機器人技術在康復醫學領域的應用現狀與進展

摘 要 當前機器人技術正廣泛應用于康復醫學領域，為提升康復效果、確保康復質量、降低人力成本等提供了重要助力，因此在臨床應用中備受關注。本文通過對國內外文獻進行綜述，全面分析康復機器人在上肢、下肢、軀干等功能障礙的康復評定和康復治療中的應用及臨床效果，以及腦機接口技術在康復治療中的綜合應用現狀，展望機器人技術在康復醫學領域的未來發展前景。

關鍵詞 康復機器人；康復醫學；神經可塑性；腦機接口技術

中圖分類號 R493 R608 文獻標識碼 A 文章編號 2096-7721（2024）06-1154-13

Current status and progress of robotic technology in rehabilitation medicine

SHI Jiehong， WANG Ninghua

（Department of Rehabilitation Medicine， Peking University First Hospital， Beijing 100034， China）

Abstract Robotic technology is now widely used in the field of rehabilitation medicine， offering significant advantages for improving rehabilitation efficiency， ensuring rehabilitation quality， and reducing labor costs， etc.， thus attracting growing attention in clinical application. Based on the review of domestic and international literatures， the application and clinical effect of rehabilitation robots on upper limb， lower limb and trunk dysfunction was comprehensively analyzed in this paper， the integrated application of brain-computer interface in rehabilitation therapy was elaborated， and the future development of robotic technology in rehabilitation medicine was prospected.

Key words Robot-assisted Rehabilitation; Rehabilitation Medicine; Neural Plasticity; Brain-computer Interface Technology

近年來，隨著醫學的進步和科技的快速發展，智能機器人技術以其獨特的優勢廣泛應用于醫學領域中。康復技術和自動化已成為康復醫學發展的一個關鍵環節。傳統康復模式正在向更自主化的過程轉變，形成自動化康復模式[1]，由自動化評定系統、決策支持系統和康復機器人系統組成，共同支持康復醫師和康復治療師的日常工作，服務于功能障礙患者[2]。

康復機器人是自動化康復模式中不可缺少的一環，在自動化評定系統中利用配備的各類智能傳感器記錄人體運動學、動力學、生理學特征，在康復治療前評定功能損傷程度，為制定和優化患者康復方案提供數據支撐；在康復治療后評定治療效果，使整個康復過程科學化、系統化、定量化。康復機器人系統可針對全年齡段患者各系統損傷導致的功能障礙提供高質量、精準化、個體化的康復治療，具備高強度、針對性、重復性和實時反饋信息等優勢，基于神經可塑性和運動再學習理念，激發患者的主動運動意識，提高患者的康復依從性，縮短康復時間，提升康復效果[3]。這種新的康復模式可以達到康復評價與康復訓練的協調統一，從而促進患者更好地恢復或改善身體功能，提高其日常生活活動能力和生活質量。

1 康復機器人概況

1.1 康復機器人的概念及作用機制 康復機器人是指有助于功能恢復或重建的智能化裝備，能自動執行指令任務，代替或協助人體某些功能[4]，利用高度定制和精確控制的機器人系統，為患者提供持續的重復性訓練、實時反饋和個性化治療，以促進神經系統的恢復和功能改善。同時康復機器人可以利用位置傳感器、力傳感器、慣性傳感器等內置傳感器，監測并收集客觀數據，量化患者的運動表現，制定個性化的康復計劃，還可以將重復的體力任務轉化為游戲和身體挑戰，以保持患者的積極性和參與度。

神經可塑性是指神經系統在功能和結構上對生活中的內外環境變化做出適應性調整的能力[5]，是神經發育和神經系統功能的關鍵組成部分，是中樞神經系統受到損傷后重新組織以保持適當功能的基礎[6-7]。為了促進腦損傷后受損神經系統的重建和功能恢復，需要進行高強度、重復的任務導向性訓練，并基于自上而下或自下而上的神經發育理念，不斷建立新的神經連接和神經網絡，實現腦皮質地圖重構，對功能損傷進行修復和代償[8-10]。有研究發現，強化、特定任務的上肢訓練可以使患側前扣帶回和輔助運動區的激活增加[11]。重復運動是患者感覺運動再學習的基礎，康復機器人通過大量的任務導向性重復訓練，有效促進了患者中樞神經的代償和重組，從而促進肢體的功能康復[12]。康復機器人訓練可以通過提供本體感覺或其他感覺輸入與運動輸出的主要相互作用來增強患者的神經可塑性，促進運動再學習[13]，并顯著改變與運動規劃和執行過程相關的額頂葉網絡內的功能連接[12]，從而促進功能恢復。

1.2 康復機器人的分類 康復機器人形態多樣、功能各異，根據結構形態、訓練方式的不同，可以為不同類型的患者提供康復訓練（如圖1）。

根據功能可將康復機器人分為功能治療類和生活輔助類。功能治療類康復機器人主要應用于功能障礙患者的康復訓練，包括上肢、軀干和下肢康復機器人等，可以與虛擬現實技術相結合，通過增加患者的康復訓練趣味性，來提高其康復訓練依從性，從而提升康復療效[14]。生活輔助類康復機器人主要通過機器人為患者提供日常生活輔助，補償或替代各種疾病損傷導致的功能障礙，如智能輪椅[15]、輔助機械臂輪椅式機器人[16]等。

根據患者應用康復機器人的訓練姿態可分為站立式、多體式與坐臥式[17]。站立式康復機器人協助患者在站立或行走狀態下進行康復訓練。坐臥式康復機器人通常采用坐姿或臥姿進行康復訓練，多用于康復初期患者肌力不足情況下的康復訓練。多體式康復機器人采用站立式康復機器人與站立床結合的康復策略，實現患者在不同傾斜平臺的步態訓練，可針對不同功能障礙的患者選取不同的訓練姿態進行針對性、個體化訓練。

根據康復訓練原理可將康復機器人分為末端牽引式與外骨骼式。末端牽引式康復機器人的主體結構通常為普通連桿結構或串聯結構，與人體末端關節吻合，通過支撐患者的肢體末端，使喪失功能的肢體按照預設軌跡進行被動或主動訓練[4]，從而實現康復訓練，主要應用于對末端肢體有一定運動控制能力的患者[18]。具有代表性的末端牽引式上肢康復機器人有美國麻省理工學院研制的上肢康復機器人MIT-Manus[19]、美國斯坦福大學研制的上肢康復機器人鏡像系統MIME[20-21]，我國清華大學研制的2-DOF上肢康復機器人UECM[22]等。外骨骼式康復機器人是基于人體仿生學及人體四肢各關節運動機制而設計的，根據其機械結構和綁帶將人體和仿人型機械結構連接于一體，帶動肢體功能障礙患者進行四肢、軀干的主被動訓練，同時為患者提供身體支撐和保護作用[23]。相比末端牽引式，外骨骼式機器人提供更大范圍的運動，能夠保證各關節的最佳運動控制[4]，更適用于早期康復的患者[18]，而末端牽引式康復機器人在改善慢性腦卒中患者的活動和參與方面優勢更顯著[24]。具有代表性的外骨骼式康復機器人有瑞士蘇黎世大學研制的可穿戴上肢外骨骼康復機器人ARMin[10，25]、瑞士Hocoma公司研制的下肢康復機器人Lokomat[26]和以色列公司研制的下肢康復機器人Rewalk[27]等。

