《Biomimetics》：A Muscle Fiber-Based Soft Hand Exoskeleton Control Strategy for Fine Manipulation: A Preliminary Investigation
编辑推荐：
尽管软手外骨骼机器人在自由度方面已接近人类水平的灵巧性，但精细运动控制的精确控制方法仍然是一个重大挑战。表面肌电（sEMG）被广泛用于手势识别，以使患者能够独立控制软手外骨骼。然而，由于协同肌肉活动的解耦较为复杂，基于sEMG的控制实现单指控制仍具挑战性。在本
尽管软手外骨骼机器人在自由度方面已接近人类水平的灵巧性，但精细运动控制的精确控制方法仍然是一个重大挑战。表面肌电（sEMG）被广泛用于手势识别，以使患者能够独立控制软手外骨骼。然而，由于协同肌肉活动的解耦较为复杂，基于sEMG的控制实现单指控制仍具挑战性。在本研究中，研究人员提出了一种基于肌纤维的超声感知策略，用于精细手部运动识别和软手外骨骼控制。超声成像能够无创可视化前臂肌肉形态，并提供与潜在肌纤维活动相关的信息。通过从超声图像中重建肌肉形态，提取并融合具有生物学意义的肌纤维特征，以表征精细手部运动。随后采用轻量级随机森林（Random Forest）分类器将这些生物学信息特征映射到离散手部动作，为实时控制提供计算高效的识别模块。据研究人员所知，专门用于康复应用中精细手势识别的公开超声图像数据集仍然有限。在实验中，构建了一个包含21种基于肌肉超声图像的手势的数据集，以评估所提方法。所有数据均采集自健康受试者，作为初步概念验证研究。结果表明，所提方法在三名受试者的手指运动识别中实现了95.24%的平均识别准确率。这项初步研究证明了基于机器学习的超声感知在改善精细手势识别和为软手外骨骼提供直观控制接口方面的潜力，从而增强其在手部康复场景中的适用性。
脑卒中是全球范围内导致长期运动功能障碍的主要原因，许多幸存者遗留手部运动障碍，影响日常生活活动。近年来，针对手部康复的外骨骼机器人受到广泛研究。与传统刚性外骨骼相比，软手外骨骼因柔性结构和柔顺驱动具备更好的安全性，高自由度设计已能独立驱动各指屈伸和拇指外展/内收。然而，系统复杂度和自由度增加使患者意图识别变得困难，控制策略难以充分发挥高度灵巧系统的能力。现有控制接口中，表面肌电（sEMG）受电极位移、皮肤阻抗波动和肌电串扰限制，可识别手势数量有限；脑电（EEG）信号噪声高，多局限于抓握/张开等二元动作；语音控制易受环境噪声干扰；基于身体动作的映射认知负荷高且不具备精细运动精度。肌肉超声可无创显示前臂深层肌肉形态，提供肌纤维活动相关信息，但已有解码算法使用的特征生物学相关性不足，且专门用于精细手势识别的公开超声数据集稀缺。因此，研究人员提出基于肌纤维的超声感知框架，用于精细手部动作识别和软手外骨骼控制，并通过健康受试者数据进行概念验证。该论文发表在《Biomimetics》。
主要关键技术方法如下：采用固定在受试者前臂的超声探头采集肌肉变形图像，建立包含21种手势的专用数据集；受试者为3名健康右利手、无神经肌肉或骨骼疾病史者。对超声图像进行中值滤波和尺寸标准化后，提取梯度特征、熵特征和统计强度特征，融合后输入随机森林（Random Forest，RF，基于多棵决策树投票的集成分类器）；通过有限状态机（FSM，按状态转移规则控制系统逻辑的模型）滤除瞬时误分类并将动作映射到外骨骼，结合最小加加速度轨迹生成和比例-微分（PD）控制执行动作。数据按试次级8:1:1划分，避免同一试次的相似图像进入不同子集造成数据泄漏。
3.1 实验设置与数据采集：实验经伦理委员会批准，使用便携式超声设备（L40线性探头，5–12 MHz）以30 Hz采集；受试者按要求执行21种手势，每种保持5秒后休息3秒，完整序列后休息5–10分钟，重复10次；剔除手势开始和结束各1秒，保留稳定收缩期；每手势取100帧，每受试者共2100帧，按8:1:1试次级划分。这一设置保障了数据质量与划分合理性。
