康復機器人與智能輔助系統的研究進展

侯增廣 趙新剛 程龍 王啟寧 王衛群

康復機器人與智能輔助系統的研究進展

侯增廣1,2,3趙新剛4程龍1,3王啟寧5王衛群1

我國正面臨日益嚴重的老齡化問題和數量龐大的殘疾人群,康復機器人與智能輔助系統的研究開發和應用有望為解決養老、失能輔助和康復問題提供部分技術手段.康復機器人與智能輔助系統涉及醫學、信息、機械、電子、材料、力學等多個學科領域,其研究與開發也面臨諸多挑戰和困難,本文從“康復機器人及多種康復訓練模式”、“智能輔助系統與生機電技術”、“康復與輔助相關的多模態傳感與控制方法”、“外骨骼和可穿戴系統、智能假肢與人機安全性”等方面介紹和討論康復機器人和智能輔助系統的問題和研究進展,以期為未來康復機器人和智能輔助系統的研究與開發提供些許借鑒.

康復機器人,智能輔助系統,外骨骼,可穿戴系統,智能假肢,康復訓練,多模態傳感,人機交互,生機電技術,人機安全性

DOI10.16383/j.aas.2016.y000006

截止到2014年底,我國60歲以上老齡人口已達2.12億.隨著社會老齡化的加劇和人民生活水平的提高,由腦卒中、脊髓損傷、腦外傷等原因造成的殘障人口迅速增長.我國每年新增約200萬腦卒中患者,至2030年,我國將有超過3000萬腦卒中患者.另外,我國各類殘疾人總數超過8000萬,其中肢體殘疾人口逾2400萬.大量的患者、失能者和老年人需要康復和輔助器具,然而,我國現有康復醫療資源非常緊缺,國內普遍采用的康復治療方法存在人員消耗大、康復周期長、效果有限等問題.康復機器人與智能輔助系統的研究和推廣應用有望有效緩解康復醫療資源供需矛盾,提高失能患者和老齡人群的生活質量,并帶動相關產業發展,增加就業,促進社會和諧,因而具有重要的社會意義.

目前,康復機器人與智能輔助系統已成為國內外機器人領域的研究熱點.機器人領域最具影響力的國際學術會議包括ICRA(IEEE International Conference on Robotics and Automation)、IROS(IEEE/RSJ International Conference on Intelligent Robots and Systems)等都設置專題對康復機器人與智能輔助系統進行研討;另外,IEEE機器人與自動化學會 (IEEE Robotics and Automation Society,RAS)和醫學與生物工程學會(IEEE Engineering in Medicine and Biology Society,EMBS)每兩年共同舉辦一次康復機器人國際會議(IEEE International Conference on Rehabilitation Robotics,ICORR),康復機器人與智能輔助系統是其核心議題.

在康復機器人和智能輔助系統領域,近年來,國內外學者和工程開發人員有許多新的研究成果,為了便于讀者了解本領域的研究現狀,下面分別從“康復機器人及多種康復訓練模式”、“智能輔助系統與生機電技術”、“康復與輔助相關的多模態傳感與控制方法”、“外骨骼和可穿戴系統、智能假肢與人機安全性”等4個方面對康復機器人和智能輔助系統的研究進展進行簡要回顧和討論.

1 康復機器人及多種康復訓練模式

目前,康復機器人的研究與應用較多面向腦卒中、脊髓損傷等造成的神經損傷患者,其典型癥狀是偏癱、截癱,患者在患病急性期一般先針對不同的病癥進行手術和藥物治療.現代康復醫學認為,在患者病情穩定之后應盡早開展康復治療.例如,對于由腦卒中造成的偏癱患者,其康復治療應在患者病情穩定后1～7周開始為宜;一般認為,神經系統功能的康復效果在發生功能障礙后3個月內較顯著,約在6個月內結束,此后神經系統功能恢復的可能性相對較小[1].經過實踐檢驗和發展,康復治療手段日益豐富,運動治療和作業治療是其中較為典型并在臨床廣泛應用的康復治療方法.通常認為,康復訓練主要對應于運動治療和作業治療.

傳統的康復訓練方法主要是由人工或者借助簡單器械帶動患肢進行,這類訓練方法一般需要多名醫護人員輔助,而且醫護人員的體力消耗很大,因此,很難保證康復訓練的強度和持久性;同時,人工康復訓練方法容易受治療師主觀因素影響,難以保證訓練的客觀性、精確性和一致性,限制了康復訓練方法的進一步優化和康復效果的提升.尤其是近年來人員成本不斷攀升,使得傳統訓練方法的康復費用不斷增加,給患者家庭及社會都帶來很大壓力.

康復機器人正是為了應對傳統康復訓練方法的不足而產生并發展起來的,它是將先進的機器人技術和臨床康復醫學相結合的一種自動化康復訓練設備,能夠發揮機器人擅長執行重復性繁重勞動的優勢,并可實現精確化、自動化、智能化的康復訓練,進一步提升康復醫學水平,增加患者接受康復治療的機會,提高患者的生活質量,促進社會和諧.

康復機器人技術相關的研究興起于上世紀90年代.上肢康復機器人的研究歷史相對較長,研究成果也較為豐富.美國麻省理工學院Hogan教授帶領的團隊較早開展了相關研究,該研究團隊研制的MIT-MANUS是末端式上肢康復機器人的典型代表.MIT-MANUS采用并聯機構實現二自由度的水平桌面運動,為患者提供肩肘關節的運動訓練;采用直驅電機作為關節機構的動力來源,因而具備良好的反向驅動性能;同時基于阻抗控制策略,實現了較好的柔順性[2].針對MIT-MANUS的大量臨床實驗表明:該平臺對改善患者上肢功能具有積極作用[3].該平臺的不足在于,其末端運動為二維的平面運動、軌跡相對簡單,與日常活動中人體上肢的復雜運動有較大差距.為此,相關學者提出了能完成空間運動的末端式上肢康復機器人,典型平臺包括:英國雷丁大學研發的GENTLE/s[4]、美國加州Palo Alto市康復研究與開發中心研制的MIME系統[5]等.同時為了進一步彌補末端式上肢康復機器人難以對人體上肢關節進行精確控制的不足,相關學者提出了外骨骼式的上肢康復機器人.目前,最為典型的外骨骼式上肢康復機器人是瑞士蘇黎世聯邦理工學院的Riener教授主持研制的ARMin上肢康復機器人[6].國內清華大學、中國科學院自動化研究所等對末端式上肢康復機器人開展了初步研究.哈爾濱工業大學、華中科技大學、中國科學院沈陽自動化研究所等研制了外骨骼式的上肢康復機器人.

在下肢康復機器人的研究方面,最為典型的外骨骼式下肢康復機器人是瑞士蘇黎世聯邦理工學院研制的Lokomat,其早期版本的下肢機構包含兩個自由度,對應于人體下肢的髖膝關節,同時結合跑臺、減重系統等實現了輔助人體行走的仿生學步態[7].其新的下肢機構增加了骨盆的側向運動和髖關節的內收/外展運動,以實現更加接近人體行走的自然步態.目前Lokomat下肢康復機器人已經獲得較為廣泛的臨床應用.美國特拉華大學研制的ALEX下肢康復機器人包含12個自由度,是采用較多自由度實現自然人體步態的典型平臺[8].相對而言,末端式下肢康復機器人實現較為簡單,使用也相對方便.典型的末端式下肢康復機器人包括: LokoHelp[9]、HapticWalker[10]、MIT Skywalker[11]等.國內中國科學院自動化研究所、上海交通大學、浙江大學等對外骨骼式的下肢康復機器人做了初步研究.哈爾濱工程大學等對末端式的下肢康復機器人進行了初步研究.

經過20多年的發展,國內外研究機構在上肢康復機器人的技術研究方面取得了很多成果,包括主動訓練、柔順性控制、處方設計、康復評價等在內的多項技術已經得到較深入研究并開始應用于臨床[12].然而,現有的上肢康復機器人還存在制作成本高、應用普及受限以及康復效果有限等問題.而下肢康復機器人的研究和臨床應用還非常不足,仍然存在許多問題有待進一步研究[13].

現有康復機器人平臺在機構設計、人機交互、實驗與評價等多個方面還存在不足.康復機器人的機構設計與特定的康復需求緊密相關.例如,針對踝關節功能障礙患者的訓練需求設計踝關節康復機器人,針對患者平衡能力不足設計平衡訓練系統等.踝關節是人體下肢較容易受損的關節,現有踝關節康復機構存在機構復雜、機構與人體踝關節轉動中心一致性難以保證、可靠性不足等問題.在本專刊中,李劍鋒等提出基于3-UPS/RRR的并聯踝關節康復機構,可彌補現有踝關節康復機器人的不足.該機構以踝關節的生理解剖結構和運動特性為基礎,基于三個主動支鏈實現三自由度的轉動、并采用約束支鏈和動平臺相結合的設計方法實現人體踝關節與機構轉動中心的一致匹配.姜禮杰等提出了一種適用于偏癱訓練的上下肢協調運動康復機器人,以肩、膝關節角度協調變化規律為設計目標,基于五桿變胞機構設計了康復訓練機構及主/輔傳動鏈,通過樣機實驗驗證了系統的可行性.

針對下肢功能障礙患者腿部力量較弱、平衡能力差等常見問題,在下肢康復系統中設計主動減重功能有望改善系統整體性能、提高康復效果.現有減重系統多存在運動空間小、減重力變化大、易產生側向和前后拉力等問題.本專刊中,于寧波等設計的單繩懸吊主動減重系統有望解決上述問題.該系統在水平方向采用橋式吊架結構和伺服系統控制吊繩保持豎直;在豎直方向采用繩牽引彈性執行器并結合滑模控制器,實現對吊繩偏角和拉力的精確控制.現有康復機器人大多采用電機驅動,其重量、剛性及慣性往往較大,因而物理系統的柔順性相對較差.采用氣動肌肉、繩驅動等柔性驅動方式有望解決這方面的問題.

康復訓練方法是康復機器人系統設計的重要內容.早期設計的康復機器人一般只提供被動式的訓練方法.訓練時,由機器人帶動患肢執行定軌跡的運動訓練,患者只是被動接收訓練,而沒有運動意圖的主動參與.這種訓練方法主要是為了減輕治療師的繁重體力勞動,增加患者獲得康復訓練、恢復肢體功能的機會.例如,Lokomat的早期版本只提供被動的步態訓練;臨床上大量應用的CPM機、簡易康復踏車等一般也只提供被動的訓練模式.而現代康復醫學認為,運動康復訓練主要基于神經系統的可塑性原理,其根本目的是激發患者中樞神經系統的重組和代償,實現患者神經系統功能的恢復,進而恢復患肢的運動功能.

