《Disability and Rehabilitation: Assistive Technology》：Movement-based assistive technology for control of digital applications in severe motor impairment: a scoping review
编辑推荐：
技术进步使重度运动障碍（severe motor impairments, SMI）个体能够以新的方式与基于计算机的应用程序进行交互，然而标准人机接口（human-computer interfaces, HCI）往往仍然不可及，因此亟需针对不同运动能力定制的
技术进步使重度运动障碍（severe motor impairments, SMI）个体能够以新的方式与基于计算机的应用程序进行交互，然而标准人机接口（human-computer interfaces, HCI）往往仍然不可及，因此亟需针对不同运动能力定制的辅助技术（assistive technology, AT）。本范围综述旨在识别现有AT解决方案，这些方案使SMI个体能够利用残余运动控制数字应用，并刻画该领域的关键趋势与研究空白。研究人员在Scopus和Web of Science Core Collection中检索了发表于2012年至2024年6月之间的研究，数据收集时间为2024年7月至12月。最终共纳入49篇文献。除描述性指标外，研究还采用关系分析与对应分析开展跨主题分析。总体而言，面向SMI用户的AT技术图景以头部控制和二维（2D）指针交互为主，主要用于打字与导航等任务。四分之三的文献仅以通用方式讨论SMI，而未具体说明其基础疾病或详细运动特征。视觉系统占主导地位，其次为肌电（electromyography, EMG）与运动学配置。大多数系统采用显式直接映射，仅有20%使用机器学习（machine learning, ML）。四分之一的系统整合了辅助反馈，其中触觉反馈（haptics）的使用仅占极少数。尽管传感器技术与信号处理已有进展，但若干关键领域仍需改进：整合多模态输入与反馈、将ML应用于设计过程，以及清晰界定目标运动特征。未来研究应弥补这些空白，探索超越传统计算任务的新型应用场景，并扩大SMI个体的参与度。
对康复实践的启示在于：界定或针对特定运动特征的研究稀缺，凸显了康复专业人员倡导其关键重要性的必要性，即通过将运动能力与明确、目标导向的数字活动相连接来定制干预，从而落实人类—活动—辅助技术（Human Activity Assistive Technology, HAAT）模型对活动目标的强调。研究结果表明，关于促进数字任务有效交互的多模态输入与反馈系统的研究不足，强调了在该领域加强研究的必要性。辅助技术设计中的ML方法能够提升适应性与个性化水平，使设备更好地解释并响应用户独特的运动特征与活动目标。AT设计中ML方法纳入有限，提示康复专业人员应积极推动更广泛的应用需求。增加SMI个体在AT系统评估中的参与，对于开发满足多样化需求并增强真实世界数字参与的包容性解决方案至关重要。
Introduction
引言部分首先界定了研究问题的现实背景：随着数字技术的发展，重度运动障碍（severe motor impairments, SMI）个体获得了更多与计算机应用交互的可能，但标准人机接口（human-computer interfaces, HCI）对于此类人群往往难以使用，因此需要与其运动能力相匹配的辅助技术（assistive technology, AT）。文章援引世界卫生组织关于“重度残障”的统计，指出运动障碍既涉及身体功能受损，也与活动限制及社会参与受限有关，强调残障是健康状态与环境、个体因素交互作用的结果。基于此，作者将AT置于用户中心设计框架下讨论，指出AT系统必须与个体具体功能状况相适配。