2 康復機器人應用現狀

2.1 上肢康復機器人

2.1.1 上肢康復機器人在上肢功能評估中的應用

上肢康復機器人可應用于腦卒中、偏癱、腦癱等神經損傷疾病以及手外傷、截肢等肌肉骨骼損傷導致的上肢功能障礙和精細運動功能障礙患者的康復。上肢康復機器人在訓練過程中采用運動學參數、動力學參數和電參數實時監測患者上肢的運動功能，即使是在針對性強、干擾性大的活動中也可以精準、靈敏地采集到相應的參數[28]。運動學分析包括末端關節運動分析[29]、關節間（肢體間）協調性分析[30]和感覺運動分析[31]，可以確定患者腦卒中后上肢功能損傷的具體問題。采集特定關節的力、力矩等動力學參數可以評估患者腦卒中后上肢肌張力異常[32]和癱瘓[33]情況。采集肌電信號可以診斷患者運動過程中上肢肌肉協同激活情況[34-36]，

并根據其手臂行為建模評定上肢痙攣程度[37]。應用上肢康復機器人精準評測腦卒中患者的上肢運動和感覺功能，通過上肢肌力、關節活動度、肌張力、本體感覺、運動覺、肌電信號、肌肉行為模型等特征定量評定上肢關節的運動質量和準確性，有助于進一步指導康復訓練，可以有效改善不同康復階段腦卒中患者的雙手協調性、精細動作能力和日常生活能力[28]。但當前仍缺乏針對上肢康復機器人應用于不同疾病患者康復評定的臨床標準，因此將運動學參數作為臨床結果的預測指標向患者提供同步反饋時，仍然具有挑戰性。未來應當進一步探究上肢運動學參數的臨床意義，建立基于運動學參數的標準評估方案，以確保上肢機器人在康復評定中的有效性。

2.1.2 上肢康復機器人在上肢功能訓練中的應用

上肢康復機器人在功能訓練中的應用已較為成熟，已經成為一種安全可行的神經損傷疾病康復治療方法[18]。目前臨床常用的上肢康復機器人見表1[38-43]。

上肢康復機器人可以與患者進行精準交互，在患者需要時提供支持，同時可以結合虛擬現實技術提供豐富的視覺輸入，輔助感覺運動訓練，增加上肢功能訓練的趣味性與挑戰性[44]。

Metzger J C等人[45]分別在真實環境和機器人系統創造的虛擬環境中采用上肢康復機器人ReHapticKnob對腦卒中患者進行手功能訓練，通過觸覺辨別任務、教學和重復任務以及觸覺探索任務訓練手抓握和前臂旋前功能，結果顯示機器人定量評價系統有助于患者改善手功能。Ranzani R等人[44]也進一步驗證了ReHapticKnob基于神經認知療法可以改善腦卒中患者手的精細運動功能，并鼓勵患者居家使用該機器人進行大量重復訓練。但當前市場和臨床中針對腦卒中后康復的上肢機器人種類繁多，病程、訓練強度、頻率的不同都會影響患者的功能結果。Rodgers H等人[46]通過一項770例中重度上肢功能受限腦卒中患者參與的多中心隨機對照研究發現，為期12周的上肢康復機器人MIT-Manus訓練和增強上肢訓練項目與傳統治療相比，療效無明顯差異。未來還需進一步加強以功能為導向的上肢康復機器人治療策略研究，以及對不同程度功能受限患者康復訓練方案的制定。此外，居家康復的腦卒中患者對上肢康復機器人的需求也在逐年增加[47]，能夠滿足豐富的家居環境、提供上肢運動和日常生活活動訓練、實現個體化康復且安全簡便的上肢康復機器人將是自動化康復的新趨勢。上肢康復機器人還可以應用于多發性硬化患者的上肢功能訓練，Cuesta-Gómez A等人[14]證明Leap Motion Controller上肢康復機器人系統與游戲結合可以有效改善多發性硬化患者上肢肌肉的肌力、靈活性、疲勞度、生活質量、滿意度和依從性。ARMin[10，25]、Armeo[10]、InMotion ARM/ WRIST[48]、The Hand of Hope[49]、ReoGo[50]、Arm Light Exoskeleton（ALEx）[51]等上肢康復機器人也可應用于脊髓損傷后患者上肢功能康復，但對四肢癱患者的上肢功能療效仍然有待驗證。

臨床文獻中常出現使用上肢康復機器人發生皮膚損傷和關節肌肉疼痛等不良反應的報道[52]。

因此，應用上肢康復機器人進行康復訓練時應及時監測患者的反饋，減少不良事件的發生。上肢康復機器人的設計應遵循安全、實用、精確原則，提高在不同場景的可用性[47，53]，與患者日常生活活動結合，提升趣味性，同時也應完善風險管理和控制系統[54]，提升康復治療師的操作專業性，進一步保障患者安全。

2.2 下肢康復機器人

2.2.1 下肢康復機器人在下肢功能評估中的應用

下肢康復機器人可應用于腦卒中、偏癱、腦癱、脊髓損傷、髖關節置換術后、膝關節置換術后、踝關節損傷、截肢等患者的下肢關節活動度、肌力、感覺、步態、平衡功能評估。常見的步態康復機器人內設角度位置傳感器，可以定量測量患者下肢的主動關節活動度，Lokomat下肢康復機器人還可以測定患者下肢的被動關節活動度[55]。Lokomat[56]、ALEX[57]等下肢康復機器人內設等速測力計或力傳感器，LOPES[58]內設線性傳感器，可以測量下肢肌肉肌力。Lokomat還可以定量評定不完全性脊髓損傷患者髖關節和膝關節的位置覺[59]、運動覺[60]、步態參數（如步速和步長）[61-62]等，能監測患者運動功能的變化，準確反映功能改善的進展，具有良好的臨床可行性。但應用下肢機器人對患者的感覺運動功能進行定量評定，需要建立標準化的評估方案以減小誤差，同時也應對基于下肢機器人的康復評估方法進行心理學測量評價，提升其臨床效用性。

人工智能的發展為康復評估和個性化康復方案制定賦予了新的生機。人工智能和大數據技術的快速發展，數據驅動的康復進度評估正成為這個領域的重要研究方向。數據驅動的康復進度評估是通過收集、分析和利用各種康復相關的臨床資料，以便更準確地評估患者的功能狀況和康復進展。人工智能不僅可以在低維度實現原始傳感器信號的過濾、融合、分析，還能在高維度分析患者的運動學、動力學、生理學、生活習慣、康復訓練等數據，進一步提取有效信息從而指導精準化、個體化康復方案制定。