康復醫學的臨床研究表明,有患者運動意圖主動參與的康復訓練對于患者神經系統重建和運動功能恢復更加有效[14].由此產生兩個方面的問題,一方面需要精確識別患者的運動意圖,以便有效驅動機器人按照患者意愿運動;另一方面,則需要根據患者病情設計力或者運動的輔助方式.目前,基于肌電、腦電、力位等信息識別患者運動意圖的方法已經獲得廣泛研究,但在識別準確率、識別模型的魯棒性方面還需進一步提高;多模態信息融合技術有望成為解決該問題的有效途徑[15].同時,在主動康復訓練中,機器人的輔助模式必須根據患者病情的不同進行相應的調整,實現個性化的訓練.例如,針對康復初期患者,其肌力較弱,一般需要機器人提供較大的驅動力輔助患者完成運動訓練;而隨著患者肌力的逐漸恢復,機器人可以逐步減小輔助力,并逐漸由助力轉化為阻力,以加大患者的訓練強度,改善康復效果.這種“按需輔助”(Assist as needed)的訓練方式在上肢康復機器人(如MIT-MANUS)的臨床應用中獲得了較好的效果[3].在下肢康復方面,主動康復訓練模式還需要進一步研究,包括進一步改善意圖識別精度、改善操作柔順性等[16].文獻[12]把康復訓練方法作為上層控制策略(“High-level”control strategies)來考慮,并對多種機器人訓練方法進行綜述.近年來,學者又提出了鏡面對稱[5]、誤差放大[17]、虛擬隧道[18]、虛擬力場等訓練方法,進一步豐富了機器人輔助的康復訓練模式.

此外,采用功能性電刺激(Functional electrical stimulation,FES)等先進技術手段有望進一步增強對患者神經的刺激、提高患者神經的參與程度.但是,FES容易受外部干擾、肌肉疲勞等因素影響,采用FES技術實現有意義的肢體關節運動是目前的難點之一[19].在本專刊中,吳強等人研究了基于FES閉環控制技術輔助下肢膝關節進行運動訓練方法.該論文基于膝關節的動力學模型建立基本的滑模控制器,采用徑向基(Radial basis function, RBF)神經網絡對膝關節動力學模型誤差進行補償,并基于膝關節角度和角速度誤差建立自適應律對RBF神經網絡權值進行自適應調整,建立了運動反饋的FES閉環控制策略;同時,該論文給出了較豐富的仿真和人體實驗,對控制策略的穩態響應性能、抗擾動性能、抗肌肉疲勞性能等進行驗證;為FES控制技術的臨床實用化提供參考.

康復機器人研究和開發的最終目的是實現臨床應用,科學、嚴格的臨床實驗和康復評價是檢驗康復機器人系統性能的重要手段.臨床上常采用的康復評價指標包括關節活動度(Range of motion,ROM)、肌力(Muscle strength)、本體感覺(Proprioception)[20]、異常的關節扭矩耦合與協同(Abnormal joint torque coupling and synergies, AJTCS)[21]、關節阻抗(Joint impedance)[22]、下肢行走功能(Walk function)[23]等.針對每一類型指標還有對應的細分類型,例如ROM包括被動ROM (pROM)、主動ROM(aROM)、終端感覺(Endfeel,神經損傷患者在患肢關節運動到ROM極限角度時往往表現出一種病態的行為特征,臨床上可以用End-feel來評價[24])等.目前,評價康復機器人的有效性一般也采用臨床康復評價的相關指標.

在本專刊中,林海丹等通過臨床實驗研究了康復機器人輔助步行訓練對不完全性脊髓損傷患者步行能力的影響.該文以16名不完全脊髓損傷患者為實驗對象,將患者隨機分成數量相等的試驗組和對照組,并分別在常規康復治療基礎上施加機器人輔助步行訓練和地面步行訓練;在治療前及治療4、8、12周時采用LEMS(下肢運動功能評分)和WISCI II(脊髓損傷步行指數II)兩種指標進行評價;基于該論文所述下肢康復機器人的實驗表明,采用機器人輔助患者進行康復訓練,在提高肌力方面并不優于常規的地面步行訓練,但在提高步行能力上則具有明顯優勢.

傳統的評價方法主要由相關醫生手動進行操作,例如評價ROM指標時,由醫生帶動患肢并采用角度儀等測量患肢關節的最大活動角度.該方法很大程度上受醫生經驗、操作手法等的影響,因此,臨床上同一名患者整個康復階段的評價工作往往都由同一名醫生完成.而基于康復機器人的康復評價方法則有望彌補傳統方法的不足.目前,在康復機器人上實現對患者肢體功能的評價研究已取得初步進展,例如,Lokomat康復機器人初步實現了對患者下肢pROM 指標的評價[25],Lokomat[25]、ALEX[26]、LOPES[27]初步實現了對患者肌力的評價等.但是,現有機器人輔助評價的方法在有效性和全面性方面還非常不足.例如,康復機器人上還未實現針對下肢End-feel指標的評價;針對患者下肢ROM指標的評價方面,目前只有Lokomat初步實現了該功能;針對下肢動態過程中的AJTCS評價研究非常缺乏[21]等.上述不足還有待相關學者進一步研究解決.

2 智能輔助系統與生機電技術

面向老年人和運動功能障礙群體的智能輔助系統,集仿生結構、無線傳感、智能控制等技術于一體,因市場潛力巨大,受到眾多研究者及制造商的青睞.

針對老年人和殘障人群的代步問題,1986年英國首先在電動輪椅的基礎上研制了智能輪椅.此后許多國家的科研機構開展了這方面的研究[28].智能輪椅是在電動輪椅的基礎上,同時融合了移動機器人、智能控制、模式識別、人機交互等技術,它具有路徑規劃、主動避障和自主導航等能力,在室內環境可基于信標、地圖等環境模型自主運動,在室外環境可通過衛星導航實現大范圍運動,另外還可以通過人機接口按照操作者的指令和意圖運動.

美國麻省理工學院人工智能實驗室開發了半自主輪椅機器人Wheelesley,該系統使用編碼器、紅外和超聲波傳感器來構建環境感知系統,在不需要全局地圖信息的情況下實現室內的自主導航.基于機器視覺設計的“鷹眼”控制系統,通過檢測人眼部運動代替鼠標在人機界面的操作,實現輪椅的控制[29].西班牙SIAMO項目研發的多功能智能輪椅系統采用模塊化設計原則,針對用戶殘障程度的差異性,設計了智能操作桿、語音及頭部運動識別、呼吸控制及眼電信號控制等多種人機交互接口[30].日本AISIN精機和富士通公司共同研制的TAO Aicle智能輪椅在室內環境下通過GPS、WLAN和RFID信標等進行數據收集與通信,監控輪椅移動狀態,為用戶提供交通信息,能夠自動避開障礙物、移動至目的地,通過搭建的小型PDA設備提供移動路徑與目的地的管理[31].

國內近年來在智能輪椅上取得了一定的研究成果,中國科學院自動化研究所研制了一款基于嵌入式系統的RoboChair智能輪椅,具有“多模態人機交互”和“非結構場景下的融合導航”兩大主要功能[32?34].在多模態交互中,輪椅提供手勢識別、頭部狀態識別、面部表情識別等控制接口.在導航避障方面,RoboChair使用基于視覺的自定位算法和平滑的軌跡規劃避障算法,實現在室內環境中的精確定位和導航,并成功應用于醫院室內導航和U型病床的自動停泊.上海交通大學研制的“交龍”智能輪椅通過觸摸屏、攝像頭、麥克風與用戶交互,能夠對運動路線上的行人等動態障礙進行躲避,自主地運動到目的地[35?36].重慶郵電大學的國家信息無障礙工程研發中心致力于研發輪椅的多模態控制方式,包括肌電識別、腦電識別、視覺跟蹤等控制交互接口[37?39].

針對下肢功能開始衰退的老年人和殘疾人群,利用智能輔助系統正確地進行站立和步行訓練對其下肢運動功能恢復以及促進身體健康水平具有重要意義.美國麻省理工學院研制了著名的PAMM系統,包括智能型步行機和智能手杖裝置,該系統利用力覺傳感器作為主要的輸入接口,驅動系統底部的主動輪,從而實現幫助用戶行走的功能[40].為了解決穿戴不方便問題,日本本田公司設計智能下肢助力系統,這種佩戴在臀部的機械裝置可以幫助肌肉力量不足的老年人提高行走速度、延長行走距離、改善步伐整齊性,同時還可以監測用戶的心跳自動調整步行速度[41].

在本專刊中,徐文霞等針對助行機器人,提出了一種基于多傳感器融合的助行機器人運動控制方法,機器人既可以順應用戶的行走意圖也能預測用戶在使用過程中可能發生的跌倒,使用基于KF的SPRT方法和決策函數來判斷用戶是否跌倒及跌倒模式,并采取有效的跌倒防護策略.助行機器人實驗驗證了提出方法的有效性.

智能輔助系統需要與使用者直接接觸,因此要求系統在人機交互過程中,不僅能夠被動接受指令,更要主動理解使用者的行為意圖,以便自主為使用者提供必需輔助[15].人體生理電信號是載有人行為信息的神經脈沖傳輸到相關組織/器官時所激發的電位和,直接反應人的意圖.通過解碼人體生理電信號以識別人的行為,進而賦予智能輔助設備能夠理解人的意圖的能力,已成為研發新型生機電輔助設備的重要技術.常用的生理電包括肌電(Electromyography,EMG)、腦電(Electroencephalography,EEG)、眼電(Electrooculography, EOG)、舌電等[42].與傳統機電一體化系統相比,融合生機電技術的系統具有以下優點:1)可針對輔助系統進行自然控制,實現擬人人機交互;2)適用于包括肢體殘缺、損傷患者在內的各種用戶;3)生理電信號一般超前于實際運動,可以提供運動預判;4)生理電蘊含著力、運動、生理狀態等多種信息,可以實現多模式交互控制;5)應用生機電技術更容易開發便攜式或穿戴式設備.

生機電技術的核心之一是通過生理電信號精確識別出人體的行為意圖,通常包括信號去噪、特征提取、離線運動建模、在線運動估計等步驟.針對基于肌電的運動識別問題,Phinyomark等評估不同肌電特征對動作識別的影響[43];Chan等設計并優化識別上臂6種動作模式的隱馬爾科夫模型[44]; Chu等提出基于線性判別的肌電時頻特征投影變換算法,識別9種手部/腕部動作,并實現肌電假手的在線控制[45];Cavallaro等改進了基于肌電的Hill肌肉力模型,構建肌電控制的上肢康復系統[46]; Artemiadis等建立映射肌肉活躍度到關節連續運動量的狀態空間方程,并引入補償疲勞干擾的模型自適應機制[47?48];Ajoudani等提出了基于肌電的遙阻抗控制策略,通過肌電空間正交分解,估計出位置環境中手臂末端三維剛度,并利用估計結果實現輔助設備的阻抗控制[49];Karavas等建立了由肌電估計關節力矩及剛度的模型,并實現下肢膝關節輔助裝置的剛度在線控制,模擬人體運動的自然柔性[50].

