综述：基于肌电图（EMG）/脑电图（EEG）的轮椅控制系统在残疾人中的应用综述：人机界面（HMI）与脑机接口（BCI）的视角

本文系统综述了基于肌电（EMG）和脑电（EEG）信号的人机交互（HMI）与脑机接口（BCI）技术在轮椅控制中的应用，分析了信号采集、滤波、特征提取及分类技术，并探讨了多模态融合、实时优化等未来研究方向。

　　
这篇系统性综述聚焦于基于生物医学信号（如肌电和脑电信号）的智能轮椅控制系统研究，旨在整合人机交互（HMI）与脑机接口（BCI）技术，为残障人士提供更高效、安全的移动解决方案。研究时间跨度为2014至2024年，通过PRISMA方法对210篇文献进行筛选分析，揭示了当前技术发展的核心路径与关键瓶颈。

在信号采集层面，肌电信号（EMG）通过表面电极捕捉肌肉收缩时的电活动，适用于上肢或躯干存在部分控制能力的用户。这类系统通常采用肌群协同控制策略，例如通过检测手臂肌肉的收缩状态来驱动轮椅转向。但EMG信号易受噪声干扰，在复杂肢体动作或长期使用中可能出现信号衰减问题。而脑电信号（EEG）则需要通过头皮电极阵列记录大脑皮层电活动，重点在于解码运动意图相关的脑区激活模式。当前研究多集中在运动想象（MI）范式，用户通过想象特定动作（如挥手）来控制轮椅，但存在训练门槛高、信号易受干扰等缺陷。

技术融合方面，近年研究趋势呈现出明显的多模态整合特征。例如，通过融合EEG信号（解码大脑运动意图）与EMG信号（验证肌肉实际收缩状态），可构建更可靠的闭环控制系统。这种混合模式能有效解决单一信号源易出现的误判问题，同时降低用户的学习成本。实验数据显示，采用双模态信号处理的系统在动作识别准确率上比单一模态系统提升约15%-20%，且误触发率降低30%以上。

在算法优化层面，特征提取和分类方法经历了显著演进。早期研究主要依赖时域特征（如信号幅值）和简单频域分析，而当前更倾向于采用时频混合特征，结合小波变换、经验模态分解等技术提取更精细的动态特征。分类算法从传统的支持向量机（SVM）逐步转向深度学习模型，特别是卷积神经网络（CNN）在处理EEG信号的高维时序数据时表现出显著优势。值得注意的是，实时性要求促使研究转向轻量化模型设计，部分团队开始尝试知识蒸馏技术，将复杂模型压缩为适合嵌入式设备运行的简化版本。

系统架构设计呈现模块化发展趋势。现代智能轮椅普遍采用分层控制结构：底层处理生物信号采集与预处理，中间层进行特征提取与意图解码，顶层负责运动规划和环境交互。这种架构不仅提升了系统扩展性，还通过模块解耦实现了故障隔离功能。例如，当EEG信号质量下降时，系统可自动切换至EMG或物理辅助模式，确保基础控制功能不中断。

用户体验优化成为技术突破的关键方向。现有系统普遍存在两大痛点：一是长时间使用导致的信号漂移问题，二是复杂动作指令的解码延迟。针对前者，研究团队开发了自适应滤波算法，通过实时监测环境噪声并动态调整滤波参数，使信号信噪比提升40%以上。在后者方面，基于强化学习的自适应控制模型展现出潜力，系统可根据用户习惯自动调整动作阈值和响应速度，使操作流畅度提升近30%。

跨学科融合催生技术创新。神经科学团队与机械工程师合作，重新定义了脑电信号的有效采集区域。传统研究多关注运动皮层，而最新成果表明，结合前额叶皮层（负责决策）和顶叶皮层（负责空间感知）的多区域信号融合，可使控制精度提升至92%以上。此外，与康复医学结合的个性化训练系统正在兴起，通过分析用户脑电信号的动态变化特征，自动生成适配的训练方案。

商业化进程中的技术权衡同样值得关注。当前研究存在明显"实验室理想"与"现实应用"的鸿沟，主要表现为：信号采集设备成本居高不下（单套EEG系统价格约2.5万美元），控制延迟难以突破50ms阈值，以及环境适应性不足等问题。为推动技术落地，学界与企业正探索成本优化方案，如采用干电极技术降低传感器成本，开发边缘计算模块减少延迟，以及引入多传感器融合提升环境鲁棒性。

伦理与安全机制构建是亟待突破的领域。脑电信号隐私保护、异常状态应急响应、长期使用生物相容性等问题尚未形成统一解决方案。最新研究提出基于区块链的信号存储技术，确保用户生物数据安全；同时开发多层级安全防护系统，当检测到脑电信号异常波动或EMG信号缺失时，自动启动物理锁定和紧急制动功能。

未来技术发展将呈现三大趋势：其一，多模态生物信号融合深度增强，除传统EEG-EMG组合外，眼动追踪（EOG）、表面肌电（sEMG）等多源信号融合成为主流；其二，自适应学习算法突破瓶颈，基于迁移学习的个性化模型使新用户适应时间缩短至15分钟内；其三，环境交互智能化升级，通过LiDAR和超声波阵列构建三维空间地图，结合用户意图实现动态路径规划。

当前研究主要受制于三大技术瓶颈：脑电信号的空间分辨率与时间分辨率的矛盾尚未根本解决，现有设备难以同时满足高精度定位与毫秒级响应需求；生物信号处理算法的泛化能力不足，实验室环境与真实场景的信号分布差异导致系统稳定性下降；系统集成度不够，各子系统间协同效率有待提升。这些挑战推动着跨学科研究协作模式的创新，例如神经工程学家与机器人专家联合开发模块化硬件平台，数据科学家与临床医生共同制定标准化评估体系。

技术转化路径方面，学术界正在构建"三步走"战略：短期（1-2年）聚焦现有技术的优化提升，重点突破信号降噪和算法轻量化；中期（3-5年）推进多模态系统标准化，建立统一的测试环境和评估指标；长期（5年以上）探索脑机接口与神经网络的深度融合，开发具有自主决策能力的智能轮椅系统。值得关注的是，欧洲多国已启动"智慧移动2025"计划，将BCI轮椅控制纳入国家康复医疗标准体系，预计到2030年将有超过200万套系统投入临床使用。

该领域的发展正在重塑残障人士的移动方式。通过持续的技术迭代和跨学科协作，未来智能轮椅将实现三大核心升级：控制精度从当前85%提升至95%以上，响应速度突破30ms阈值，续航能力达到72小时以上。更深远的影响在于，这种技术突破可能带动整个人机交互领域的范式转变，为老年人、自闭症患者等群体创造更包容的智能环境。