物力学和神经层面都有助于恢复。
**4.6. 限制**
应承认几个局限性。首先,样本量较小,尤其是左侧偏瘫组(n = 5),这可能限制了结果的普遍性和亚组间比较的统计功效。其次,由于亚急性中风患者可能会表现出自发的运动恢复,观察到的生物力学和临床改善不能完全归因于Walkbot辅助步态训练。缺乏非干预对照组限制了将干预效果与自然恢复过程区分开来的能力。第三,本研究没有评估改善的长期保持或向社区行走的功能转移。
**4.7. 方法学考虑和未来方向**
没有对照组的预备-后设计限制了因果推断,而样本量的有限反映了本研究的探索性和机制性性质。尽管如此,一致的具体阶段扭矩增加和显著的平衡改善提供了训练相关适应的令人信服的初步证据。重要的是,最近的荟萃分析强调了需要报告生物力学结果和临床测量的研究,以改善机制理解并指导机器人协议的优化[24,26,37]。未来的研究应包括对照设计、更大的样本量和更长的随访期,以评估扭矩增加的保持和普遍性。此外,将动力学分析与神经生理学和运动学测量相结合,可能进一步阐明机器人步态训练如何在神经肌肉系统的多个层面上影响运动恢复。
**5. 结论**
总之,Walkbot辅助步态训练与偏瘫患者的特定阶段扭矩、功能平衡和下肢运动恢复的改善有关。这些结果突显了在机器人康复过程中进行阶段分辨的动力学评估的重要性。然而,鉴于试点设计和包括了亚急性患者,因果解释应谨慎进行。未来的随机对照试验是必要的,以验证和扩展这些发现。