基于肌电图（sEMG）检测痉挛的上肢康复用速度场辅助-按需控制器

《Mechatronics》：Velocity field assist-as-needed controller for upper limb rehabilitation with sEMG-based spasticity detection

Robot-assisted training with a novel variable admittance velocity field AAN controller and sEMG-based spasticity detection for post-stroke upper limb rehabilitation.摘要：

　　

叶丽|宋爱国|赖建伟|叶璐|李慧军

东南大学仪器科学与工程学院，南京210096，中国

摘要

机器人辅助训练在促进中风患者偏瘫的运动功能恢复方面展现出了显著潜力。在各种康复策略中，根据任务表现或生理状态来提供必要协助（AAN）的策略被广泛采用，这种策略在最大化用户参与度的同时最小化机器人的干预。本文介绍了一种新型的可变导纳速度场AAN控制器，该控制器集成了痉挛检测功能。主要目标是开发一种控制策略，既能实现上肢轨迹跟踪，又能确保训练安全。首先，我们设计了一种导纳控制的速度场控制器，通过自适应调整导纳参数来实现AAN特性。速度场设计确保了精确的轨迹跟踪，同时保持了时间灵活性。其次，我们提出了一种基于表面肌电图（sEMG）的痉挛检测方法，该方法利用长短期记忆（LSTM）网络来模拟肘部痉挛模式。此外，还设计了一种平滑的速度切换功能，在痉挛阶段实现受影响肢体的缓慢拉伸。通过在健康受试者和中风后患者身上使用平面上肢康复机器人系统对控制器的性能进行了实验验证。结果表明，与传统力场控制器和基于阻抗的控制器相比，所提出的控制器实现了更好的轨迹跟踪精度，并能在检测到患者痉挛时调整速度。

引言

中风是导致慢性身体残疾的主要原因之一，70%至80的中风后患者失去了进行日常生活活动的能力[1]。由于康复机器人能够提供重复性和精确的训练，因此在中风后治疗中被广泛使用。许多临床研究也证明了机器人辅助康复对患者康复的积极影响，患者的积极参与显著提高了治疗效果[2][3]。为了确保患者的积极参与，基于按需辅助（AAN）策略的控制器被开发出来[4]，在这种控制器中，机器人仅提供患者所需的最低限度的帮助。

大多数AAN控制器采用阻抗控制作为其基本控制策略，这确保了精确的轨迹跟踪，同时保持了合规性，并能够根据患者的训练表现自适应调整机器人阻抗参数或期望轨迹[5][6]。然而，这些控制器依赖于基于时间的期望轨迹，要求患者的受影响肢体在预定时间到达轨迹上的特定位置，这可能导致康复训练中的不当辅助。另一种常见的AAN控制器是构建力场控制（FFC）方法，以提供引导患者沿期望轨迹移动的辅助力。例如，潘等人[7]将训练空间划分为人类主导区域和机器人主导区域，实现了一个虚拟力场通道来引导患者进行合规性辅助训练。在Rossa等人的研究中[8]，设计了一个势场函数来计算不同位置所需的辅助力，并结合了从示范中学习的策略，使机器人能够模仿治疗师的引导轨迹。尽管基于力场的控制器消除了严格的时间限制，但它们通常无法实现精确的轨迹跟踪，且经常需要额外的耗散场来稳定机器人的运动速度[9]。

为了在保持精确轨迹跟踪的同时实现运动时序的自由，一些研究提出了速度场控制（VFC）方法。这些控制器引导患者以期望的速度沿轨迹移动，有效地将时间因素与患者运动解耦。它们还可以根据患者的表现或轨迹偏差自适应调整期望速度，从而实现基于速度场的AAN控制。例如，郭等人[10]提出了一种基于任务表现的自适应速度辅助控制器，用于上肢康复训练。该控制器在任务轨迹的正常方向上施加位置约束以限制跟踪误差，同时在切向施加速度控制以保持运动的时间灵活性。Hernandez等人[11]提出了一种以自适应速度场为中心的AAN训练策略，其中速度场的方向和大小随位置变化，以促进患者的积极参与。

另一方面，痉挛是神经系统损伤患者中普遍存在的症状，估计在中风后的发生率为30%至80%[12]。这种情况会导致异常的姿势和运动模式，严重阻碍运动功能恢复[13]。因此，在机器人辅助康复训练期间检测痉挛尤为重要。当前的痉挛检测方法通常依赖于临床医生根据评分量表（如Ashworth量表、改良Ashworth量表）手动评估肢体阻力。这些方法依赖于临床医生的经验，无法实现实时痉挛检测。因此，一些研究提出了用于康复训练的实时痉挛检测方法。例如，胡等人[14]提出了一种基于Hilbert-Huang变换边际谱熵的痉挛检测方法，该方法可以准确识别表面肌电图（sEMG）信号中的伸展反射起始点，并已通过患者实验得到验证。Trigili等人[15]设计了一种四自由度（DOF）肩肘外骨骼，用于上肢神经康复，并开发了一种基于阈值的在线痉挛检测方法。当在机器人关节检测到异常扭矩分布时，将其识别为痉挛，并切换到透明模式以确保康复训练的安全。虽然生物力学信号和sEMG信号都可以用于痉挛检测，但由于sEMG信号的直接测量能力和更高的精度，基于sEMG的方法被更广泛采用[14][16]。然而，大多数现有的基于sEMG的痉挛检测方法主要关注痉挛分级和离线评估，很少有研究专注于康复训练期间的实时痉挛检测[12]。