針對一些運動功能嚴重損傷患者,當其肌肉無法激發主動EMG時,采用與實際運動共享相同神經機制的運動想象激發的EEG進行輔助設備控制,便是一種替代選擇.布朗大學研究者在一名腦卒中癱瘓患者的腦內運動皮層區植入一個微電極陣列,采集神經元活動尖峰信號,解碼受試者手臂運動意圖,控制機械臂輔助患者完成了喝咖啡任務[51];Sadeghian等采用共同空間模式提取EEG特征,然后結合支持向量機對4種想象運動進行預測[52];Iturrate等設計一種非侵入式腦控輪椅,把腦電P300視覺刺激信號與虛擬現實場景相結合,使得測試者可以利用圖形用戶接口,通過想象控制輪椅[53].為進一步提高運動想象控制效果,已有研究者利用EOG增強運動想象腦機接口的性能. Witkowski等在腦控外骨骼手部康復系統中,增加了EOG輔助控制系統,通過識別使用者向左/右看的眼部動作,獲知其希望緊急打開或關閉外骨骼裝置的意圖[54];在另一項基于運動想象控制輪椅的研究中,借助增加的EOG系統,識別使用者連續三次快速眨眼的動作表達,實現對輪椅的停止控制[55].與運動想象EEG相比,采用視覺刺激誘發穩態電位或事件相關電位能獲得更高運動識別率,許多研究者也在嘗試將EOG與視覺誘發電位或事件相關電位相融合,以設計能實現更多運動模式的混合腦機接口[56?57].

生機電技術近年來備受關注,盡管應用該技術已開發了多種智能輔助設備與系統,但大多仍處于實驗探索階段,一些有待解決的關鍵技術問題制約了其進一步推廣.首先,生機電技術的應用很大程度受約束于生理電自身特性及其獲取與處理方法.生理電信號通常是非線性、非平穩性、時變的弱電信號,且具有個體差異性,容易受到使用者的體征、生理狀態、外界干擾等因素影響,設計抗干擾生理電傳感器,優化信號處理方法,建立適用于不同個體的自適應運動模型,是構建穩定生機電系統要解決的關鍵問題;其次單一生理電信號往往有無法回避的缺陷,比如肌電完全依賴于其激發肌肉、腦電空間分辨率低、特定眼動模式激發的眼電讓使用者不自然等,融合多種生理電或增加輔助的力、慣性測量等傳感器,可以提升生機電智能輔助系統的自然控制與環境感知能力.應用多類傳感信號,需要考慮多源信息同步融合及系統實時性問題,以防出現操作延時.生機電技術仍是今后很長一段時間內的研究熱點,新成果的不斷涌現將促進基于生理電信號的智能輔助系統的推廣應用,為改善/恢復運動功能障礙患者的運動提供支持.

在本專刊中,陳靈等針對智能輪椅控制問題開展研究,提出基于路徑曲率優化的室內環境下智能輪椅通過狹窄過道的控制方法.算法以貝塞爾曲線的曲率及其變化率最小為優化目標,以輪椅過通道時的方向及貝塞爾多邊形應為凸多邊形作為約束,規劃出一條平滑的最優路徑,然后控制輪椅實時跟蹤這條路徑.仿真及實驗結果驗證了算法的有效性.

在本專刊中,左國玉等提出了一種遙操作護理機器人系統,研究了同構式遙操作護理機器人系統的操作者人體姿態解算方法,實現人體姿態到機器人動作的同構性映射,所提方法能夠滿足機器人進行一般護理作業時對人體姿態數據處理的快速性和準確性要求.

李向攀等采用氣壓驅動器實現輕量、柔性助力、穿戴舒適的可穿戴式腰部助力機器人,可以給護理人員在提升重物和靜態保持作業時輸出腰部所需助力,降低下腰痛致病風險.通過對重物搬運作業中穿戴者豎脊肌表面肌電信號評估、基于測力平臺最大搬舉重量測試、靜態彎腰負重作業下人體重心移動軌跡等相關實驗,驗證了助力有效性.

3 智能康復與輔助相關的多模態傳感交互與控制方法

一個良好的康復與輔助系統需要智能的感知和控制系統作支撐.為了給患者創造一個安全、舒適、自然的康復訓練或者輔助環境,機器人和患者之間的交互與控制不可或缺[58].感知系統不僅能夠識別患者和機器人當前的狀態,還能夠幫助實現患者和機器人的交互.既可以構成閉環控制系統,加強系統的控制精度;又能夠利用力、位置等信息實現機器人的柔順控制,還能作為評估信號參與康復機器人性能的評估標定.一個優良的控制方法能夠為患者創造安全舒適的訓練環境,鼓勵患者積極參與到康復訓練中來,極大地提高了康復效果.康復機器人的信息感知及其控制大體上可以分為基于運動信號的感知控制以及基于生理信號的感知控制.

3.1 基于運動信號的感知及其控制

基于運動信號的感知及其控制主要是利用傳感器采集當前患者肢體關節的運動狀態,反饋給控制單元,形成相應的閉環控制系統,能夠實現柔順控制,極大地加強了控制精度及準確性,有效地防止二次損傷.

3.1.1 基于運動信號的感知

目前國內外常見的可檢測的運動信號主要是位置角度類信號以及觸力覺信號.

用來檢測位置角度類信號的傳感器主要有:位移傳感器、彎曲度傳感器、光學編碼器、磁增量編碼器、霍爾傳感器、角度型數據手套、Leap motion、三軸陀螺儀、加速度計等.其中位移傳感器、彎曲度傳感器、三軸陀螺儀及加速度計主要是安裝在外骨骼機器人上,隨著患者肢體的運動變化,傳感器的內部參數也發生相應的變化,從而得出患者當前的運動狀態.位移傳感器及彎曲度傳感器在患者肢體發生相應彎曲時,傳感器也發生相應的物理量變化,通過變化識別患者肢體的彎曲角度,具有測量簡單、超薄封裝、方便信息的采集與處理等優點.三軸加速度計及陀螺儀一般兩者綜合使用.加速度計傳感器對物體姿態的識別是基于傳感器的敏感軸對重力的感應實現的.將加速度傳感器置于待測物體水平面上,當物體發生轉動,加速度傳感器的敏感軸也發生轉動,加速度也會發生改變,因此能夠表征物體姿態的變化.陀螺儀用來測量當前動態載體的角速率,再利用高精度積分函數對角速率進行積分從而得到姿態角.但是由于三軸加速度計和陀螺儀在測量的過程中存在誤差,通過傳感器數據融合之后進行姿態解算得到的數據會有漂移現象并受噪聲干擾,可以結合卡爾曼濾波對姿態解算數據中出現的噪聲和漂移進行處理和校正,提高測量精度.光學編碼器、磁增量編碼器主要是安裝在電機內部或者連接在電機的旋轉軸上,通過幾何關系產生的傳動比以及自身的轉角,便能夠計算出關節轉角.但是由于設備的機械性質,有些遠端關節的傳動繩需要經過近端關節,因此繩的長度會受其所穿過的近端關節的影響,造成較大的測量誤差,不利于產生精確的反饋及控制[59].因此,在實際的處理過程中,可以通過改進設備的機械性質,通過幾何關系以及實驗來確定關節轉角和傳動繩長度之間的映射關系,并且通過電機轉角以及轉速的閉環控制對摩擦力進行補償的方法來實現更加精確的角度測量.霍爾傳感器沿著轉軸安裝用來做限位開關,限制外骨骼的轉角范圍,也可以用來測量肢體的角位移[60].

用來檢測觸力覺信號的傳感器主要有電阻應變式傳感器、硅壓阻式力傳感器、六軸F/T傳感器、張力傳感器、應變儀、電子皮膚、觸覺傳感器等.電阻應變式傳感器、張力傳感器、應變儀等力傳感器主要是用來檢測患者與外骨骼機器人之間的交互力,用以評估了解患者當前的康復狀態,如Ali等的智能醫療評估手套使用的就是力敏電阻[61].在患者康復初期,添加有效的人機交互力控制,能夠有效地避免患者在運動過程中出現肌肉痙攣現象.六軸F/T傳感器、觸覺傳感器、電子皮膚等傳感器主要是用來檢測患者與外界環境之間的接觸情況,用以實現康復過程中對患者的輔助以及在用于智能假肢時感知外界環境等信息.如Jeong等采用肌腱張力傳感器測量肌腱的張力,這樣在僅使用一個傳感器的情況下能夠涵蓋所有的手指抓取情形[62].六軸F/T傳感器能夠測量多個方向上力的變化,但是受體積等因素的影響,還較難實現.還有一種電子皮膚式的觸覺傳感器,目前僅處于實驗室階段.

3.1.2 基于運動信號的控制

基于運動信號的控制是指將位置角度、力傳感器采集得到的運動信號引入控制系統中,構成一個閉環控制系統,從而更好地實現軌跡控制、柔順控制,提高康復訓練效果.基于運動信號的控制主要可以分為位置型控制、力信號型控制、力位混合控制等.

位置型控制是指依據訓練需求,制定好肢體末端或操作空間上的運動軌跡,以運動軌跡誤差或者運動速度誤差為操作對象,肢體控制方法使運動軌跡不斷地偏向預設軌跡,從而使機器人按照預定的軌跡進行運動,如Cempini等研制的康復機器人便采用4個獨立的位置閉環對機械手進行運動控制[63].力控制是指對機器人的末端作用力或者關節的力矩所做的控制,如意大利的Iqbal等研制的外骨骼機器人就采用了力反饋控制系統[64?65].力信號型控制以人機之間的交互力作為控制對象,使康復機器人能夠按照意愿進行相應的運動,從而達到訓練的目的.如Zanotto等研制的自適應下肢機器人就利用力、力矩信號構成含有重力和摩擦力補償項的反饋閉環控制系統以減少人機之間的交互偏差[66].還可以利用力、力矩信號構成前饋控制,利用應變片等測量的接觸力計算關節的轉矩,能夠在不引起振蕩的情況下減少延時以及實現扭矩的迅速產生.如Agarwal等的外骨骼康復機器人便加入了前饋PID控制系統,能夠較好地跟隨外骨骼的期望轉矩軌跡[67].力位混合控制是指依賴于位置的偏差以及力的偏差對康復進行控制,從而達到更加精確與安全的控制,如Jones等提出的外骨骼康復機器人就采用了力和位置兩個控制信號對外骨骼機器人做實時控制,保證了康復過程中的控制精度及安全性[59].在力位混合控制中,將任務空間化為力空間和位置空間兩個子空間,并在相應的位置完成相應的跟蹤控制.將人機交互力以及機器人與環境之間的環境力引入位置控制系統中,在位置與外力的作用下,加強康復機器人的柔順控制.此外,還可以通過數據手套、Leap motion等傳感器采集肢體的角度等運動信息實現對康復機器人和智能假肢的運動控制.如日本東京早稻田大學Tang等研制的手指機器人便采用了5DT數據手套采集正常手的運動信息[68],從而驅動待康復手進行相同的運動.馬耳他大學的Dalli等利用Leap motion檢測人手的運動狀態,進而控制智能假肢實現同步運動[69].

