1、引言
脑卒中、意外事故和老龄化等造成的脑损伤患者数量大幅度增加，由脑损伤引起的手运动功能障碍直接影响患者的生活质量。传统的治疗手段主要依靠康复医师辅助患者关节活动度和肌力训练，但其训练效果受医生经验和业务水平及训练时间等因素的影响。因此有很多研究者研发了相关的康复训练设备辅助患者训练以重新获取肢体的运动技能[1]。
早期出现的手功能康复设备是刚性的，其刚度往往远大于人手肌肉组织，在与人的交互过程中，对人手的适应性欠佳，虽然可以依靠传感和控制实现安全交互，但技术难度高，系统成本较高，不利于推广应用。而近几年出现的软体机械手充分利用和发挥各种柔性材料的柔顺性，及其非线性、粘弹性和迟滞特性等在软体手运动和控制中潜在的“机械智能”作用，降低控制的复杂度，实现高灵活性、强适应性和良好交互性，在医疗康复领域有重要应用价值[2]。
此外，临床医学也表明，患者主动参与康复训练的效果要比被动康复显著。目前，脑-机接口（Brain-Computer Interface，BCI）技术为患者主动康复训练提供了一种新途径，即在生物电信号与外部设备之间开辟了一条全新的信息交流通道以改善大脑皮层的可塑性并恢复受损神经功能或代替部分功能[3]。通过主被动康复训练的互相配合，促进患者感觉运动环路的重建，使得主动康复训练成为脑科学、生物医学及康复工程、仿生学等领域最活跃的研究方向之一。
2、手部运动意图识别方法
美国凯斯西储大学Daly等通过运动想象检测大脑皮层神经元的激活情况，表明BCI系统能有效地辅助患者诱发脑功能重塑并降低大脑皮层的异常激活。即主动的运动感知和被动外部设备相结合形成主被动康复训练系统，将有利于受试者肢体的运动功能康复[4]。华盛顿大学Bundy等通过健侧手部动作运动意图辅助患者控制外骨骼机械手，实现了患者在日常生活中执行康复训练[5]，如图3(a)所示。主被动康复训练系统不仅能辅助正常受试者康复训练，而且在患者的康复训练中也取得了一定的进展。德国图宾根大学VárkutiB等通过运动想象控制MIT-MANUS机器人辅助患者上肢执行康复训练，结果表明上肢运动功能得到明显改善[6]。如图3(b)所示天津大学明东教授团队通过患者肘关节屈-伸运动想象控制“神工一号”康复机器人辅助肘关节的康复运动，增强了康复训练效果。西安交通大学徐光华教授团队研究了目标诱导的运动想象刺激范式，证明了有目标导向的运动想象增强了对大脑皮层的激活并改善运动想象的能力[7]。韦恩州立大学Whyte等进一步提出了规范康复训练体系可帮助患者主动参与康复训练[8]。
为了提高运动想象动作与所需要的康复肢体的直接相关性，本课题组设计了手部伸-握动作直接相关的运动想象和动作观察相结合的复合范式实验，以实现更好的手部主动康复。运动想象是让受试者去想象某一个动作，不用产生任何肌肉活动，调动主观意念在心理上反复模拟或复现相应动作。动作观察是让受试者观看日常生活手的基本动作（如抹桌子、洗衣服等视频动作），然后尽力去模仿视频中所出现的动作。通过ERSP（时间相关谱扰动）、脑地形图和脑功能网络计算分析了伸-握动作运动想象和动作观察对大脑皮层的激活规律。
实验结果表明与伸-握动作直接相关的运动想象和动作观察相结合的复合范式，增强了与伸-握动作直接相关大脑皮层的激活程度，发现了“伸开”动作对应能量和激活现象均大于“握拳”动作。将运动想象和动作观察相结合可增强对大脑皮层的激活程度，有助于手部运动功能障碍的恢复。并且将实验中不同范式下伸-握动作对大脑皮层的激活规律为基础，提出基于小波变换和共空间模式提取伸-握动作EEG特征的算法，再通过线性判别分析对伸-握动作精细意图进行识别[9]。
图7 小波变换和共空间模式算法分析流程图
3、软体康复手套设计制作
现有的软体康复手大多采用拉线驱动、液压驱动和气压驱动。韩国首尔大学的HyunKi In等人[10]设计了如图8（a）所示的一种拉线驱动的软体康复手Exo-Glove，在柔性织物手套的指套手背侧和手掌侧铺设绕性金属丝，驱动电机拉动绕性金属丝，即可辅助手指的完成屈曲和伸展动作，指捏力量为20N，掌握力量为40N，驱动控制系统与手套本体分离使手套仅重196g，最大可以抓握直径76mm的物体。哈佛大学的Panagiotis等人[11]设计了如图8（b）所示的一款重量为285g的辅助患者抓握的液压驱动的软体康复手，并配备了一个重量为3.3kg的液压驱动控制便携式腰包。该液压软体康复手的软体驱动器，由纤维增强材料制作的成型弹性腔与约束线、限制层组合制作，在增压时可完成屈曲、扭转、伸长等运动，可以辅助手指完成主动屈曲运动和被动伸展运动。哈佛大学的Stacey Lyne等人[12]利用3D打印模具进行软材料浇铸制作气动软体驱动器，从而制作成如图8（c）所示的重量约为160g的 PneuNet 软体康复手。该气动软体驱动器在靠近手背侧嵌入弹性模量大的限制层，使驱动气腔在增压时向弹性模型大的一侧弯曲，实现辅助手指主动驱动运动，气压为0.45Mpa时指尖压力为1.2N。
鉴于拉线式软体康复手的驱动传动系统较复杂、对手的压迫感较强，液压软体康复手重量较大、有泄露污染的风险，本课题组对重量更轻、成本更低、驱动控制较为简单的气动软体康复手展开了研究。前期，本课题组利用限制层和纤维约束的单气腔驱动器结构设计，并基于电容变化原理利用介电弹性材料制作柔性传感器，设计了如图9（a）所示的集成柔性传感器的气动软体康复手，改变限制层方向，可以辅助人手分别实现主动伸展和主动屈曲运动，并检测手指弯曲角度进行康复效果评估[13]。但是该气动软体康复手无法辅助人手实现拇指的内收/外展运动，也无法同时实现伸展/屈曲运动的双向主动训练。为此，本课题组又利用波纹管制作的正负气压驱动器制作了如图9（b）所示的气动软体康复手。该气动软体康复手仅有149克，采用开放式手套，通过欠驱动可以辅助手指实现伸展/屈曲运动和拇指的内收/外展运动的主动训练；配套的便携式气动箱体积小、重量轻，高级康复版气动箱可调节六个输出气路的压力和流量；实验表明，伸展/屈曲驱动器在伸展时的最大作用力为4.6N，内收/外展驱动器在内收时最大作用力为8.1N。当前，该气动软体康复手的驱动器设计、控制设计仍在不断地进行优化。
4、手部主被动康复训练系统设计
根据手部主被动训练的康复需求，基于课题组在运动意图识别、脑机接口、软体手等方面的研究基础，设计了一种可康复训练可日常生活辅助的穿戴式主被动康复训练系统，系统的主要功能包括：多范式刺激、精细意图感知、多模式意图识别等[14]。