在这项研究中，我们提出了一种新型的VFC，用于在期望的任务轨迹周围构建平滑的速度场。该方法与基于可变导纳的低级控制器集成，以跟踪参考速度向量并实现AAN特性。由于参考速度取决于位置而不是时间，所提出的方法在康复训练期间提供了时间灵活性。此外，为了解决康复过程中的痉挛问题，我们引入了一种基于sEMG的痉挛检测方法，该方法利用长短期记忆（LSTM）网络来模拟sEMG信号的时间序列特性，从而实现准确的痉挛检测。系统可以根据检测到的痉挛状态平滑切换机器人的速度场，确保康复训练的安全和稳定。所提出方法的有效性已在2 DOF上肢康复机器人上得到了验证。本文的主要贡献如下：

(1) 提出了一种新型的可变导纳VFC（VA-VFC）。与现有的VFC策略[17][18]相比，所提出的控制器优化了速度场的构建，根据受试者的轨迹偏差实现平滑的速度调节。通过集成可变导纳策略，该方法在保持时间灵活性的同时增强了患者的积极参与。所提出的VA-VFC的有效性已在各种训练场景中得到了验证。

(2) 开发了一种基于sEMG的痉挛检测方法，该方法结合了sEMG和LSTM网络，在患者主动训练期间实现准确的痉挛检测。此外，根据检测结果，设计了一种速度平滑切换功能，以确保在存在痉挛的情况下康复训练的安全和稳定。

(3) 在健康受试者和中风后患者身上进行了全面的实验验证，证明了所提出的VA-VFC与痉挛检测在临床康复应用中的可行性和潜力。

部分摘录

上肢康复系统

平面康复机器人由于其易于使用、成本低廉和高安全性而在医院和研究机构中得到广泛应用[2][3]。在我们之前的工作中[19]，开发了一种基于2 DOF末端执行器的机器人（见图1(a)），用于中风或神经系统损伤患者的上肢康复训练。该康复机器人采用了串联平行连杆和菱形连杆的结构设计，使其能够

控制器设计

在本节中，提出了一种VA-VFC，它根据速度描述了期望的训练轨迹，从而克服了传统路径控制器的时间依赖性，并提供了更大的运动时序灵活性。在所提出的控制器中，速度场向量被用作机器人的期望输入，以引导其向期望路径移动。控制目标是当患者无法跟随期望的速度曲线时提供帮助，同时确保合规性

痉挛检测和速度切换

目前，许多基于sEMG的痉挛检测方法主要采用基于阈值的方法[26][27]（例如，单阈值方法、双阈值方法）或统计技术[16]（例如，近似广义似然比方法和累积和方法）。虽然这些方法实现相对简单，但它们容易受到噪声干扰，通常无法准确检测痉挛时刻。

实验设置

通过两个实验验证了所提出控制器的性能。实验1旨在将所提出的AAN控制器与力场控制（FFC）方法[7]和基于阻抗的控制（IMC）方法[34]进行比较。实验2旨在评估所提出的痉挛检测和速度切换方法的有效性。十名健康受试者（6名男性和4名女性，均为右撇子；年龄：25.8 ± 3.1岁；标记为H1–H10）和十名中风后患者（临床

结论

本文提出了一种用于中风后上肢AAN康复训练的VA-VFC方法，该方法能够同时基于sEMG信号进行痉挛检测，并调整速度场以确保训练安全。为了提供运动时序的自由并最大化患者在训练中的积极参与，我们提出了一种新型的VFC控制器。主要思想是将运动控制问题定义在具有可变速度范围的速度域中，同时结合了可变

CRediT作者贡献声明

叶丽：撰写——原始草稿、验证、软件、方法论、概念化。宋爱国：监督、项目管理。赖建伟：撰写——审阅与编辑、调查、正式分析。叶璐：撰写——审阅与编辑、数据管理。李慧军：监督。

伦理声明

涉及人类参与者的研究已经得到了中山医院伦理委员会（2022ZDSYLL397-P01）的审查和批准。作者提供了这项研究的伦理批准文件。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了江苏省重点研发计划（Grant编号BE2023023-1）和国家自然科学基金（Grant编号623B2025）的支持。

叶丽于2018年在中国东南大学仪器科学与工程学院获得测量与控制技术及仪器专业的学士学位。他目前正在东南大学仪器科学与工程学院攻读仪器科学与技术的博士学位。

他的研究兴趣包括康复机器人和人机交互。