2.2.2 下肢康復機器人在下肢功能訓練中的應用 下肢康復機器人常應用于腦卒中、偏癱、腦癱、脊髓損傷、帕金森病、髖關節置換術后、膝關節置換術后、踝關節損傷、截肢等患者下肢的平衡及步行功能訓練。下肢康復機器人可以在標準化的訓練環境中提供精準控制、重復和集中的步態訓練[63]，減少康復治療師的負擔，為患者提供客觀定量的康復進展評估[64]。常見的已投入臨床應用的下肢康復機器人見表2，如圖2[65-68]。

較早出現的步態康復機器人是Lokomat[69]，隨后又發展出了各種步態康復機器人，主要分為接地外骨骼式如LOPES[58]，ALEX[57]，末端牽引式如Gait Trainer[70]，Haptic Walker[71]和穿戴式外骨骼如ReWalk[72]，Indego[67]。有Meta分析表明步態康復機器人可以在兼顧安全性、運動輔助和訓練強度的多模態康復環境下有效改善多發性硬化患者的平衡和步態功能[73]。應用外骨骼機器人Lokomat的康復訓練在改善腦卒中患者步行功能的同時，也能夠改善其平衡功能[74]。國內研發的具有代表性的下肢康復機器人有北京大艾科技有限公司研發的AiWalker和AiLegs機器人[75-76]，可應用于常見骨關節疾病術后、神經損傷疾病等患者的個性化康復訓練，主要輔助患者的規范步態訓練。還有上海傅立葉智能科技有限公司研發的Fourier X2可穿戴下肢外骨骼機器人，通過智能傳感技術、運動控制等識別患者的運動意圖，并根據運動學信息進行動態調整動力輸出，用于輔助行走、康復訓練[77]。

此外，軟體康復機器人是近年來康復科學領域新興的一種機器人類型，它們的主要特點是利用柔性材料（例如針織物、氣囊、柔性繩索等）來模擬人體肌肉的動態性能，實時輔助患者的動作，從而驅動步態訓練[78-80]。美國哈佛大學開發的軟體機器人系統Soft Exosuit由智能化電子系統、傳感器和執行器組成，電子系統用于控制執行器的運動，執行器通過電纜提供動力幫助穿戴者行走，從而有效協助患者的主動訓練，傳感器則用于感知穿戴者的行走狀態和動態[78]。國內也發布了一款肌肉外甲，可以實時助力患者下肢肌肉從而有效協助其主動訓練，加速康復過程[81]。在安全性上，相比傳統的硬質機器人，軟體康復機器人因材料的柔韌性，降低了對人體可能產生的傷害風險。在適應性上，由于軟性材料可以形變，使得軟體康復機器人能夠更好地適應人體的各種姿態和形狀，從而提供更加貼合的康復訓練。在舒適性上，軟體材料的觸感接近人體皮膚，體感更為舒適，從而增加患者的接受度和積極性。軟體康復機器人的發展體現了機器人硬件技術的更新，促進了康復訓練場景的擴大和穿戴體驗的提升。

應用下肢康復機器人進行康復訓練時，涉及患者、康復治療師和設備的多方交互，在“人-機器人-環境”復雜的人因系統中，保障患者的安全、提升人機交互的安全性是首要任務[82]。影響下肢康復機器人使用安全性的因素較多，如機器人設備穩定性、設備類型、康復訓練任務、操作人員、患者疾病種類及殘存功能等因素[82]。應用下肢康復機器人進行功能訓練時最常見的不良反應為皮膚及軟組織損傷、跌倒及相關損傷、骨折、直立性低血壓、關節肌肉疼痛等[83-84]。CHEN S J等人[76]在一項驗證AiLegs外骨骼機器人對脊髓損傷患者的安全性研究中報告了2例輕度皮膚擦傷（腰骶區和左腰椎區），1例雙側足跟壓瘡，1例跟骨壓縮性骨折，提示在進行下肢康復機器人訓練前需要評估患者下肢的負重能力，進行適應性訓練之前逐漸增加負重的數量和持續時間，在每次使用外骨骼設備訓練時，特別是在使用的初始階段，仔細檢查患者的皮膚顏色確保沒有壓瘡和骨折。Benson I等人[85]也報告了在一項研究中應用ReWalk外骨骼機器人時皮膚損傷的發生率很高：10例入組脊髓損傷患者中有5例至少發生過一次輕度皮膚損傷，其中2例因反復出現皮膚破裂問題而退出研究。據一項Meta分析報道，使用下肢外骨骼機器人進行的步行康復訓練項目中骨折的發生率約為3.4%[86]，因此在進行相應訓練時需要關注患者的骨質情況（如骨質疏松），隨時檢查人機的對位對線情況以防止應力性骨折[83，87]。在一項應用HAL外骨骼機器人進行康復訓練的研究中，22例受試者中有5例發生直立性低血壓[88]。此外，痙攣會對人機交互的安全性產生一定影響，因此大多數下肢康復機器人的驗證研究都把痙攣作為招募受試者的排除標準之一。Borggraefe I等人[89]報道了使用Lokomat進行步行訓練時，一例兒童因嚴重痙攣產生人機抵抗，造成機器突然制動；而另一例兒童在機器人輔助訓練前經肉毒素注射治療后痙攣緩解，進而減少了機器人訓練時的不良反應。因此，使用下肢機器人進行康復訓練時也應關注患者的痙攣情況，考慮結合其他有效治療緩解痙攣后再進行機器人的適應性訓練，未來還需要更多研究探究存在痙攣的用戶與機器人的交互性，從而保障用戶的安全。為進一步提升下肢康復機器人的使用安全性，應當監測使用過程中不良反應的發生，評估患者的基礎情況，制定科學的康復方案，完善康復機器人的風險管理及控制系統[90]，提升康復治療師的操作培訓質量[87]，從而保障患者的安全。

2.3 軀干康復機器人

2.3.1 軀干康復機器人在軀干功能評估中的應用 軀干康復機器人相比應用廣泛的上肢和下肢康復機器人來說仍處于初步探索階段，當前相關報道較少，具體見表3，如圖3[91-94]。

美國哥倫比亞大學研發的Trunk Support Trainer （TruST）[91]是目前比較成熟的可應用于脊髓損傷患者軀干功能評估和訓練的軀干機器人，由四根纜繩沿著水平面系在軀干腰帶上，在一個固定的框架上安裝了四個驅動器，彈簧和測壓元件與每根電纜串聯在一起，在參考框架的中間設置了患者的測試坐臺。TruST應用坐臺上的測力板監測胸段脊髓損傷患者在坐姿控制極限下8個方向的主動軀干活動時的壓力中心變化，來評估其軀干控制能力[95]。但TruST不能為患者在坐姿活動時提供有效支撐，也只局限于軀干的動態活動監測，缺乏靜態、預期性活動的定量評定。該系統只適合不完全性脊髓損傷以及損傷平面較低的患者，TruST在不同損傷程度和損傷平面的頸段脊髓損傷（Spinal Cord Injury，SCI）患者中的臨床適用性仍需要更多研究去證實。