随后，文章引入人类—活动—辅助技术（Human Activity Assistive Technology, HAAT）模型，说明AT应同时匹配“人”“活动”“技术”和“情境”四个维度。例如，用户可能保留头部运动能力，系统则可采用视频头部跟踪器完成光标移动，而环境因素如低照度又会进一步影响系统可用性。作者据此强调，“活动”并非附属要素，而是AT开发的核心。接着，论文讨论了身体—机器接口（Body-Machine Interfaces, BoMIs）的概念，认为其属于AT的一个子集，核心在于将残余自主运动、力量或神经生理信号转换为外部设备控制输入。与脑—机接口（Brain-Computer Interfaces, BCIs）相比，BoMIs依赖残余自主运动，控制更直观，信息传输速率也通常更高。本文明确将保留一定自主运动能力的SMI个体作为目标群体，而排除完全缺乏自主控制的Locked-in Syndrome等情形。最后，作者指出既有综述尚未系统梳理SMI用户残余运动如何被采集、处理并映射到具体数字任务控制，因此提出核心研究问题：哪些设备支持SMI用户通过自主运动控制计算机应用，研究人员又是如何开发并评估这些设备的。
Background
背景部分构建了论文的分析框架。首先，作者指出，评估面向计算机访问的AT设备可从多个指标展开，其中包括活动目标、控制部位、传感器、信号处理、映射结构及量化评估方式。活动目标指设备服务的主要数字任务，如文本输入、光标控制或沟通。控制部位（control site）则是用户向系统提供自主输入的身体位置，常见部位包括手、头、上肢、眼、口、下肢等。作者结合既有HCI与HAAT文献指出，控制部位选择通常遵循一定优先序列：若手部无法胜任，则转向头部或其他可用部位。文章特别提到，既有研究常缺乏对控制部位选择理由的充分说明，也较少建立能够适配不同运动特征的模型。
在输入获取层面，作者系统梳理了可将身体运动转化为数字信号的传感器，包括开关、加速度计、陀螺仪、惯性测量单元（inertial measurement unit, IMU）、肌电（electromyography, EMG）、眼电（electrooculography, EOG）、RGB摄像机、深度相机、红外相机、麦克风、手势识别系统等。依据输入通道数量，系统可分为单模态与多模态，后者通过整合语音、视线、头部和身体运动等多个输入模式实现协同交互。作者指出，近年来可穿戴式多模态组合，特别是IMU与表面EMG联合方案，逐渐受到关注。
关于信号处理，文章借助输入设备分类理论说明，自传感器采集的数据需经过处理才能转化为具有行为意义的运动信息。相关处理可能涉及手势识别、骨架跟踪、视线跟踪、语音识别、面部跟踪和表情分析等。映射（mapping）则是本文另一关键概念，指输入控制与输出效果之间的关系。作者借用数字乐器（Digital Music Instruments, DMIs）领域对映射拓扑（mapping topology）的讨论，将其分为一对一（one-to-one）、多对一（many-to-one）、一对多（one-to-many）和多对多（many-to-many）等类型，并区分单层映射与多层映射。文章还强调显式映射与隐式映射的区别：前者由设计者明确规定输入输出关系，后者则依赖机器学习（machine learning, ML）算法建立关系。最后，背景部分总结了AT量化评估的常见方法，指出随机对照试验虽为金标准，但在AT领域受样本规模和伦理限制，因而单被试设计、重复测量和交叉研究更常见。可用性评估常依据ISO 9241-11框架，从有效性、效率和满意度三个维度展开，常见指标包括任务成功率、错误率、任务时间和时间效率等。
Materials and methods
方法部分说明，本研究遵循系统综述和范围综述优先报告条目扩展版（Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews, PRISMA-ScR）指南实施。检索使用数据库特定字段标签与布尔逻辑嵌套构建，检索式经三位作者反复内部同行审查，以确保透明性与可复现性。