手部主被动训练系统可分为主动康复和被动康复两个部分。在主动康复训练中，对于患者主动意图的感知有两种：一种是在多范式刺激大脑皮层的基础上，从增强的EEG 中直接提取单侧手部伸-握动作精细意图的EEG 特征，实现对受试者手部动作的精细意图感知；另一种是发挥不同模式如EEG、眼电图(Electrooculogram，EOG)和肌电图(Electromyogram, EMG)模式的优势，构建多模式协同控制策略以产生更多的控制指令。在被动康复训练中，通过主动运动意图产生的控制指令或直接输入指令对软体康复手进行驱动控制，实现软体康复手辅助手部执行康复训练或进行日常生活。实验验证了系统辅助患者在线被动康复训练，通过正常受试者在线控制康复机械手辅助执行伸-握动作，其平均正确率达到92.71%，基本满足主被动康复训练的要求，也提升了主被动康复系统的实用化水平。同时，该手部主被动康复训练系统成功在多家医院和两家企业进行康复试用。
参考文献：
[1] De V, Mulder T. Motor imagery and stroke rehabilitation: a criticaldiscussion[J]. Journal of Rehabilitation Medicine, 2007, 39(1):5–13.
[2] 张进华，王韬，洪军，等．软体机械手研究综述[J]．机械工程学报，2017，53(13)：19-28．
[3] Schwartz A B. Cortical neural prosthetics[J]. Annual Review ofNeuroscience, 2004, 27(27):487–507.
[4] Daly J, Wolpaw J. Brain-computer interfaces in neurologicalrehabilitation[J]. Lancet Neurology, 2008, 7(11):1032–1043.
[5] Bundy D, Souders L, Baranyai K, et al. Contralesional brain–computerinterface control of a powered exoskeleton for motor recovery in chronic strokesurvivors[J]. Stroke, 2017, 48(7):1908–1915.
[6] Várkuti B, Guan C, Pan Y, et al. Resting state changes in functionalconnectivity correlate with movement recovery for BCI and robot-assistedupper-extremity training after stroke[J]. Neurorehabilitation and NeuralRepair, 2013, 27(1):53–62.
[7] Li L, Jing W, Xu G, et al. The study of object-oriented motor imagerybased on EEG suppression[J]. Plos One, 2015, 10(12):e0144256.
[8] Whyte J, Dijkers MP, Hart T, et al. The importance of voluntarybehavior in rehabilitation treatment and outcomes[J]. Archives of physicalmedicine and rehabilitation, 2019, 100(1):156–163.
[9] Zhang J, Wang B, Li T, et al. Non-invasive decodingof hand movements from electroencephalography based on a hierarchical linearregression model[J]. Review of Scientific Instruments, 2018, 89(8):084303.
[10]In H, Kang B B, Sin M K, et al.Exo-Glove: A Wearable Robot for the Hand with a Soft Tendon Routing System[J].IEEE Robotics & Automation Magazine, 2015, 22(1):97-105.
[11]Polygerinos P, Wang Z, GallowayK, et al. Soft robotic glove for combined assistance and at-homerehabilitation[J]. Robotics & Autonomous Systems, 2015, 73(C):135-143.
[12]Towards a soft pneumatic glovefor hand rehabilitation[C]// 2013 IEEE/RSJ International Conference onIntelligent Robots and Systems. IEEE, 2014.
[13]Jinhua Zhang, Hao Wang, Jiaqing Tang, Huaxia Guo, Jun Hong. Modelingand design of a soft pneumatic finger for hand rehabilitation[C] IEEEInternational Conference on Information and Automation. IEEE, 2015: 2460 –2465.
[14] Zhang J, Wang B, Zhang C, et al. An EEG/EMG/EOG based multimodalhuman-machine interface to real-time control of a soft robot hand[J]. Frontiersin Neurorobotics, 2019, 13:7.