美國懷俄明大學研發的Robotic Spine Exoskeleton （RoSE）[96]由兩個6自由度并行的驅動模塊串聯組成，每一個模塊由六個驅動臂構成。應用該軀干外骨骼機器人可以通過三維對比，量化脊柱變形個體與健康人的脊柱剛度差異。在RoSE的最新研究進展中，12位健康受試者穿戴RoSE 進行坐位到站立位的轉移、步行和舉重物三個活動，通過表面肌電圖、三維運動捕捉系統采集受試者的軀干活動度、肌肉激活情況，結果顯示穿戴RoSE給受試者的胸部和腹部的負荷在不同的肌肉激活程度和在執行不同任務時是不同的[92]，由此提示在設計脊柱外骨骼機器人時要考慮到外骨骼的材質和穿戴體驗，才能提高脊髓損傷患者的滿意度和接受度。此外，RoSE目前只能針對恢復站立、步行功能的SCI患者，而對于絕大多數不能步行的SCI患者其軀干控制功能是無法通過穿戴RoSE完成自主站立和步行功能評估的。

北京大學專門針對不能步行的脊髓損傷患者研發了動態脊柱支撐機器人RoboBDsys[93]，由胸腔環帶、3個線性驅動器以及一個坐位平臺組成。該機器人通過人體運動傳感檢測和智能機器人控制算法器實現與患者的軀干運動實時交互，在給患者軀干提供有效支撐的同時捕捉到軀干的運動學和動力學數據，從而精準識別患者的軀干肌力、關節活動范圍、關節運動速度、壓力中心的位移等生物力學參數，明確患者的軀干控制能力和主要問題，從而更好地指導康復訓練。

智能化康復機器人通過內設的運動傳感器和智能機器人控制算法器實現與不同類型患者的軀干運動實時交互，捕捉到軀干控制的生物力學參數，如方向、角度、角速度、力矩、壓力中心、軀干運動時的肌肉激活程度等。康復機器人實現了整合三維運動捕捉系統、測力計、測速儀、平衡測試儀、表面肌電圖等幾大生物力學參數評定常用儀器，實現一體多面，極大地節省了物理空間，簡化了測試流程，壓縮了評估時間和人力成本，提高了康復評定的效率。還可以為患者提供個性化的康復方案，能夠及時、精準、有效地提供反饋從而指導SCI患者的康復訓練。

2.3.2 軀干康復機器人在軀干功能訓練中的應用 英國劍橋大學研發的Wheelchair Robot for Active Postural Support （WRAPS）[97]由兩個胸部和臀部的環帶組成一個并聯機器人裝置連接，針對有軀干控制障礙的脊髓損傷患者提供坐位軀干支撐，可以在完全性脊髓損傷患者或高位截癱患者中使用。但該系統的主要功能是提供軀干的支撐，缺乏康復評定系統，無法針對脊髓損傷患者軀干控制能力的生物力學參數進行實時識別和反饋，能提供的康復訓練也非常有限。目前在健康受試者穿戴試驗中仍采用額外的儀器設備如運動捕捉系統和表面肌電圖來采集受試者在坐位下的軀干活動度、肌力和肌肉激活程度。北京大學研發的RoboBDsys機器人系統考慮到穿戴者在不同康復階段的康復需求，早期損傷或是高位截癱患者肌肉力量弱、運動能力弱，康復方式以被動訓練和助力運動為主，機器人可以給軀干提供縱向支撐，并且采用支撐性強、自由度稍低的結構規范輔助患者康復。康復中后期或是低位截癱患者肌肉力量恢復，采用主動和抗阻運動相結合的康復模式，在保證患者安全的前提下適當增加運動關節自由度，促進患者自主運動，提高康復效果。這種專門適用于脊髓損傷患者的動態脊柱支撐系統設計在保障患者與機器人交互安全性的同時，極大地降低了脊髓損傷患者的坐位壓力，可以提供脊柱的縱向支撐力，從而減少壓瘡，個體化適配的穿戴部件增加了設備穿戴的舒適度和貼合度，訓練過程中強調患者主動參與，結合生物反饋和虛擬現實技術，將患者的運動學參數、動力學參數實時反映到屏幕上，增加視覺反饋輸入和訓練的趣味性，易于被患者接受。

當前國外開發的幾款軀干外骨骼康復機器人在面向患者的應用時側重點不同，在提供支撐、康復評估、穿戴設計上各有側重，康復評定也只局限于軀干的動態活動監測，缺乏靜態、預期性活動的定量評定，在患者中的適用性仍需要進一步探究。此外，當前的幾款軀干外骨骼機器人在不同損傷程度的患者中的臨床適用性仍需要更多研究去證實。

2.4 腦機接口技術在康復醫學領域的綜合應用 腦機接口技術是近年來迅速發展的一項新興技術。這項技術結合了神經生理學、計算機科學和工程學的方法、途徑和概念，通過采集大腦信號，分析、轉換為輸出命令，再傳輸到執行特定任務的應用程序，從而在人體大腦和外部設備之間建立實時的雙向聯系[98]，其主要目標是利用大腦分布和動態回路的操作原理和可塑性來創造新的治療方法，以改善嚴重殘疾患者的感覺、運動和言語交流功能，促進其活動和參與。腦機接口技術在康復醫學領域中針對的嚴重功能障礙患者主要包括脊髓損傷、腦卒中、腦癱、阿爾茨海默病、癲癇、多發性硬化、帕金森病等神經系統疾病[99-101]和肌萎縮側索硬化癥、肌營養失調等神經肌肉進展性疾病[102]，該技術在康復醫學中主要通過功能補償和功能恢復來改善患者的功能障礙[103]。功能補償是指將腦機接口技術與輔助性設備結合來替代喪失的神經功能，以提高患者與各種環境或活動的交互或控制能力，如拼寫器、神經假肢、移動機器臂和輪椅等[104-105]。功能恢復則是指通過腦機接口技術誘導活動依賴性的神經可塑性，一方面調節大腦信號特征激活大腦皮質，另一方面通過運動再學習促進大腦重塑提高感覺運動功能[98]。

當前在康復醫學領域的相關研究中，腦機接口技術與輔助性設備[106]、虛擬現實技術[107]、功能性電刺激[108]和經顱直流電刺激[109]等相結合，具體可應用于①運動功能的康復：包括上肢、下肢及步行功能的改善[101]。②言語交流功能的康復：主要針對肌萎縮側索硬化癥、中樞神經系統疾病引起的閉鎖綜合征等進而導致的交流障礙患者，應用腦機接口技術將患者的腦電信號轉換為控制字母、數字、網格、光標和網絡瀏覽工具的命令，將反饋可視化從而完成交流[110]。雖然腦機接口技術具有較大的應用潛力，但是目前絕大多數腦機接口系統仍處于實驗室階段，未來仍需要更多的研究去探索和驗證該技術在不同患者的臨床康復中的應用價值和作用機制，進而造福功能障礙患者。