在信息来源方面，作者纳入2012年至2024年6月间发表的英文期刊论文和会议论文，检索数据库为Scopus与Web of Science Core Collection。将2012年设为起始年份的依据在于，多种与AT相关的新兴技术在该时期开始公开可用，如眼动跟踪、Leap Motion、Google Glass、主流触摸屏、3D打印以及Kinect SDK。纳入标准包括：研究需呈现用于执行数字任务的辅助设备；设备面向SMI用户；包含设备性能的定量评估；为英文文献；发表时间位于规定范围内。排除标准包括：与SMI无关；不涉及计算机数字任务或仅具康复目的；缺乏定量评估；不聚焦设备实现；非英文；篇幅少于4页。作者特别说明，仅当设备具有明确活动目标，且系统设计和评估确实涉及与该活动相对应的控制参数时，文献才被纳入分析；纯动作数字化研究、仅康复训练设备、基于BCI的研究以及综述性文献均被排除。
检索策略以题名、摘要和关键词为范围，结合“computer inter*”“body-machine inter*”“assistive technolo*”“HCI”等术语与“motor impairment*”“cerebral palsy”等障碍相关术语，同时排除“BCI”“EEG”“review”等。筛选流程包括去重、题录摘要筛查和全文评估。数据提取方面，作者建立了编码规则和分类方案，对纳入文献中的设备进行系统编码，涵盖发表信息、目标运动障碍、活动目标、控制部位、传感器、信号处理、映射方式、拓扑结构、映射层数、ML使用情况、针对用户运动特征的适配、反馈、受试者构成以及量化评估因变量等。若同一设备包含多种选项，如同时使用EMG与摄像机，则各选项在相应类别中分别计数。此外，研究还通过关系分析和对应分析开展跨主题分析，并为提高分析可解释性对若干功能相近类别进行了合并。
Results
结果部分显示，数据库检索共识别2056篇文献，摘要筛查后367篇符合纳入条件，进一步获得342篇全文并进行适格性评估，最终纳入49篇文章。发表载体分布较为分散，说明该领域具有明显跨学科特征；期刊论文28篇，会议论文21篇，数量相对均衡。
在目标运动障碍特征上，近四分之三文献未明确具体疾病类型，而是以泛化的SMI概念作为研究对象；在明确对象的研究中，脊髓损伤、脑瘫和运动神经元疾病较常见。多数设备为单模态输入，仅20%提供多模态方案。约三分之二设备包含某种针对用户运动特征的适配，但主要体现为传感器值校准、运动范围标定或眼动校准等。
控制部位分析表明，头部是最常用的控制部位，明显高于其他选项；眼部占28%，若将头部空间朝向、面部表情和鼻部朝向一并纳入，与头相关的输入总计达到60%。可适应不同身体部位的系统占12%，而肩、肘、腿和脚等部位合计占12%，手部仅占8%。活动目标方面，最主要的是指针控制与文本输入，两者合计超过60%，若再加上相关任务则达84%；更专门化的任务如数字乐器演奏或电子游戏控制仅占10%。反馈上，大多数任务主要依赖视觉反馈；辅助反馈中，四分之三研究未提及任何方案，18%采用音频提示，仅6%采用触觉反馈。
传感器方面，最常见的是非侵入式视觉系统，如视频摄像机和眼动跟踪器，其次为IMU、EOG和EMG。作者指出，在研究覆盖的年份范围内，各类传感器使用分布未呈现显著时间趋势。信号处理方面，阈值法最常见，超过三分之一方案采用该技术；其后为运动跟踪，以及面部/视线跟踪。映射方面，仅约20%文章使用ML，其中超过三分之二为监督学习；其余设备均采用显式映射。在显式映射中，一对一拓扑最常见，占63%；72%系统为单层映射。输入数与控制参数数之间存在关联，但并非严格线性关系：大多数设备使用1至3个独立输入，平均输入数为3.71，平均控制参数数为2.98。约48%的系统输入数与输出参数数相等，28%输入多于输出，24%输出多于输入。单层系统更倾向于直接的一对一结构，而多对一或多对多系统更可能采用附加映射层。
量化评估方面，实验样本中52%为健全受试者，6%未说明运动能力状况；真正纳入运动障碍受试者的实验占42%，其中一部分仍未超出SMI泛称。健全受试者平均样本量为9.6，SMI受试者平均样本量为6.6。最常见的因变量是任务时间，其次为错误率。跨主题分析还显示，导航任务倾向使用视频摄像机和IMU，沟通任务更多使用眼动跟踪器、EOG和EMG；打字任务中眼和头是最常见控制部位。控制部位与传感器对应关系较清晰，如眼部常配眼动跟踪，语音常配麦克风，鼻部朝向主要通过视频摄像机跟踪，头部朝向则几乎专用IMU。对“SMI优化重点”的主观归类显示，60%的研究主要聚焦于残余运动的采集与数字化，其余重点大致平均分布于处理器设计和反馈设计。