在本專刊中,杜惠斌等介紹了基于Kinect的深度圖像傳感器在肢體康復系統中的應用,他們利用兩臺Kinect采集患者健康側手臂運動數據,然后基于“鏡像運動”原理計算出患側手臂的運動指令,用于控制可穿戴式鏡像康復外骨骼帶動患者患側手臂完成三維動畫提示的康復動作.

王曉峰等在機器人與人體上肢接觸面安裝力傳感器采集人機交互力矩信息作為量化的主動運動意圖,設計了一種無模型自適應濾波算法使交互力矩變得平滑而連貫;同時設計了人機交互阻抗控制器,用于調節各關節的給定目標速度;最后利用無模型自適應與離散滑模趨近律相結合的速度控制器,實現機器人各關節對目標速度的跟蹤.

3.2 基于生理電信號的感知及其控制

基于生理電信號的感知及其控制,是指康復機器人從患者身上獲取相應的生理電信號,通過對信號的識別,判斷出患者的運動意圖,以運動意圖為依據設計控制器帶動患者肢體進行康復訓練.

3.2.1 基于生理電信號的感知

本文第2節已經提及主要的生理電信號類別,其中,肌電信號主要是利用表面肌電信號(Surface eletromyogram,sEMG),其一直被視為最適合作為康復機器人控制系統的生理反饋信號,在運動意圖識別上具有良好的精度及魯棒性[70].如Bao等的氣動康復機器人便是利用sEMG實現對患者運動意圖的識別,從而實現康復訓練控制[71].腦電信號主要利用腦皮層的相關電位信息,分析出腦電信號與運動之間具有相關性.腦電信號的提取具有植入式和非植入式兩種,植入式腦電信號特異性強、信噪比高、后期處理簡單,但是技術困難,并且存在倫理問題.非植入式主要是將電極置于頭皮上來提取腦電,由于其無創性,更受研究者的青睞.但是基于EEG信號的運動預測和運動控制還處于起步階段,并且EEG信號的信噪比很低,目前在康復機器人上實際應用并不多見.

由于sEMG信號具有很強的模糊性,有時對于同一個人同一個動作所采集到的sEMG信號都有所不同,因此,肌電信號的特征提取尤為重要.目前,常見的sEMG信號特征提取方法有時域法、頻域法、時頻域法等.時域法主要有絕對值積分、過零點率、均方根、均值、平方和等方法,通過時域分析方法,可以得出sEMG信號的強度等特征.頻域法主要包括功率譜估計、倒頻譜分析等特征計算方法,其中平均頻率和中值頻率的使用較為常見,可以用來判斷肌肉的疲勞程度.時頻域法便于研究sEMG這類非平穩信號,目前較為常見的有維格納分布和小波變換法,維格納分布為信號提供了高分辨率時的時頻特征,具有良好的抗噪能力,反映了信號的能量分布;小波變換法是傅里葉變換的延伸,能夠顯示信號的局部特性,可以看成是一種頻率可調的帶通濾波器.目前常見的用于sEMG信號的分類方法有K近鄰、支持向量機(Supportvector machine,SVM)、高斯混合模型(Gaussian mixture model,GMM)、人工神經網絡等.在基于sEMG的模式識別問題中,會遇到數據缺失的問題,對于此類數據缺失問題,可以采用期望最大化(Expectation maximization,EM)等方法擴展為全維的GMM模型,然后利用貝葉斯分類或者條件平均算法進行分類.對于數據維數太高的樣本向量,為了提高識別速率,降低計算成本,常常需要進行降維處理.可以采用PCA方法進行降維,再使用多層感知器(Multi-layer perceptron,MLP)進行分類.也可以采用LDA算法進行降維,再采用隱馬爾科夫模型(Hidden Markov model,HMM)進行分類[72].

在本專刊中,孟明等通過引入堆疊降噪自動編碼器,提出了一種多類運動想象腦電信號的兩級特征提取方法.該方法將腦電信號變換到使信號方差區別最大的低維空間,然后提取更好表達類別屬性的高層抽象特征,最后使用Softmax分類器進行分類.通過BCI競賽中的實驗數據,驗證了該方法的有效性和魯棒性.

3.2.2 基于生理電信號的控制

基于肌電信號的控制方法有諸多優點:類似于腦電控制,它也是基于人體運動意圖的一種控制方式;肌電在肌肉收縮運動之前產生,采集肌電可以預判運動意圖;能夠開發相應的攜帶和穿戴式設備;無創性以及高效率.如Adewuyi等實驗證實使用EMG信號數據對于19種手指抓取以及手指動作的識別精度能夠達到96%[73].Lee等利用sEMG信號輔助多自由度機器人實現在未知外部信號下的魯棒控制[74].對基于腦電信號(EEG)的控制方法,不需要經過神經肌肉的控制,同時肌肉電刺激也不會影響腦電信號的記錄.如Guo等研制的外骨骼手指康復機器人就采用腦電信號作為控制信號[75].基于腦電信號的控制可以應用于肌無力、脊髓損傷乃至完全喪失運動能力的患者,但是這類方法的局限在于其只能應用于大腦運動控制功能正常的癱瘓患者,不適用于腦區運動神經損傷患者,因為該類患者的大腦運動功能區域已經受到損傷,不能產生正常的肢體運動控制的EEG信號[66].并且EEG信號具有低信噪比的特點,直接采用EEG信號控制外骨骼具有很大的挑戰性.

利用運動信號的控制由于采集處理數據的時間滯后,導致控制的實時性偏差,而sEMG信號超前于運動產生能有效地擬補運動信號的滯后性,另一方面,關節角度等運動信號能夠幫助解決sEMG信號強模糊性及環境強耦合性等問題.因此,建立關節角度、人機交互力以及sEMG信號的多源信號融合的識別算法,能夠更準確、實時地識別患者的運動意圖,從而達到更加良好的康復效果.

4 外骨骼和可穿戴系統、智能假肢與人機安全性

融入機器人技術的外骨骼機器人、可穿戴系統和智能假肢是近年來國內外的研究熱點[76].

外骨骼機器人和可穿戴系統研究重點為動力外骨骼系統.按照應用場合分類,外骨骼分為負重型外骨骼(助力外骨骼)和動力矯形器.外骨骼按照結構又可以分為單關節外骨骼和多關節外骨骼.

負重型外骨骼用于增加穿戴者的負重能力,其一般通過機械結構支撐或者分擔加載到人身體上的負重.美國加州大學伯克利分校的研究人員研發的伯克利全下肢外骨骼“BLEEX”[77?79]是第一套具有主動控制的下肢負重型外骨骼.BLEEX的主體結構包括雙側的仿生機械腿和背部固定負載的機械裝置,每側機械腿根據人體下肢的生理構造分為大腿、小腿和腳板,髖關節、膝關節和踝關節分別采用液壓驅動.在運動過程中,背部負載的重量通過兩側的機械腿轉移至地面,從而減輕穿戴者的自身負重.日本筑波大學Sankai團隊研制了用于增強健康人負重能力和下肢康復的外骨骼“HAL”系列[80?83]. HAL-5[83]為該系列外骨骼有代表性的原理樣機,它包括上肢、下肢和軀干部分,其通過位于髖關節和膝關節處的直流電機為穿戴者的下肢運動提供助力.日本神奈川工科大學的研究人員研發了輔助醫護人員轉移病人的全身外骨骼Power assisting suit[84?85].該外骨骼通過氣壓傳動驅動器為穿戴者的肘關節、腰部和膝關節提供助力.Power assisting suit在設計過程中不僅考慮了助力效果,而且該外骨骼的機械結構完全在穿戴者的背面,因此穿戴者在對病人進行護理過程中保持著直接的物理交互,保證了病人的舒適性.哈佛大學研究人員研發的柔性外骨骼服,“exosuit”系列[86?89].Exosuit沒有剛性的機械結構來提供支撐,該機器人通過繩索驅動的方式在人行走的過程中提供助力,減小相應的肌肉收縮強度,從而降低人體能量消耗.其實驗結果表明,exosuit的驅動方式能夠在行走過程中提供有效的助力,盡管它提供的助力并不能抵消系統自重帶來的能耗增加,但是該研究團隊提出的exosuit概念為未來柔性穿戴式機器人的發展提供了全新的思路和參考.

動力矯形器類的外骨骼機器人用于為有運動障礙的病人或老年人提供支撐、輔助或者矯正,幫助他/她們恢復運動能力.國際上比較有代表性的研究成果和產品,比如美國的ReWalk系列[90]和eLEGS[91]等.其中,ReWalk外骨骼已經在世界多個國家和地區的康復醫院進行臨床應用,也有很多針對截癱病人康復的臨床研究也應用到了ReWalk外骨骼[90].非全下肢動力外骨骼包括單關節和多關節兩類.機械結構和驅動方式根據康復的目的各有不同,世界上很多研究機構和公司也都從事此類外骨骼的研究.比如,瑞士Hocoma公司研發的產品Lokomat[92?93],是目前應用最廣泛的用于腦卒中病人和脊髓損傷康復的穿戴式下肢康復機器人,Lokomat通過電機為病人的髖關節和膝關節提供助力,同時背部連接到可以跟隨重心上下移動的平臺上,訓練過程在跑步機上完成.美國德拉華大學研發了用于腦卒中病人康復的下肢動力外骨骼ALEX[94].ALEX通過電機和直線驅動器為髖關節和膝關節提供助力,其背部連接到一個機械支撐裝置上,用于支撐外骨骼和穿戴者的重量.除此之外,還包括單關節動力外骨骼,單關節動力外骨骼包括髖關節、膝關節和踝關節外骨骼等3種.單關節動力外骨骼的作用是在行走過程中特定的步態階段為穿戴者提供干預、調節相應關節的動力學系數,改善行走的質量.幾款有代表性的單關節動力外骨骼比如,意大利圣安娜高等研究院仿生機器人研究所研發了用于為老年人和下肢運動障礙的病人提供助力的髖關節外骨骼APO[95],該外骨骼通過電機串聯柔性驅動器為髖關節屈伸方向提供連續的助力.相對于髖關節和膝關節動力外骨骼,踝關節動力外骨骼研究較多,一個原因是因為在人類行走過程中,踝關節肌肉(比目魚和腓腸肌)為身體支撐和前進提供主要的力[96].幾款有代表性的踝關節動力矯形器類外骨骼比如,美國麻省理工學院Herr研究組研發了用于康復足下垂的踝關節動力矯形器外骨骼AAFO[97],該矯形器外骨骼由電機串聯柔性驅動器為踝關節背屈和跖屈方向提供助力.在臨床實驗中,經過一段時間的康復訓練,該動力外骨骼能夠提高足下垂病人的行走速度和步態對稱性,同時減少了腳掌拍擊地面的步態.哈佛大學的研究人員研發了柔性踝關節動力外骨骼可穿戴系統[98],該外骨骼依靠人工肌肉進行驅動,并能夠提供跖屈背屈方向和內翻外翻方向的助力,柔性的外骨骼使設備穿戴更符合人體工程學.初步實驗結果驗證了該柔性動力矯形器的控制性能和助力性能,柔性外骨骼也為未來動力外骨骼的發展提供了新思路.在卡內基梅隆大學和北卡羅來納州立大學合作的研究[99]中,研究人員設計了一款純被動的踝關節外骨骼,該外骨骼通過機械離合器控制并聯在小腿后側的彈簧拉伸和釋放,在行走過程中分擔小腿肌肉的力量,從而降低人體能耗.