3 總結與展望

機器人為康復醫學帶來了新的機遇與挑戰，為康復從業人員創造了更高效、多樣的康復技術，為廣大功能障礙患者提供了更豐富的康復選擇，向促進患者功能恢復、改善生活質量的愿景前進了一大步。當前應用較為成熟的上肢和下肢康復機器人在神經損傷、肌肉骨骼損傷等功能障礙患者的康復評定和康復訓練中具備一定的臨床實用性，與虛擬現實技術和人工智能緊密結合，很大程度上提升了康復訓練的趣味性和高效性。但當前對康復機器人應用于不同疾病損傷、不同康復階段的臨床效果仍有待探究，尤其是對機器人介導的康復治療方案包括訓練強度、頻率、方法等的制定仍存在很大爭議。如何從患者的需求出發，根據定量評測結果設計個性化治療方案，并有效評價康復療效從而進行反饋和調整，是機器人在康復醫學領域應用的重點和難點。軀干康復機器人作為發展較為緩慢的機器人技術，也逐漸從研究階段走向臨床。而當前比較新興的腦機接口技術推動了康復醫學的進一步發展，為更多患者帶來康復的希望。康復數字化加人工智能延伸了康復場景，從臨床康復、社區康復、居家康復再到遠程康復，機器人技術為處于不同階段或地域的有康復需求的人群創造了更豐富的康復訓練環境，能夠有針對性地實現個體化康復。

盡管康復機器人的發展前景充滿希望，但也面臨著更多的挑戰。首先，從技術角度來看，康復機器人需要能夠理解和模擬復雜的人體生物力學，實現同步配合動作，設備需要精確的評估和力量的控制，而且這一需求會延伸到日常生活的復雜場景中，要確保機器人在和患者互動時不會對患者造成傷害。此外，康復機器人還需要對人體動作和相關的神經重塑有深度理解，以便更好地進行康復訓練。然而，目前不論是康復機器人的硬件和軟件都還處于不夠成熟的階段，需要更多的硬件迭代和數據的積累與訓練學習，這是康復機器人面臨的技術挑戰。其次，從解決方案上來看，康復機器人的標準和相應的法規還不夠明確，其涉及的醫療責任、數據安全、隱私保護等問題，需要有清晰的法規進行規范。最后，從經濟角度來看，康復機器人的研發和生產成本高昂，在一定程度上限制了其推廣。

隨著人工智能和數據分析技術的發展，更便攜、智能的康復機器人一定是未來發展方向。在硬件方面，康復機器人會更加集成化和小巧，具備更多傳感器和執行器，使其更好地理解和配合人體動作。在軟件方面，康復機器人可能會通過增強學習等機器學習技術，提高其智能水平，使其能夠根據實時反饋調整康復策略。未來康復機器人不僅能提供康復訓練，它們也可能成為患者生活中必要的一部分來提供日常生活的輔助和助力。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：施杰洪負責設計論文框架，起草并修改論文；王寧華負責擬定寫作思路，指導撰寫文章并最后定稿。

參考文獻

[1] O?a E， Cano-de La Cuerda R， Sánchez-Herrera P， et al. A review of robotics in neurorehabilitation： towards an automated process for upper limb[J]. J Healthc Eng， 2018， 2018： 9758939.

[2] de-la-Torre R， Oa E， Balaguer C， et al. Robot-aided systems for improving the assessment of upper limb spasticity： a systematic review[J]. Sensors （Basel， Switzerland）， 2020， 20（18）： 5251.

[3] Morone G， Cocchi I， Paolucci S， et al. Robot-assisted therapy for arm recovery for stroke patients： state of the art and clinical implication[J]. Expert Rev. Med. Devices， 2020， 17（3）： 223-233.

[4] Pignolo L. Robotics in neuro-rehabilitation[J]. J Rehabil Med， 2009， 41（12）： 955-960.

[5] Sale A， Berardi N， Maffei L. Enrich the environment to empower the brain[J]. Trends Neurosci， 2009， 32（4）： 233-239.

[6] Gerloff C， Bushara K， Sailer A， et al. Multimodal imaging of brain reorganization in motor areas of the contralesional hemisphere of well recovered patients after capsular stroke[J]. Brain， 2006， 129（Pt 3）： 791-808.

[7] Nudo R J. Postinfarct cortical plasticity and behavioral recovery[J]. Stroke， 2007， 38（2 Suppl）： 840-845.

[8] Feys H， De Weerdt W， Verbeke G， et al. Early and repetitive stimulation of the arm can substantially improve the long-term outcome after stroke： a 5-year follow-up study of a randomized trial[J]. Stroke， 2004， 35（4）： 924-929.

[9] Lo A C， Guarino P D， Richards L G， et al. Robot-assisted therapy for long-term upper-limb impairment after stroke[J]. N Engl J Med， 2010， 362（19）： 1772-1783.

[10] Klamroth-Marganska V， Blanco J， Campen K， et al. Three-dimensional， task-specific robot therapy of the arm after stroke： a multicentre， parallel-group randomised trial[J]. Lancet Neurol， 2014， 13（2）： 159-166.

[11] Hubbard I J， Carey L M， Budd T W， et al. A randomized controlled trial of the effect of early upper-limb training on stroke recovery and brain activation[J]. Neurorehabil Neural Repair， 2015， 29（8）："703-713.

[12] Bressi F， Bravi M， Campagnola B， et al. Robotic treatment of the upper limb in chronic stroke and cerebral neuroplasticity： a systematic review[J]. J Biol Regul Homeost Agents.， 2020， 34（5 Suppl. 3）： 11-44.

[13] Molteni F， Gasperini G， Cannaviello G， et al. Exoskeleton and end-effector robots for upper and lower limbs rehabilitation： narrative review[J]. PMR， 2018， 10（9 Suppl 2）： S174-S188.

[14] Cuesta-Gómez A， Sánchez-Herrera-Baeza P， O?a-Simba?a E D， et al. Effects of virtual reality associated with serious games for upper limb rehabilitation inpatients with multiple sclerosis： randomized controlled trial[J]. J Neuroeng Rehabil， 2020， 17（1）： 90.

[15] TANG J S， LIU Y D， HU D W， et al. Towards BCI-actuated smart wheelchair system[J]. Biomed Eng Online， 2018， 17（1）： 111.

[16] Hillman M， Hagan K， Hagan S， et al. A wheelchair mounted assistive robot[J]. Hagan Kl， 1999.

[17] 杜妍辰， 張鑫， 喻洪流. 下肢康復機器人研究現狀[J]. 生物醫學工程學進展， 2022， 43（2）： 88-91.

[18] Bertani R， Melegari C， De Cola M C， et al. Effects of robot-assisted upper limb rehabilitation in stroke patients： a systematic review with meta-analysis[J]. Neurol Sci， 2017， 38（9）： 1561-1569.

[19] Sale P， Franceschini M， Mazzoleni S， et al. Effects of upper limb robot-assisted therapy on motor recovery in subacute stroke patients[J]. J Neuroeng Rehabil， 2014. DOI： 10.1186/1743-0003-11-104.