Discussion
讨论部分首先指出，发表平台的分散性反映了SMI辅助技术研究的跨学科属性。作者认为，当前文献最突出的特征之一，是将SMI作为泛化对象处理，而很少明确具体疾病背景或细化运动特征。这种做法虽常辅以针对传感器阈值或运动范围的校准，但本质上仍局限于既定控制部位与传感器组合的微调，难以显著拓展设备可服务的运动障碍类型。结合低比例的可适应控制部位和多模态输入，作者据此认为该领域存在“通用化解决方案”倾向，而对高度个体差异化的运动特征考虑不足。因此，未来研究要么应更清晰界定设备所面向的目标运动特征，要么朝“极端适应性”方向发展，使系统能够动态适配个体能力。
在输入机制方面，研究大多采用单模态方案，这虽有助于简化交互，却可能导致疲劳、过度使用损伤、控制不准确与效率低下。与传统HCI主要依赖手部不同，SMI AT系统中头部控制占据主导地位，这与临床评估框架中“手不可用后优先评估头部”的实践一致。作者进一步从运动皮层功能表征角度解释了头部控制的合理性。视觉型传感器和眼动跟踪设备的主导地位，则反映了该领域对非侵入式方案的偏好。与此同时，阈值法在信号处理中的高度普及，说明大量系统仍采用相对简单的全局设计思路。
关于活动目标，作者指出现有研究高度集中于二维图形用户界面中的指针控制和文本输入，本质上仍维持“窗口—图标—菜单—指针”（Windows, Icons, Menus and Pointers, WIMP）范式。虽然这些任务在数字环境中具有普遍性，但它们也意味着许多系统只是以替代输入方式复现主流桌面交互，而较少探索针对具体任务特性优化的交互模型。与之相比，数字乐器演奏和电子游戏等更专门化应用明显研究不足。作者据此提出，可考虑采用“后WIMP”思路，根据任务属性设计特定输入/输出模式及更高效映射关系，以更充分发挥SMI用户残余运动能力。
映射层面，ML使用比例较低，表明该技术在AT设计中的潜力尚未得到充分开发。作者认为，ML不仅可用于多模态输入融合，还可用于面向个体运动特征的个性化和适应性建模。当前多数显式映射采用简单直接的一对一结构，而更复杂的多对一、一对多或多对多拓扑，可能更适合将有限残余运动转换为更丰富的数字控制。多层映射系统表现出更高灵活性，也提示复杂交互模型需要更多计算处理支持。
反馈方面，视觉反馈占绝对主导，辅助音频与触觉反馈使用不足。作者认为，多模态反馈有望增强控制鲁棒性与交互效率，是未来改进的重要方向。量化评估方面，研究过度依赖健全受试者，且SMI样本规模普遍较小，这限制了结果的生态效度和推广性。任务时间与错误率作为主要指标固然能够反映效率与部分有效性，但在SMI情境中，任务时间可能同时受到用户固有运动能力和设备质量影响，若缺乏相对于个体基线表现的归一化处理，跨研究比较便难以获得清晰结论。
Limitations
局限性部分指出，本综述虽然严格按照PRISMA-ScR的核心报告要求执行，但研究方案未注册，检索策略亦未由外部信息专家独立审核，因此存在共享视角偏倚的可能，或许遗漏替代术语和特殊索引路径。作者还指出，对“缺乏量化评估”的研究进行排除，虽然有助于形成可比较的结构化分析框架，但也可能削弱对当前研究趋势的完整呈现，尤其是在活动目标分布上可能放大了打字与导航任务的比例，因为这些任务拥有更成熟的量化评估方法，而如辅助数字乐器设计等领域可能更偏向定性评价。
Conclusion
结论部分概括认为，SMI辅助技术研究整体上面向的是一个泛化目标群体，其交互模式主要表现为头部控制与二维图形用户界面中的指向交互，服务于打字、导航等标准数字任务。研究开发重点主要放在残余运动的可靠采集、数字化以及面向个体运动范围的校准上，而输入到应用控制的转换大多依赖直接且简单的映射方式。由于多数设备既不支持可变控制部位，也仅能对有限运动特征作狭窄调整，作者建议未来文献更明确界定目标终端用户的运动特征。总体而言，尽管传感器技术和信号处理已有显著进展，但多模态输入/反馈整合、ML用于提升适应性，以及更广泛纳入SMI个体参与开发和评估，仍是该领域亟待推进的方向。