在外骨骼機器人領域，國內的電子科技大學、北京航空航天大學、哈爾濱工業大學、浙江大學、中國科學院深圳先進技術研究院、中國科學院合肥智能機械研究所等多家單位開展了研究工作并取得進展。

目前,智能假肢研究重點主要包括兩個方面:智能肢體的設計與控制[100?104],以及基于多傳感器融合的人體運動意圖識別研究[105?108].前者主要關注如何利用智能仿生技術設計假肢的機械結構和控制方法,使假肢關節在行走過程中具有更接近于人體關節的力學特性;而后者則關注如何根據采集的人體生理信號和假肢傳感器信號識別出人的運動意圖,并根據識別結果調整假肢的控制參數,以實現自然、流暢、穩定的行走.

人體運動意圖識別的主要方法包括:基于人體生理電信號和基于機械傳感器信號兩類.本文前面已經提過,人體生理電信號主要包括應用腦電信號和肌電信號等.腦電信號作為運動意圖的直接反映,具有很強的實時性,對運動意圖的識別也相應更為迅速.早在上世紀90年代末,紐約州立大學的Chapin等第一次通過實驗證實了利用腦皮層神經元集合信號可以控制機械手臂運動[109].目前,腦機接口的主要手段包含植入式和非植入式兩類.植入式腦機接口優點是信號采集效果更好,主要表現在空間分辨率高、信噪比高,包含的信息更加豐富,利于提取精確可靠的控制信號;缺點是植入手術風險大、易造成傷害,無法被大多數殘疾人患者所接受.非植入式腦機接口目前較多采用的是頭部表皮腦電圖信號(EEG),實現腦和外部世界的簡單通訊,缺點是信號帶寬有限且抗干擾能力差.

針對腦電信號的諸多問題,肌電信號作為替代,正在越來越多地應用于人體運動識別中.雖然肌電信號不是直接來自于中樞神經,只是肌肉運動產生的效應,但其與中樞神經信號的時延十分有限,而且肌電信號的產生會先于肌肉力的實際輸出約幾十毫秒[110?112],因此可滿足對運動意圖識別和假肢控制的實時性需求.目前基于肌電信號(表面肌電/植入電極)的人體運動意圖識別已開始應用于智能假肢領域.針對上肢假肢,Englehart等提出了一種基于小波的連續運動模式識別策略,利用從前臂采集的4通道表面肌電信號實現了對6種運動模式的識別[113].在之后的研究中,Englehart等還分析了分析窗大小、可接受延時等參數對識別準確率的影響[114].Kuiken等提出了一種目標肌肉神經移植術的方法,通過手術將原本控制被截肢肢體運動的肌肉的殘余神經移植到胸部、并與胸部肌肉連接,經過一段時間的恢復,便可以通過測量胸部肌肉的肌電信號來提取控制被截肢肢體的運動控制意圖[115].采用這種方法,可以通過肌電信號采集提取更多的運動意圖信息,以實現更加復雜的假肢控制功能.一位左臂高位截肢的女性病患的實驗結果表明,接受這種手術后,假肢的控制效果得到了非常明顯的提高[116].針對下肢假肢,Huang等通過采集兩個大腿截肢殘疾人殘肢和臀部的11條肌肉的表面肌電信號[117],使用線性判別分析分類器實現對7種運動模式的離線識別,平均識別準確率為91.6%. Hargrove等通過目標肌肉神經移植手術將一位男性大腿截肢患者患側的小腿肌肉神經移植到大腿上[107],從而提取更多的人體運動意圖信息.通過采集10個通道的表面肌電信號,實現對踝關節和膝關節的運動意圖的實時識別,如果只考慮踝關節的跖屈/背屈以及膝關節的伸展/屈曲運動,識別率可以達到96%,如果額外考慮脛骨和股骨的內旋/外旋,識別率會降低到92%.然而,肌電信號本身較微弱,容易受肌肉狀態、穿戴時間、汗液、個體差異、環境干擾等因素影響[118],單純利用肌肉電信號來識別人體運動意圖的準確率還達不到假肢實際控制的需求[117].此外,肌電信號采集必須直接接觸皮膚,影響了技術的實用性.

基于機械傳感器的方法主要是使用角度傳感器、慣性器件和力傳感器采集人體運動過程中肢體擺動的角度、速度、加速度和地面反作用力等運動信息,從而判斷當前運動狀態.Varol等通過采集假肢自身的傳感器信息[105],采用高斯混合模型和多數投票(Majority voting)相結合的方法實現對坐、站、行走三種運動模式以及它們之間所有可能的運動轉換的識別,準確率可以達到100%,但也會產生500ms的延時.Young等同樣利用假肢自身的傳感器信息,研究了包括平地行走、上下樓梯和上下斜坡在內的5種運動模式及運動轉換的識別問題,他們采用線性判別分析分類器,達到了93.9%的識別準確率[119].相比于神經信號傳感器,機械傳感器更易于和假肢集成到一起,對穿戴者的影響也較小.然而實際人類運動環境復雜,環境干擾及慣性器件固有的信號漂移和累積誤差等問題限制了這類傳感器系統應用于人體運動識別.為了實現準確的識別就需要增加更多的傳感器,從而增加了系統復雜度,限制了技術的實用化.此外,這類傳感器獲得的角度、速度和加速度信息是運動完成的結果,和中樞神經信號存在較大時延,影響了識別結果的實時性.鑒于神經信號傳感器和機械傳感器都存在一定的不足,目前一種較多采用的解決方案是把神經信號和機械傳感器信號在特征層面融合起來.Huang等通過采集7～9通道的表面肌電信號和6通道的力傳感器信號[106],使用支持向量機算法實現對6種運動模式和5種運動轉換類型的連續識別,相比于單獨采用神經信號或機械傳感器信號,采用這種信號融合的方法可以顯著提高運動識別的準確率并減少預判時間.此外,一種新的方法是基于人體電容傳感實現下肢運動意圖識別,通過采集穿戴在殘疾人大腿上的電容信號,實現了對6種運動模式的識別[120],平均識別準確率為93.4%.在該系統的基礎上,Zheng等針對穿戴舒適性和信號穩定性作了進一步改進,提出了一款非接觸式電容傳感系統C-Sens[108].測量電極放置在假肢接受腔和內襯套之間,避免與皮膚之間接觸以減少汗液等對信號的干擾.基于該系統采集的6通道電容信號,采用二次判別分析分類器實現對6種運動模式的識別,平均識別率達到95.6%.

在智能假肢領域，國內的北京大學、清華大學、上海交通大學、華中科技大學、河北工業大學、國家康復輔具研究中心等多家單位開展了研究工作并取得進展.

人機交互與安全也是康復機器人和智能輔助系統的重要研究內容[121].康復機器人的人機交互既包括康復治療或訓練時的交互界面,又包括如何分析運動狀態并提出有效的運動控制策略,從而實現機器人與人的協調運動.肢體運動康復機器人往往直接附著或穿戴在人體上,安全性是一個十分關鍵的問題.融合輕質材料、仿生的驅動方式、軟體機器人結構和自適應控制策略是可能的解決途徑[122].與傳統工業機器人隔離人與機器人來保證安全性不同,肢體運動康復機器人必須與人緊密接觸,這就對安全性提出了更高的要求.一般來說,機器人安全性涉及的內容十分廣泛[123],包括機械結構設計、軟件可靠性、柔性接觸、元器件可靠性、系統整體可靠性等.然而至今仍缺少嚴格的安全性定義.現有研究多數采用基于理想軌跡的自適應控制策略和機械限位來實現康復機器人關節運動的安全性.例如Kikuuwe等提出了基于接近度的滑模控制,嘗試提高機器人安全性[124].這類方法在柔性機械臂[125]、下肢康復外骨骼[126]、關節痙攣康復機器人[127]等方面開展了應用.

本專刊收錄了涉及外骨骼、假肢控制、人機交互與安全的研究論文.王啟寧等的論文介紹了面向人機融合的智能動力下肢假肢研究現狀和挑戰.

黃高等提出一種康復與代步外骨骼機器人,通過下肢外骨骼與輪椅的有機結合,有效保持或恢復老年人、腦卒中患者下肢運動能力,同時為患者提供一種方便的代步工具.

韓亞麗等針對膝關節外骨骼運動跟隨問題,提出了一種基于導納原理的等效慣量補償控制方法,將外骨骼與操作者間的交互力矩轉化為期望的運動軌跡,通過低通濾波加速度與慣量增益的乘積形成的閉環反饋實現等效慣量補償,結合腿部肌肉表面肌電信號進行人體擺腿運動換向的預判,實施膝關節外骨骼機械腿的擺動控制,降低受試者的負擔.

羅林聰等在高斯核函數非線性振蕩器的基礎上提出了一種下肢康復機器人步態軌跡自適應算法,仿真實驗表明所提出的自適應算法可實現通過調整軌跡偏差實現對參考軌跡調節,并用相位偏差曲線面積實現參考軌跡周期的自適應.

5 小結

康復機器人和智能輔助系統的研究剛剛開始,存在大量的科學技術問題有待科研工作者研究解決,可以預見康復機器人和智能輔助系統的應用空間巨大.本專刊旨在介紹康復機器人和智能輔助系統的科研現狀與進展,提高我國康復機器人與智能輔助系統領域的技術水平,推動其實際應用,造福和諧社會.

感謝為本專刊撰稿的所有作者和提出寶貴意見和建議的論文審稿人以及關注本刊的讀者.專刊共收稿100余篇,通過多輪通訊評審和修改,限于版面,最終收錄論文16篇.康復機器人和智能輔助系統涉及多個學科領域,并且在不斷發展,本專刊收錄的論文很難完全覆蓋康復機器人和智能輔助系統及相關的方法和技術,僅僅揭示了其中的很小一部分問題.希望本專刊對相關領域的科研人員有所啟發、有所裨益.