[20] Lum P S， Burgar C G， Shor P C. Use of the MIME robotic system to retrain multijoint reaching in post-stroke hemiparesis： why some movement patterns work better than others[J]. IEEE， 2003.DOI： 10.1109/IEMBS.2003.1279614.

[21] Burgar C G， Lum P S， Shor P C， et al. Development of robots for rehabilitation therapy： the Palo Alto VA/Stanford experience[J]. J Rehabil Res Dev， 2000， 37（6）： 663-673.

[22] ZHANG Y B， WANG Z X， JI L H， et al. The clinical application of the upper extremity compound movements rehabilitation training robot[C]//9th International Conference on Rehabilitation Robotics， 2005.

[23] Lo H S， XIE S Q. Exoskeleton robots for upper-limb rehabilitation： state of the art and future prospects[J]. Med Eng Phys， 2012， 34（3）： 261-268.

[24] Lee S H， Park G， Cho D Y， et al. Comparisons between end-effector and exoskeleton rehabilitation robots regarding upper extremity function among chronic stroke patients with moderate-to-severe upper limb impairment[J]. Sci Rep， 2020， 10（1）： 1806.

[25] Brokaw E B， Nichols D， Holley R J， et al. Robotic therapy provides a stimulus for upper limb motor recovery after stroke that is complementary to and distinct from conventional therapy[J]. Neurorehabil Neural Repair， 2014， 28（4）： 367-376.

[26] Nam K Y， Kim H J， Kwon B S， et al. Robot-assisted gait training （Lokomat） improves walking function and activity in people with spinal cord injury： a systematic review[J]. J Neuroeng Rehabil， 2017， 14（1）： 24.

[27] Esquenazi A， Talaty M， Packel A， et al. The ReWalk powered exoskeleton to restore ambulatory function to individuals with thoracic-level motor-complete spinal cord injury[J]. Am J Phys Med Rehabil， 2012， 91（11）： 911-921.

[28] Nordin N， XIE S Q， Wünsche B. Assessment of movement quality in robot- assisted upper limb rehabilitation after stroke： a review[J]. J Neuroeng Rehabil， 2014， 11： 137.

[29] Alt Murphy M， Willén C， Sunnerhagen K S. Kinematic variables quantifying upper-extremity performance after stroke during reaching and drinking from a glass[J]. Neurorehabil Neural Repair， 2011， 25（1）： 71-80.

[30] Johnson M J， FENG X， Johnson L M， et al. Robotic systems that rehabilitate as well as motivate： Three strategies for motivating impaired arm use[J].IEEE， 2006.DOI： 10.1109/BIOROB. 2006.1639095.

[31] Dukelow S P， Herter T M， Bagg S D， et al. The independence of deficits in position sense and visually guided reaching following stroke[J]. J Neuroeng Rehabil， 2012. DOI： 10.1186/1743-0003-9-72.

[32] Abdullah H A， Tarry C， Datta R， et al. Dynamic biomechanical model for assessing and monitoring robot-assisted upper-limb therapy[J]. J Rehabil Res Dev， 2007， 44（1）： 43-62.

[33] Colombo R， Pisano F， Mazzone A， et al. Motor performance evaluation to improve patient’s compliance during robot-aided rehabilitation[C].IEEE/RAS-EMBS International Conference on Biomedical Robotics amp; Biomechatronics.IEEE， 2001.DOI： 10.1109/BIOROB.2006.1639237.

[34] Kung P-C， Lin C-C K， Ju M-S. Neuro-rehabilitation robot-assisted assessments of synergy patterns of forearm， elbow and shoulder joints in chronic stroke patients[J]. Clin Biomech （Bristol， Avon）， 2010， 25（7）： 647-654.

[35] Lewis G N， Perreault E J. An assessment of robot-assisted bimanual movements on upper limb motor coordination following stroke[J]. IEEE Trans Neural Syst Rehabil Eng， 2009， 17（6）： 595-604.

[36] Zollo L， Rossini L， Bravi M， et al. Quantitative evaluation of upper-limb motor control in robot-aided rehabilitation[J]. Med Biol Eng Comput， 2011， 49（10）： 1131-1144.

[37] de-la-Torre R， O?a E D， Balaguer C， et al. Robot-aided systems for improving the assessment of upper limb spasticity： a systematic review[J]. Sensors （Basel， Switzerland）， 2020， 20（18）： 5251.

[38] Krebs H I， Ferraro M， Buerger S P， et al. Rehabilitation robotics： pilot trial of a spatial extension for MIT-Manus[J]. J Neuroeng Rehabil， 2004， 1（1）： 5.

[39] Klamroth-Marganska V， Blanco J， Campen K， et al. Three-dimensional， task-specific robot therapy of the arm after stroke： a multicentre， parallel-group randomised trial[J]. Lancet Neurol， 2014， 13（2）： 159-166.

[40] Burgar C G， Lum P S， Scremin A M， et al. Robot-assisted upper-limb therapy in acute rehabilitation setting following stroke： Department of Veterans Affairs multisite clinical trial[J]. J Rehabil Res Dev， 2011， 48（4）： 445-458.

[41] Takebayashi T， Takahashi K， Okita Y， et al. Impact of the robotic-assistance level on upper extremity function in stroke patients receiving adjunct robotic rehabilitation： sub-analysis of a randomized clinical trial[J]. J Neuroeng Rehabil， 2022， 19（1）： 25.

[42] Metzger J C， Lambercy O， Califfi A， et al. Neurocognitive robot-assisted therapy of hand function[J]. IEEE Trans Haptics， 2014， 7（2）： 140-149.

[43] Pirondini E， Coscia M， Marcheschi S， et al. Evaluation of the effects of the Arm Light Exoskeleton on movement execution and muscle activities： a pilot study on healthy subjects[J]. J Neuroeng Rehabil， 2016. DOI： 10.1186/s12984-016-0117-x.

[44] Ranzani R， Lambercy O， Metzger J-C， et al. Neurocognitive robot-assisted rehabilitation of hand function： a randomized control trial on motor recovery in subacute stroke[J]. J Neuroeng Rehabil， 2020， 17（1）： 115.

[45] Metzger J C， Lambercy O， Califfi A， et al. Assessment-driven selection and adaptation of exercise difficulty in robot-assisted therapy： a pilot study with a hand rehabilitation robot[J]. J Neuroeng Rehabil， 2014. DOI： 10.1186/1743-0003-11-154.

[46] Rodgers H， Bosomworth H， Krebs H I， et al. Robot assisted training for the upper limb after stroke （RATULS）： a multicentre randomised controlled trial[J]. Lancet， 2019， 394（10192）： 51-62.

[47] LI L T， FU Q， Tyson S， et al. A scoping review of design requirements for a home-based upper limb rehabilitation robot for stroke[J]. Top Stroke Rehabil， 2022， 29（6）： 449-463.

[48] Cortes M， Elder J， Rykman A， et al. Improved motor performance in chronic spinal cord injury following upper-limb robotic training[J]. NeuroRehabilitation， 2013， 33（1）： 57-65.