3.2 特征可视化与解释：对典型手势的原始超声图、梯度图、熵热图和融合特征图进行可视化。结果表明，不同手势在肌纤维边界、局部纹理复杂度和灰度变化上呈现可区分的空间模式，且跨受试者一致，说明多特征融合能有效表征手势相关肌肉形变。
3.3 实时性评估：统计各算法阶段处理时间显示，平均特征提取（含预处理）0.685 ms，RF分类4.478 ms，平均每帧计算延迟5.163 ms，最大延迟9.320 ms，计算吞吐量193.69帧/秒，远小于30 Hz超声采集间隔（约33.3 ms），说明算法可实时处理每帧图像。
3.4 手势识别性能：测试集混淆矩阵显示大多数手势类别被正确分类，仅少数错分，如Gesture 01的20%样本被误判为Gesture 10，Gesture 05的10%被误判为Gesture 09，Gesture 11的10%被误判为Gesture 01；总体上验证了多特征融合加RF能可靠区分21种手势。
3.5 消融研究：基于受试者1比较不同特征组合。单独熵特征准确率最低（50.00%），单独梯度为80.95%，单独统计特征最高（93.81%）；统计+熵和梯度+统计分别达98.00%和97.62%，全部融合达最高98.10%，说明多域特征互补且对稳健识别至关重要。
3.6 与传统分类器对比：在相同受试者特定试次划分下，所提RF平均准确率95.24%，支持向量机（SVM）为92.71%，ResNet-18为92.49%；RF在3名受试者上均优于对比方法，并具备低计算延迟，适合软手外骨骼控制的轻量化部署。
讨论部分总结：超声成像通过捕捉肌肉内部形变，能提供比表面信号更丰富的生理信息；统计特征提供最稳定判别信息，梯度特征反映结构变化，熵特征单独较弱但具有互补性。混淆矩阵中的错误主要源于部分手势具有相似的前臂屈肌激活模式，提示高度相似手势的区分仍需改进。与传统sEMG方法相比，超声直接可视化深层肌肉结构，减少电极位移和串扰影响。局限性包括：实验在受控实验室条件下进行，未评估前臂/腕部同时运动的影响；仅3名健康受试者，样本量小，无法充分评估泛化能力；结果不代表脑卒中患者表现；当前为受试者内评价，而非跨受试者泛化；未包含完整系统端到端延迟。未来需更大、更多样化的受试者群体（特别是脑卒中患者），并研究受试者无关验证与适应策略。
研究结论：脑卒中后精细手部运动障碍常见。现有软手外骨骼控制工具依赖sEMG、EEG或语音信号，存在串扰、信号质量弱和环境噪声等局限。超声可捕获深层前臂肌肉形态变化，弥补浅表生理传感的不足。现有超声解码研究仍有两个空白：算法很少将提取特征与真实肌肉生理特性关联；用于精细手指运动测试的标准化超声数据稀缺。本文设计了仿生超声感知框架填补这些空白。第一项核心成果是构建了面向康复人机交互的专用超声图像数据集，包含21种日常精细手势，每名受试者贡献2100帧标准化超声图像，采用8:1:1试次级划分以避免数据泄漏。第二项贡献是多尺度超声特征融合方案，同时提取梯度描述子、熵纹理和灰度统计特征，反映肌纤维形变、纹理复杂度和组织反射变化；消融测试证实三组特征具有互补判别信息；融合特征输入优化的随机森林分类器，受试者1准确率达98.10%，RF平均95.24%，SVM平均92.71%，ResNet-18平均92.49%，算法单帧处理仅5.163 ms，满足30 Hz超声采集系统的实时解码需求。第三项成就是整个感知框架获得实际验证，在外骨骼控制回路中加入有限状态机逻辑，滤除瞬时误分类和不合理动作转换，避免人机康复训练中突然的非预期执行器运动；通过特征可视化、消融比较、跨分类器基准测试和延迟测量，结果表明超声肌肉感知可缓解传统表面信号采集的诸多缺点，支持单指精细动作的相对稳定独立解码，为面向脑卒中后患者的软手外骨骼康复提供了一种替代性轻量交互方案。