1 Pan Chang,Xu Lin.Diagram of Practical Rehabilitation for Stroke Patients with Hemiplegia.Beijing:China Press of Traditional Chinese Medicine,1999. (潘暢,徐麟.中風偏癱實用康復術圖解.北京:中國中醫藥出版社, 1999.)

2 Krebs H I,Volpe B T,Williams D,Celestino J,Charles S K,Lynch D,Hogan N.Robot-aided neurorehabilitation:a robot for wrist rehabilitation.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2007,15(3): 327?335

3 Krebs H I,Hogan N,Volpe B T,Aisen M L,Edelstein L,Diels C.Overview of clinical trials with MIT-MANUS: a robot-aided neuro-rehabilitation facility.Technology and Health Care,1999,7(6):419?423

4 Loureiro R,Amirabdollahian F,Topping M,Driessen B, Harwin W.Upper limb robot mediated stroke therapy-GENTLE/s approach.Autonomous Robots,2003,15(1): 35?51

5 Burgar C G,Lum P S,Shor P C,Van der Loos H F M. Development of robots for rehabilitation therapy:the Palo Alto VA/Stanford experience.Journal of Rehabilitation Research and Development,2000,37(6):663?673

6 Nef T,Guidalic M,Riener R.ARMin III-arm therapy exoskeleton with an ergonomic shoulder actuation.Applied Bionics and Biomechanics,2009,6(2):127?142

7 Colombo G,Joerg M,Schreier R,Dietz V.Treadmill training of paraplegic patients using a robotic orthosis.Journal of Rehabilitation Research and Development,2000,37(6): 693?700

8 Zanotto D,Stegall P,Agrawal S K.ALEX III:a novel robotic platform with 12 DOFs for human gait training. In:Proceedings of the 2013 IEEE International Conference on Robotics and Automation(ICRA).Karlsruhe,Germany: IEEE,2013.3914?3919

9 Freivogel S,Schmalohr D,Mehrholz J.Improved walking ability and reduced therapeutic stress with an electromechanical gait device.Journal of Rehabilitation Medicine, 2009,41(9):734?739

11 Susko T G.MIT Skywalker:A Novel Robot for Gait Rehabilitation of Stroke and Cerebral Palsy Patients[Ph.D. dissertation],Massachusetts Institute of Technology,USA,2015.

12 Maciejasz P,Eschweiler J,Gerlach-Hahn K,Jansen-Troy A, Leonhardt S.A survey on robotic devices for upper limb rehabilitation.Journal of NeuroEngineering and Rehabilitation,2014,11(1):Article No.3

13 Krebs H I.Rehabilitation robotics:an academic engineer perspective.In:Proceedings of the 33rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBS).Boston,Massachusetts,USA: IEEE,2011.6709?6712

14 Lotze M,Braun C,Birbaumer N,Anders S,Cohen L G.Motor learning elicited by voluntary drive.Brain,2003,126(4): 866?872

15 Ding Qi-Chuan,Xiong An-Bin,Zhao Xin-Gang,Han Jian-Da.A review on researches and applications of sEMG-based motion intent recognition methods.Acta Automatica Sinica, 2016,42(1):13?25 (丁其川,熊安斌,趙新剛,韓建達.基于表面肌電的運動意圖識別方法研究及應用綜述.自動化學報,2016,42(1):13?25)

16 Van Dijk W,Van der Kooij H,Koopman B,and Van Asseldonk E H.Improving the transparency of a rehabilitation robot by exploiting the cyclic behaviour of walking.In: Proceedings of the 2013 IEEE International Conference on Rehabilitation Robotics.Seattle,Washington,USA:IEEE,2013.1?6

17 Shirzad N and Van der Loos H.Error amplifcation to promote motor learning and motivation in therapy robotics.In: Proceedings of the 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE,2012.3907?3910

18 Duschau-Wicke A,Von Zitzewitz J,CaprezA,Luenenburger L,Riener R.Path control:A method for patient-cooperative robot-aided gait rehabilitation.IEEE Transactions on Neural Systems and Rehabilitation Engineerin,2010,18(1): 38?48

20 Hillier S,Immink M,Thewlis D.Assessing proprioception: a systematic review of possibilities.Neurorehabilitation and Neural Repair,2015,29(10):933?949

21 Neckel N D,Blonien N,Nichols D,Hidler J.Abnormal joint torque patterns exhibited by chronic stroke subjects while walking with a prescribed physiological gait pattern.Journal of NeuroEngineering and Rehabilitation,2008,5(3):Article No.19

22 Latash M,Zatsiorsky V M.Biomechanics and Motor Control:Defning Central Concepts.Cambridge:Academic Press,2015.

23 Awai L,Curt A.Intralimb coordination as a sensitive indicator of motor-control impairment after spinal cord injury.Frontiers in Human Neuroscience,2014,8(6):Article No.148

24 Clarkson H M.Joint Motion and Function Assessment:A Research-Based Practical Guide.Philadelphia:Lippincott Williams and Wilkins,2005.

26 Banala S K,Kim S H,Agrawal S K,Scholz J P.Robot assisted gait training with active leg exoskeleton(ALEX).IEEE Transactions on Neural Systems and Rehabilitation Engineering,2009,17(1):2?8

27 Veneman J F,Kruidhof R,Hekman E E G,Ekkelenkamp R,Van Asseldonk E H F,Van Der Kooij H.Design and evaluation of the LOPES exoskeleton robot for interactive gait rehabilitation.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2007,15(3):379?386

28 He Qing-Hua,Huang Su-Ping,Huang Zhi-Xiong.The research statusand developmenttrend ofintelligent wheelchair.Robot Technology and Application,2003,(2): 12?16 (何清華,黃素平,黃志雄.智能輪椅的研究現狀和發展趨勢.機器人技術與應用,2003,(2):12?16)

29 Yanco H A.Wheelesley:a robotic wheelchair system:indoor navigation and user interface.Assistive technology and artifcial intelligence.Berlin Heidelberg:Springer,1998. 256?268

30 Christensen H V,Garcia J C.Infrared non-contact head sensor for control of wheelchair movements.In:Proceedings of the 8th European Conference for the Advancement of Assistive Technology in Europe.Lille,France,2005.336?340 31 Matsumoto O,Komoriya K,Hatase T,Nishimura H.Autonomous traveling control of the“TAO Aicle”intelligent wheelchair.In:Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems.Beijing,China:IEEE,2006.4322?4327

32 Lu T,Yuan K,Zou W,Hu H S.Study on navigation strategy of intelligent wheelchair in narrow spaces.In:Proceedings of the 6th World Congress on Intelligent Control and Automation.Dalian,China:IEEE,2006.9252?9256

33 Jia P,Hu H H,Lu T,Yuan K.Head gesture recognition for hands-free control of an intelligent wheelchair.Industrial Robot:An International Journal,2007,34(1):60?68

34 Zou W,Ye A X,Lu T,Ren Y N,Xu Z D,Yuan K.Contour detection and localization of intelligent wheelchair for parking into and docking with U-shape bed.In:Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics.Karon Beach,Phuket:IEEE,2011.378?383

35 Zeng Xiang.Developing Smart Wheelchair for the Handicapped and the Elderly[Master dissertation],Shanghai Jiao Tong University,China,2007 (曾翔.面向助老助殘的智能輪椅開發[碩士學位論文],上海交通大學,中國,2007)

36 Wang Li-Jun,Wang Jing-Chun,Chen Wei-Dong.Path planning and navigation for intelligent wheelchair in dynamic environments.Journal of Shanghai Jiaotong University,2010,44(11):1524?1528 (王麗軍,王景川,陳衛東.動態環境下智能輪椅的路徑規劃與導航.上海交通大學學報,2010,44(11):1524?1528)

37 Zhang Yi,Zhang Hui,Luo Yuan,Hu Huo-Sheng.Motion control for intelligent wheelchair using Emotiv perception.Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition),2012,24(3):358?362 (張毅,張輝,羅元,胡豁生.采用Emotiv感知的智能輪椅運動控制的研究.重慶郵電大學學報(自然科學版),2012,24(3):358?362)

38 Zhang Yi,Zhang Jiao,Luo Yuan.Intelligent wheelchair control system based on hand tracking.Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition),2011,23(6):741?745 (張毅,張姣,羅元.基于手勢跟蹤的智能輪椅控制系統.重慶郵電大學學報(自然科學版),2011,23(6):741?745)

39 Luo Yuan,Xie Yu,Zhang Yi.Design and implementation of a gesture-driven system for intelligent wheelchairs based on the Kinect sensor.Robot,2012,34(1):110?113,119 (羅元,謝彧,張毅.基于Kinect傳感器的智能輪椅手勢控制系統的設計與實現.機器人,2012,34(1):110?113,119)

40 Dubowsky S,Genot F,Godding S,Kozono H,Skwersky A, Yu H Y,Yu L S.PAMM-a robotic aid to the elderly for mobility assistance and monitoring:a“helping-hand”for the elderly.In:Proceedings of the 2000 IEEE International Conference on Robotics and Automation.San Francisco,CA:IEEE,2000,1:570?576

41 Bogue R.Exoskeletons and robotic prosthetics:a review of recent developments.Industrial Robot:An International Journal,2009,36(5):421?427

42 Nam Y,Koo B,Cichocki A,Choi S.GOM-face:GKP,EOG, and EMG-based multimodal interface with application to humanoid robot control.IEEE Transactions on Biomedical Engineering,2014,61(2):453?462

43 Phinyomark A,Phukpattaranont P,Limsakul C.Feature reduction and selection for EMG signal classifcation.Expert Systems with Applications,2012,39(8):7420?7431

44 Chan A D C,Englehart K B.Continuous myoelectric control for powered prostheses using hidden Markov models.IEEE Transactions on Biomedical Engineering,2005,52(1): 121?124

45 Chu J U,Moon I,Lee Y J,Kim S K,Mun M S.A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control.IEEE/ASME Transactions on Mechatronics,2007,12(3):282?290

46 Cavallaro E E,Rosen J,Perry J C,Burns S.Real-time myoprocessors for a neural controlled powered exoskeleton arm.IEEE Transactions on Biomedical Engineering,2006,53(11):2387?2396

47 Artemiadis P K,Kyriakopoulos K J.EMG-based control of a robot arm using low-dimensional embeddings.IEEE Transactions on Robotics,2010,26(2):393?398

48 Artemiadis P K,Kyriakopoulos K J.An EMG-based robot control scheme robust to time-varying EMG signal features.IEEE Transactions on Information Technology in Biomedicine,2010,14(3):582?588

49 Ajoudani A,Tsagarakis N,Bicchi A.Tele-impedance:teleoperation with impedance regulation using a body-machine interface.The International Journal of Robotics Research, 2012,31(13):1642?1656