[49] Lu Z， Tong K-Y， Shin H， et al. Robotic hand-assisted training for spinal cord injury driven by myoelectric pattern recognition： a case report [J]. Am J Phys Med Rehabil， 2017， 96（10 Suppl 1）： S146-S149.

[50] Siedziewski L， Schaaf R C， Mount J. Use of robotics in spinal cord injury： a case report[J]. Am J Occup Ther， 2012， 66（1）： 51-58.

[51] Mekki M， Delgado A D， Fry A， et al. Robotic rehabilitation and spinal cord injury： a narrative review[J]. Neurotherapeutics， 2018， 15（3）： 604-617.

[52] Takebayashi T， Takahashi K， Amano S， et al. Robot-assisted training as self-training for upper-limb hemiplegia in chronic stroke： a randomized controlled trial[J]. Stroke， 2022， 53（7）： 2182-2191.

[53] Popescu D， Manta F， Rusu L， et al. Upper limb rehabilitation robotic system requirements analysis[C]//International Conference on Robotics in Alpe-Adria Danube Region.2018.DOI： 10.1007/978-3-319-61276-8_98.

[54] Tucan P， Gherman B， Major K， et al. Fuzzy logic-based risk assessment of a parallel robot for elbow and wrist rehabilitation[J]. Int J Environ Res Public Health， 2020， 17（2）： 654.

[55] Maggioni S， Melendez-Calderon A， van Asseldonk E， et al. Robot-aided assessment of lower extremity functions： a review[J]. J Neuroeng Rehabil， 2016， 13（1）： 72.

[56] Riener R， Lünenburger L， Maier I C， et al. Locomotor training in subjects with sensori-motor deficits： An overview of the robotic gait orthosis lokomat[J]. J Healthc Eng， 2010， 1（2）： 197-216.

[57] Banala S K， Kim S H， Agrawal S K， et al. Robot assisted gait training with active leg exoskeleton （ALEX）[J]. IEEE Trans Neural Syst Rehabil Eng， 2009， 17（1）： 2-8.

[58] Veneman J F， Kruidhof R， Hekman E E G， et al. Design and evaluation of the LOPES exoskeleton robot for interactive gait rehabilitation[J]. IEEE Trans Neural Syst Rehabil Eng， 2007， 15（3）： 379-386.

[59] Domingo A， Lam T. Reliability and validity of using the Lokomat to assess lower limb joint position sense in people with incomplete spinal cord injury[J]. J Neuroeng Rehabil， 2014， 11： 167.

[60] Chisholm A E， Domingo A， Jeyasurya J， et al. Quantification of lower extremity kinesthesia deficits using a robotic exoskeleton in people with a spinal cord injury[J]. Neurorehabil Neural Repair， 2016， 30（3）： 199-208.

[61] Koopman B， van Asseldonk E H F， van der Kooij H. Selective control of gait subtasks in robotic gait training： foot clearance support in stroke survivors with a powered exoskeleton[J]. J Neuroeng Rehabil， 2013. DOI： 10.1186/1743-0003-10-3.

[62] Hidler J， Wisman W， Neckel N. Kinematic trajectories while walking within the Lokomat robotic gait-orthosis[J]. Clin Biomech （Bristol， Avon）， 2008， 23（10）： 1251-1259.

[63] Carpino G， Pezzola A， Urbano M， et al. Assessing effectiveness and costs in robot-mediated lower limbs rehabilitation： a Meta-analysis and state of the art[J]. J Healthc Eng， 2018， 2018： 7492024.

[64] Bruni M F， Melegari C， De Cola M C， et al. What does best evidence tell us about robotic gait rehabilitation in stroke patients： a systematic review and meta-analysis[J]. J Clin Neurosci， 2018， 48： 11-17.

[65] Munera M， Marroquin A， Jimenez L， et al. Lokomat therapy in Colombia： Current state and cognitive aspects [J]. IEEE Int Conf Rehabil Robot， 2017， 2017： 394-399.

[66] Zeilig G， Weingarden H， Zwecker M， et al. Safety and tolerance of the ReWalk? exoskeleton suit for ambulation by people with complete spinal cord injury： a pilot study[J]. J Spinal Cord Med， 2012， 35（2）： 96-101.

[67] Hartigan C， Kandilakis C， Dalley S， et al. Mobility outcomes following five training sessions with a powered exoskeleton[J]. Top Spinal Cord Inj Rehabil， 2015， 21（2）： 93.

[68] Kozlowski A J， Bryce T N， Dijkers M P. Time and effort required by persons with spinal cord injury to learn to use a powered exoskeleton for assisted walking[J]. Top Spinal Cord Inj Rehabil， 2015， 21（2）： 110-121.

[69] Colombo G， Joerg M， Schreier R， et al. Treadmill training of paraplegic patients using a robotic orthosis[J]. J Rehabil Res Dev， 2000， 37（6）： 693-700.

[70] Hesse S， Uhlenbrock D. A mechanized gait trainer for restoration of gait[J]. J Rehabil Res Dev， 2000， 37（6）： 701-708.

[71] Schmidt H， Werner C， Bernhardt R， et al. Gait rehabilitation machines based on programmable footplates[J]. J Neuroeng Rehabil， 2007， 4： 2.

[72] Esquenazi A， Talaty M， Packel A， et al. The ReWalk powered exoskeleton to restore ambulatory function to individuals with thoracic-level motor-complete spinal cord injury[J]. Am J Phys Med Rehabil， 2012， 91（11）： 911-921.

[73] Bowman T， Gervasoni E， Amico A P， et al. What is the impact of robotic rehabilitation on balance and gait outcomes in people with multiple sclerosis？ A systematic review of randomized control trials[J]. Eur J Phys Rehabil Med， 2021， 57（2）： 246-253.

[74] Baronchelli F， Zucchella C， Serrao M， et al. The effect of robotic assisted gait training with Lokomat? on balance control after stroke： systematic review and Meta-analysis[J]. Front Neurol， 2021， 12： 661815.

[75] ZHANG F， LI K， WU D L， et al. Therapeutic effect of AiWalker on balance and walking ability in patients with stroke： a pilot study[J]. Top Stroke Rehabil， 2021， 28（3）： 236-240.

[76] CHEN S J， WANG Z B， LI Y Q， et al. Safety and feasibility of a novel exoskeleton for locomotor rehabilitation of subjects with spinal cord injury： a prospective， multi-center， and cross-over clinical trial[J]. Front Neurorobot， 2022， 16： 848443.

[77] 韓稷鈺， 王衍鴻， 萬大千. 下肢外骨骼康復機器人的研究進展及發展趨勢[J]. 上海交通大學學報（醫學版）， 2022， 42（2）： 241-246.

[78] Awad L N， Bae J， O’Donnell K， et al. A soft robotic exosuit improves walking in patients after stroke[J]. Sci Transl Med， 2017， 9（400）： eaai9084.

[79] Schmidt K， Duarte J E， Grimmer M， et al. The myosuit： Bi-articular anti-gravity exosuit that reduces hip extensor activity in sitting transfers[J]. Front Neurorobot， 2017， 11： 57.