50 Karavas N,Ajoudani A,Tsagarakis N,Saglia J,Bicchi A, Caldwell D.Tele-impedance based assistive control for a compliant knee exoskeleton.Robotics and Autonomous Systems,2015,73:78?90

51 Hochberg L R,Bacher D,Jarosiewicz B,Masse N Y,Simeral J D,Vogel J,Haddadin S,Liu J,Cash S S,Van Der Smagt P,Donoghue J P.Reach and grasp by people with tetraplegia using a neurally controlled robotic arm.Nature,2012,485(7398):372?375

52 Sadeghian E B,Moradi M H.Continuous detection of motor imagery in a four-class asynchronous BCI.In:Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBS).Lyon, France:IEEE,2007.3241?3244

53 Iturrate I,Antelis J M,Kubler A,Minguez J.A noninvasive brain-actuated wheelchair based on a P300 neurophysiological protocol and automated navigation.IEEE Transactions on Robotics,2009,25(3):614?627

54 Witkowski M,Cortese M,Cempini M,Mellinger J,Vitiello N,Soekadar S R.Enhancing brain-machine interface (BMI)control of a hand exoskeleton using electrooculography(EOG).Journal of NeuroEngineering and Rehabilitation,2014,11:165

55 Wang H T,Li Y Q,Long J Y,Yu T Y,Gu Z H.An asynchronous wheelchair control by hybrid EEG-EOG braincomputer interface.Cognitive Neurodynamics,2014,8(5): 399?409

56 Tello R J,Bissoli A L C,Ferrara F,Mller S,Ferreira A, Bastos-Filho T F.Development of a human machine interface for control of robotic wheelchair and smart environment.In:Preprints of the 11th IFAC Symposium on Robot Control(SYROCO).Salvador,BA,Brazil:IFAC,2015.

57 Ma J X,Zhang Y,Cichocki A,Matsuno F.A novel EOG/EEG hybrid human-machine interface adopting eye movements and ERPs:application to robot control.IEEE TransactionsonBiomedicalEngineering,2015,62(3): 876?889

58 Hu Jin,Hou Zeng-Guang,Chen Yi-Xiong,Zhang Feng, Wang Wei-Qun.Lower limb rehabilitation robots and interactive control methods.Acta Automatica Sinica,2014,40(11):2377?2390 (胡進,侯增廣,陳翼雄,張峰,王衛群.下肢康復機器人及其交互控制方法.自動化學報,2014,40(11):2377?2390)

59 Jones C L,Wang F R,Morrison R,Sarkar N,Kamper D G.Design and development of the cable actuated fnger exoskeleton for hand rehabilitation following stroke.IEEE/ASME Transactions on Mechatronics,2014,19(1): 131?140

60 Chiri A,Vitiello N,Giovacchini F,Roccella S,Vecchi F, Carrozza M C.Mechatronic design and characterization of the index fnger module of a hand exoskeleton for post-stroke rehabilitation.IEEE/ASME Transactions on Mechatronics, 2012,17(5):884?893

61 Ali A M M,Yusof Z M,Kushairy A K,Zaharah F,Ismail A. Development of smart glove system for therapy treatment. In:Proceedings of the 2015 International Conference on BioSignal Analysis,Processing and Systems.Kuala Lumpur, Malaysia:IEEE,2015.67?71

62 Jeong S K,Kim K S,Kim S.Development of a robotic fnger with an active dual-mode twisting actuation and a miniature tendon tension sensor.In:Proceedings of the 2016 IEEE International Conference on Advanced Intelligent Mechatronics.Banf,AB,Canada:IEEE,2016.1?6

63 Cempini M,Cortese M,Vitiello N.A powered fnger-thumb wearable hand exoskeleton with self-aligning joint axes.IEEE/ASME Transactions on Mechatronics,2015,20(2): 705?716

64 Iqbal J,Tsagarakis N G,Caldwell D G.Human hand compatible underactuated exoskeleton robotic system.Electronics Letters,2014,50(7):494?496

65 Iqbal J,Tsagarakis NG,Caldwell D G.Four-fngered lightweight exoskeleton robotic device accommodating different hand sizes.ElectronicsLetters,2015,51(12): 888?890

66 Zanotto D,Stegall P,Agrawal S K.Adaptive assist-asneeded controller to improve gait symmetry in robotassisted gait training.In:Proceedings of the 2014 IEEE International Conference on Robotics and Automation.Hong Kong,China:IEEE,2014.724?729

67 Agarwal P,Deshpande A D.Impedance and force-feld control of the index fnger module of a hand exoskeleton for rehabilitation.In:Proceedings of the 2015 IEEE International Conference on Rehabilitation Robotics.Singapore:IEEE,2015.85?90

68 Tang Z J,Sugano S,Iwata H.A fnger exoskeleton for rehabilitation and brain image study.In:Proceedings of the 2013 IEEE International Conference on Rehabilitation Robotics. Seattle,USA:IEEE,2013.1?6

69 Dalli D,Saliba M A.The university of malta minimal anthropomorphic robot(UM-MAR)hand II.In:Proceedings of the 2016 IEEE International Conference on Advanced Intelligent Mechatronics.Banf,Canada:IEEE,2016.371?276

70 Li Q L,Song Y,Hou Z G.Estimation of lower limb periodic motions from sEMG using least squares support vector regression.Neural Processing Letters,2015,41(3):371?388

71 Bao G J,Li K,Xu S,Huang P X,Wu L,Yang Q H.Motion identifcation based on sEMG for fexible pneumatic hand rehabilitator.Industrial Robot:An international Journal, 2015,42(1):25?35

72 Ding Q C,Han J D,Zhao X G,Chen Y.Missing-data classifcation with the extended full-dimensional Gaussian mixture model:applications to EMG-based motion recognition.IEEE Transactions on Industrial Electronics,2015,62(8): 4994?5005

73 Adewuyi A A,Hargrove L J,Kuiken T A.An analysis of intrinsic and extrinsic hand muscle EMG for improved pattern recognition control.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2016,24(4):485?494

74 Lee J,Kim M,Kim K.A robust control method of multi-DOF power-assistant robots for unknown external perturbation using sEMG signals.In:Proceedings of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems.Hamburg,Germany:IEEE,2015.1045?1051

75 Guo S X,Zhang F,Wei W,Zhao F,Wang Y L.Kinematic analysis of a novel exoskeleton fnger rehabilitation robot for stroke patients.In:Proceedings of the 2014 IEEE International Conference on Mechatronics and Automation. Tianjin,China:IEEE,2014.924?929

76 Goldfarb M,Lawson B E,Shultz A H.Realizing the promise of robotic leg prostheses.Science Translational Medicine, 2013,5(210):5302?5314

77 Kazerooni H,Racine J L,Huang L H,Steger R.On the control of the berkeley lower extremity exoskeleton(BLEEX). In:Proceedings of the 2005 IEEE International Conference on Robotics and Automation(ICRA).Seattle,WA,USA: IEEE,2005.4353?4360

78 Zoss A B,Kazerooni H,Chu A.Biomechanical design of the Berkeley lower extremity exoskeleton(BLEEX).IEEE/ASME Transactions on Mechatronics,2006,11(2): 128?138

79 Kazerooni H,Steger R.The Berkeley lower extremity exoskeleton.Journal of Dynamic Systems,Measurement,and Control,2006,128(1):14?25

80 Sankai Y.HAL:hybrid assistive limb based on cybernics.Robotics Research.Berlin Heidelberg:Springer,2011. 25?34

81 Suzuki K,Mito G,Kawamoto H,Hasegawa Y,Sankai Y.Intention-based walking support for paraplegia patients with robot suit HAL.Advanced Robotics,2007,21(12): 1441?1469

82 Tsukahara A,Kawanishi R,Hasegawa Y,Sankai Y.Sit-tostand and stand-to-sit transfer support for complete paraplegic patients with robot suit HAL.Advanced Robotics, 2010,24(11):1615?1638

83 http://www.cyberdyne.jp/english/products/HAL/index. html

84 Yamamoto K,Hyodo K,Ishii M,Matsuo T.Development of power assisting suit for assisting nurse labor.JSME International Journal Series C Mechanical Systems,Machine Elements and Manufacturing,2002,45(3):703?711

85 Yamamoto K,Ishii M,Hyodo K,Yoshimitsu T,Matsuo T. Development of power assisting suit(miniaturization of supply system to realize wearable suit).JSME International Journal Series C Mechanical Systems,Machine Elements and Manufacturing,2003,46(3):923?930

86 Wehner M,Quinlivan B,Aubin P M,Martinez-Villalpando E,Baumann M,Stirling L,Holt K,Wood R,Walsh C. A lightweight soft exosuit for gait assistance.In:Proceedings of the 2013 IEEE International Conference on Robotics and Automation(ICRA).Karlsruhe,Germany:IEEE,2013. 3362?3369

87 Asbeck A T,Dyer R J,Larusson A F,Walsh C J. Biologically-inspired soft exosuit.In:Proceedings of the 2013IEEE internationalconferenceon Rehabilitation robotics(ICORR).Seattle,WA:IEEE,2013.1?8

88 Asbeck A T,De Rossi S M M,Galiana I,Ding Y,Walsh C J.Stronger,smarter,softer:next-generation wearable robots.IEEE Robotics&Automation Magazine,2014,21(4):22?33

89 Asbeck A T,De Rossi S M M,Holt K G,Walsh C J.A biologically inspired soft exosuit for walking assistance.The International Journal of Robotics Research,2015,34(6): 744?762

90 http://rewalk.com/about-products-2/

91 http://bleex.me.berkeley.edu/research/exoskeleton/bleex/

92 https://www.hocoma.com/world/en/products/lokomat/

93 Jezernik S,Colombo G,Keller T,Frueh H,Morari M. Robotic orthosis lokomat:a rehabilitation and research tool.Neuromodulation:Technology at the Neural Interface,2003,6(2):108?115

94 Banala S K,Agrawal S K,Kim S H,Scholz J P.Novel gait adaptation and neuromotor training results using an active leg exoskeleton.IEEE/ASME Transactions on Mechatronics,2010,15(2):216?225

95 Giovacchini F,Vannetti F,Fantozzi M,Cempini M,Cortese M,Parri A,Yan T F,Lefeber D,Vitiello N.A light-weight active orthosis for hip movement assistance.Robotics and Autonomous Systems,2014,73:123?134

96 Zajac F E,Neptune R R,Kautz S A.Biomechanics and muscle coordination of human walking:part II:lessons from dynamical simulations and clinical implications.Gait&Posture,2003,17(1):1?17

97 Blaya J A,Herr H.Adaptive control of a variable-impedance ankle-foot orthosis to assist drop-foot gait.IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2004,12(1):24?31

98 Park Y L,Chen B R,Young D,Stirling L,Wood R J, Goldeld E,Nagpal R.Bio-inspired active soft orthotic device for ankle foot pathologies.In:Proceedings of the 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS).San Francisco,CA:IEEE,2011. 4488?4495

99 Collins S H,Wiggin M B,Sawicki G S.Reducing the energy cost of human walking using an unpowered exoskeleton.Nature,2015,522(7555):212?215

100 Au S K,Weber J,Herr H.Powered ankle-foot prosthesis improves walking metabolic economy.IEEE Transactions on Robotics,2009,25(1):51?66

101 Sup F,Varol H,Mitchell J,Withrow T J,Goldfarb M. Preliminary evaluations of a self-contained anthropomorphic transfemoral prosthesis.IEEE/ASME Transactions on Mechatronics,2009,14(6):667?676

102 Hitt J,Sugar T,Holgate M,Bellmann R,Hollander K. Robotic transtibial prosthesis with biomechanical energy regeneration.Industrial Robot:An International Journal, 2009,36(5):441?447

103 Cherelle P,Grosu V,Matthys A,Vanderborght B,Lefeber D.Design and validation of the ankle mimicking prosthetic (AMP-)foot 2.0.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2014,22(1):138?148

104 Wang Q N,Yuan K B,Zhu J Y,Wang L.Walk the walk: a lightweight active transtibial prosthesis.IEEE Robotics& Automation Magazine,2015,22(4):80?89

105 Varol H A,Sup F,Goldfarb M.Multiclass real-time intent recognition of a powered lower limb prosthesis.IEEE Transactions on Biomedical Engineering,2010,57(3):542?551

106 Huang H,Zhang F,Hargrove L J,Dou Z,Rogers D R, Englehart K B.Continuous locomotion-mode identifcation for prosthetic legs based on neuromuscular-mechanical fusion.IEEE Transactions on Biomedical Engineering,2011,58(10):2867?2875

107 Hargrove L J,Simon A M,Young A J,Lipschutz R D,Finucane S B,Smith D G,Kuiken T A.Robotic leg control with EMG decoding in an amputee with nerve transfers.New England Journal of Medicine,2013,369(13):1237?1242

108 Zheng E H,Wang L,Wei K L,Wang Q N.A noncontact capacitive sensing system for recognizing locomotion modes of transtibial amputees.IEEE Transactions on Biomedical Engineering,2014,61(12):2911?2920

109 Chapin J K,Moxon K A,Markowitz R S,Nicolelis M A.Real-time control of a robot arm using simultaneously recorded neurons in the motor cortex.Nature Neuroscience, 1999,2(7):664?670

110 Cavanagh P R,Komi P V.Electromechanical delay in human skeletal muscle under concentric and eccentric contractions.European Journal of Applied Physiology and Occupational Physiology,1979,42(3):159?163

111 Li L,Baum B S.Electromechanical delay estimated by using electromyography during cycling at diferent pedaling frequencies.Journal of Electromyography and Kinesiology, 2004,14(6):647?652

112 Norman R W,Komi P V.Electromechanical delay in skeletal muscle under normal movement conditions.Acta Physiologica Scandinavica,1979,106(3):241?248

113 Englehart K,Hudgin B,Parker P.A wavelet-based continuous classifcation scheme for multifunction myoelectric control.IEEE Transactions on Biomedical Engineering,2001,48(3):302?311

114 Englehart K,Hudgins B.A robust,real-time control scheme for multifunction myoelectric control.IEEE Transactions on Biomedical Engineering,2003,50(7):848?854

115 Kuiken T A,Dumanian G A,Lipschutz R D,Miller L A, Stubblefeld K A.The use of targeted muscle reinnervation for improved myoelectric prosthesis control in a bilateral shoulder disarticulation amputee.Prosthetics and Orthotics International,2004,28(3):245?253

116 Kuiken T A,Miller L A,Lipschutz R D,Lock B A,Stubblefeld K,Marasco P D,Zhou P,Dumanian G A.Targeted reinnervation for enhanced prosthetic arm function in a woman with a proximal amputation:a case study.The Lancet,2007,369(9559):371?380

117 Huang H,Kuiken T A,Lipschutz R D.A strategy for identifying locomotion modes using surface electromyography.IEEE Transactions on Biomedical Engineering,2009,56(1): 65?72

118 Sensinger J W,Lock B A,Kuiken T A.Adaptive pattern recognition of myoelectric signals:Exploration of conceptual framework and practical algorithms.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2009,17(3):270?278

119 Young A J,Simon A M,Hargrove L J.A training method for locomotion mode prediction using powered lower limb prostheses.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2014,22(3):671?677

120 Chen B J,Zheng E H,Fan X D,Liang T,Wang Q N, Wei K L,Wang L.Locomotion mode classifcation using a wearable capacitive sensing system.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2013,21(5):744?755

121 Yan T F,Cempini M,Oddo C M,Vitiello N.Review of assistive strategies in powered lower-limb orthoses and exoskeletons.Robotics and Autonomous Systems,2015,64: 120?136

122 Van Damme M,Beyl P,Vanderborght B,Versluys R,Van Ham R,Vanderniepen I,Daerden F,Lefeber D.The safety of a robot actuated by pneumatic muscles-a case study.International Journal of Social Robotics,2010,2(3):289?303 123 De Santis A,Siciliano B,De Luca A,Bicchi A.An atlas of physical human-robot interaction.Mechanism and Machine Theory,2008,43(3):253?270

124 Kikuuwe R,Yasukouchi S,Fujimoto H,Yamamoto M. Proxy-based sliding mode control: a safer extension of PID position control.IEEE Transactions on Robotics,2010,26(4):670?683

125 Van Damme M,Vanderborght B,Verrelst B,Van Ham R, Daerden F,Lefeber D.Proxy-based sliding mode control of a planar pneumatic manipulator.The International Journal of Robotics Research,2009,28(2):266?284

126 Beyl P,Van Damme M,Van Ham R,Vanderborght B, Lefeber D.Pleated pneumatic artifcial muscle-based actuator system as a torque source for compliant lower limb exoskeletons.IEEE/ASME Transactions on Mechatronics, 2014,19(3):1046?1056

127 Chen G,Zhou Z H,Vanderborght B,Wang N H,Wang Q N.Proxy-based sliding mode control of a robotic ankle-foot system for post-stroke rehabilitation.Advanced Robotics, 2016,30(15):992?1003

客座編委

侯增廣中國科學院自動化研究所復雜系統管理與控制國家重點實驗室研究員.主要研究方向為機器人與智能系統,康復機器人與微創介入手術機器人.本文通信作者.

E-mail:zengguang.hou@ia.ac.cn

(HOU Zeng-GuangProfessorat the State Key Laboratory of Management and Control for Complex Systems,Institute of Automation,Chinese Academy of Sciences.His research interest covers intelligent robotic systems,rehabilitation and surgery robots.Corresponding author of this paper.)

趙新剛中國科學院沈陽自動化研究所機器人學國家重點實驗室研究員.主要研究方向為機器人控制,智能系統與康復機器人.

E-mail:zhaoxingang@sia.cn

(ZHAO Xin-GangProfessor at StateKey Laboratory ofRobotics, Shenyang Institute ofAutomation, Chinese Academy of Sciences.His research interest covers robot control,intelligent systems and rehabilitation robots.)

程 龍中國科學院自動化研究所復雜系統管理與控制國家重點實驗室研究員.主要研究方向為機器人系統的智能控制.

E-mail:long.cheng@ia.ac.cn

(CHENG LongProfessoratthe State Key Laboratory ofManagement and Control for Complex Systems,Institute of Automation,Chinese Academy of Sciences.His main research interest is intelligent robotic control.)

王啟寧北京大學工學院研究員.2009年獲得北京大學力學系博士學位.主要研究方向為智能機器人,康復工程.

E-mail:qiningwang@pku.edu.cn

(WANG Qi-NingProfessor at the College of Engineering,Peking University.He received his Ph.D.degree from Peking University in 2009.His research interest covers robotics and rehabilitation engineering.)

王衛群中國科學院自動化研究所復雜系統管理與控制國家重點實驗室副研究員.主要研究方向為康復機器人,人機動力學,人機交互控制,生理電信號處理.

E-mail:weiqun.wang@ia.ac.cn

(WANG Wei-QunAssociate professor at the State Key Laboratory of Management and Control for Complex Systems,Institute of Automation,Chinese Academy of Sciences.His research interest covers rehabilitation robot,dynamics of human-robot system,human-robot interaction control,and biomedical signal processing.)

Recent Advances in Rehabilitation Robots and Intelligent Assistance Systems

HOU Zeng-Guang1,2,3ZHAO Xin-Gang4CHENG Long1,3WANG Qi-Ning5WANG Wei-Qun1

We are facing serious issues of an increasingly aging population and a huge number of disabled people.The research and applications of rehabilitation robots and intelligent assistance systems would provide potential solutions to the elderly and disabled people with efcient care,assistance and rehabilitation methods and tools.The design and implementation of rehabilitation robots and intelligent assistance systems require the multidisciplinary knowledge,such as medical science,information technology,mechanical engineering,material science and mechatronics,and face many challenges and difculties.To help the interested researchers have an overview of this promising area,this paper reviews the recent advances in rehabilitation robots and intelligent assistance systems in the following aspects:rehabilitation robots and multi-mode rehabilitation training methods;intelligent assistance systems and bio-electro-mechanical systems; multi-mode sensing and control methods in the rehabilitation robots and assistance systems,and exoskeleton and wearable systems,intelligent prosthesis and human-machine safety.

Rehabilitation robot,intelligent assistance system,exoskeleton,wearable system,intelligent prosthesis, rehabilitation training,multi-mode sensing,human-machine interaction,bio-electro-mechanical system,human-machine safety

侯增廣,趙新剛,程龍,王啟寧,王衛群.康復機器人與智能輔助系統的研究進展.自動化學報,2016,42(12): 1765?1779

Hou Zeng-Guang,Zhao Xin-Gang,Cheng Long,Wang Qi-Ning,Wang Wei-Qun.Recent advances in rehabilitation robots and intelligent assistance systems.Acta Automatica Sinica,2016,42(12):1765?1779

2016-11-17 Manuscript received November 17,2016

1.中國科學院自動化研究所復雜系統管理與控制國家重點實驗室北京100190 2.中國科學院腦科學與智能技術卓越創新中心北京100190 3.中國科學院大學北京100049 4.中國科學院沈陽自動化研究所機器人學國家重點實驗室 沈陽110016 5.北京大學工學院北京大學工程科學與新興技術高精尖創新中心北京100871

1.State Key Laboratory of Management and Control for Complex Systems,Institute of Automation,Chinese Academy of Sciences,Beijing 100190 2.CAS Center for Excellence in Brain Science and Intelligence Technology,Chinese Academy of Sciences,Beijing 100190 3.University of Chinese Academy of Sciences,Beijing 100049 4.State Key Laboratory of Robotics, Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016 5.College of Engineering,Beijing Innovation Center for Engineering Science and Advanced Technology(BIC-ESAT),Peking University,Beijing 100871