[80] Bae J， Siviy C， Rouleau M， et al. A lightweight and efficient portable soft exosuit for paretic ankle assistance in walking after stroke[C]//2018 IEEE International Conference on Robotics and Automation （ICRA）， 2018 .

[81] 遠也科技發布可穿戴機器人“肌肉外甲”[J]. 機器人技術與應用， 2022， （4）： 7.

[82] 張立新， 白定群， 白玉龍， 等. 下肢康復機器人臨床應用專家共識[J]. 康復學報， 2023， 33（5）： 383-396.

[83] HE Y T， Eguren D， Luu T P， et al. Risk management and regulations for lower limb medical exoskeletons： a review[J]. Med Devices （Auckl）， 2017， 10： 89-107.

[84] Spungen A M， Bauman W A， Biswas K， et al. The design of a randomized control trial of exoskeletal-assisted walking in the home and community on quality of life in persons with chronic spinal cord injury[J]. Contemp Clin Trials， 2020， 96： 106102.

[85] Benson I， Hart K， Tussler D， et al. Lower-limb exoskeletons for individuals with chronic spinal cord injury： findings from a feasibility study[J]. Clin Rehabil， 2016， 30（1）： 73-84.

[86] Miller L E， Zimmermann A K， Herbert W G. Clinical effectiveness and safety of powered exoskeleton-assisted walking in patients with spinal cord injury： systematic review with meta-analysis[J]. Med Devices （Auckl）， 2016， 9： 455-466.

[87] van Herpen F H M， van Dijsseldonk R B， Rijken H， et al. Case report： Description of two fractures during the use of a powered exoskeleton[J]. Spinal Cord Ser Cases， 2019， 5： 99.

[88] Ueba T， Hamada O， Ogata T， et al. Feasibility and safety of acute phase rehabilitation after stroke using the hybrid assistive limb robot suit[J]. Neurol Med Chir （Tokyo）， 2013， 53（5）： 287-290.

[89] Borggraefe I， Klaiber M， Schuler T， et al. Safety of robotic-assisted treadmill therapy in children and adolescents with gait impairment： a bi-centre survey[J]. Dev Neurorehabil， 2010， 13（2）： 114-119.

[90] Guiochet J， Hoang Q A， Kaaniche M， et al. Model-based safety analysis of human-robot interactions： the MIRAS walking assistance robot[J]. IEEE Int Conf Rehabil Robot， 2013， 2013： 6650433.

[91] I. K M， Antonio P， K. A S. Effects of virtual reality training with Trunk Support Trainer （TruST） on postural kinematics[J]. IEEE Robot Autom Lett， 2017， 2（4）： 2240-2247.

[92] Gorsic M， Regmi Y， Johnson A P， et al. A pilot study of varying thoracic and abdominal compression in a reconfigurable trunk exoskeleton during different activities[J]. IEEE Trans Biomed Eng， 2020， 67（6）： 1585-1594.

[93] GUO X Z， ZHOU Z H， GAO Y， et al. Serial-parallel mechanism and controller design of a robotic brace for dynamic trunk support[J]. IEEE ASME Trans Mechatron， 2022， 27（6）： 4518-4529.

[94] Ophaswongse C， Murray R C， Santamaria V ， et al. Human evaluation of Wheelchair Robot for Active Postural Support （WRAPS）[J]. Robotica， 2019， 37（12）： 1-15.

[95] Santamaria V， Luna T， Khan M， et al. The robotic Trunk-Support-Trainer （TruST） to measure and increase postural workspace during sitting in people with spinal cord injury[J]. Spinal Cord Ser Cases， 2020， 6（1）： 1.

[96] Park J-H， Stegall P R， Roye D P， et al. Robotic Spine Exoskeleton （RoSE）： Characterizing the 3-D stiffness of the human torso in the treatment of spine deformity[J]. IEEE Trans Neural Syst Rehabil Eng， 2018， 26（5）： 1026-1035.

[97] Murray R C， Ophaswongse C， Agrawal S K. Design of a Wheelchair Robot for Active PosturalSupport （WRAPS）[J]. J Mech Robot， 2019， 11（2）： 020911.

[98] Lebedev M A， Nicolelis M A. Brain-machine interfaces： From basic science to neuroprostheses and neurorehabilitation[J]. Physiol Rev， 2017， 97（2）： 767-837.

[99] WEN D， FAN Y L， Hsu S H， et al. Combining brain-computer interface and virtual reality for rehabilitation in neurological diseases： a narrative review[J]. Ann Phys Rehabil Med， 2021， 64（1）： 101404.

[100] Riccio A， Pichiorri F， Schettini F， et al. Interfacing brain with computer to improve communication and rehabilitation after brain damage[J]. Prog Brain Res， 2016， 228： 357-387.

[101] Camargo-Vargas D， Callejas-Cuervo M， Mazzoleni S. Brain-computer interfaces systems for upper and lower limb rehabilitation： a systematic review[J]. Sensors （Basel， Switzerland）， 2021， 21（13）： 4312.

[102] Vansteensel M J， Klein E， van Thiel G， et al. Towards clinical application of implantable brain-computer interfaces for people with late-stage ALS： medical and ethical considerations[J]. J Neurol， 2023， 270（3）： 1323-1336.

[103] Karácsony T， Hansen J P， Iversen H K， et al. Brain computer interface for neuro-rehabilitation with deep learning classification and virtual reality feedback[J].In Proceedings of the 10th Augmented Human International Conference 2019， 2019.DOI： 10.1145/3311823.3311864.

[104] Tariq M， Trivailo P M， Simic M. EEG-based BCI control schemes for lower-limb assistive-robots[J]. Front Hum Neurosci， 2018， 12： 312.

[105] Sreedharan S， Sitaram R， Paul J S， et al. Brain-computer interfaces for neurorehabilitation[J]. Crit Rev Biomed Eng， 2013， 41（3）：

269-279.

[106] Jamil N， Belkacem A N， Ouhbi S， et al. Noninvasive electroencepha-lography equipment for assistive， adaptive， and rehabilitative brain-computer interfaces： a systematic literature review[J]. Sensors （Basel， Switzerland）， 2021， 21（14）： 4754.

[107] Leeb R， Pérez-Marcos D. Brain-computer interfaces and virtual reality for neurorehabilitation[J]. Handb Clin Neurol， 2020， 168： 183-197.

[108] Bouton C E. Merging brain-computer interface and functional electrical stimulation technologies for movement restoration[J]. Handb Clin Neurol， 2020， 168： 303-309.

[109] Soekadar S R， Witkowski M， Cossio E G， et al. Learned EEG-based brain self-regulation of motor-related oscillations during application of transcranial electric brain stimulation： feasibility and limitations[J]. Front Behav Neurosci， 2014， 8： 93.

[110] Chaudhary U， Birbaumer N， Ramos-Murguialday A. Brain-computer interfaces for communication and rehabilitation[J]. Nat Rev Neurol， 2016， 12（9）： 513-525.

編輯：崔明璠