3.25 康复机器人的人机交互控制研究综述

中风是一种急性的脑血管疾病，能够造成永久性的大脑神经损伤，发病规律通常难以预测，致残率一直居高不下。中风幸存者往往出现偏瘫、截瘫等后遗症，严重影响患者及其家庭日常生活，带来极大的经济压力和精神痛苦。卫生部的统计数据显示，截止到 2012 年底，我国中风标化患病率约为1.82 %，40 岁以上的罹患人群高达 1 036 万人，其中 65 岁以下人群约占 50 %，呈年轻化趋势[1] 。根据第二次全国残疾人抽样调查[2]和第六次全国人口普查的数据[3]推算，2013 年中国的肢体残疾者数量达 3 700 万，平均年增长率为 6.30 %。

经过诸如外科手术等急性期的临床处理后，瘫痪患者一般要进行长时间的康复训练以恢复部分运动能力，重新回归正常生活。传统的康复治疗手段通常依靠康复理疗师手动带动患者患肢进行被动康复训练，训练策略比较单一；同时，在训练过程中，施加在患肢上的力度和患肢的训练轨迹难以保持良好的一致性；而且，这种康复手段需要理疗师进行较强的体力劳动，因此患者通常难以得到足够强度与频次的康复训练。相对于传统的人工康复训练模式，康复机器人带动患者进行康复运动训练具有很多优点 : ① 机器人更适合执行长时间简单重复的运动，能够保证康复训练的强度和效果；② 通常康复机器人具备可编程能力，因而能够根据患者的康复情形调整训练参数与训练形式，具备很强的灵活性；③ 康复机器人通常集成很多传感器，并且具有强大的信息处理能力，可以有效监测和记录整个康复训练过程，对患者的康复进度给予实时的反馈。因此，机器人辅助康复具有非常大的应用潜力，有望成为一种常规的康复训练手段。

近年来，康复机器人技术研究获得越来越多的关注[4-5] 。较为典型的康复机器人系统包括美国麻省理工学院研制的 MIT-MANUS 上肢康复机器人[6] 、瑞士 Hocoma 公司的 Locomat 步态康复机器人[7] ，以及美国 Argo Medical Technologies 公司开发生产的可穿戴式下肢康复机器人 ReWalk [8-9]等。机器人辅助康复训练的有效性已经在小规模临床实验中得到初步验证[10-11] 。

现有康复机器人系统主要采用两种训练策略，即被动训练和主动训练。被动训练一般适用于患者康复初期，此时患者残余肌力较弱，不足以带动康复机器人，因此，是由康复机器人带动患肢沿着设定轨迹进行运动训练。在康复中后期，患者经历一段时间的被动训练之后，肌力得到一定程度的恢复。此时，可由康复机器人按照患者运动意图提供主动康复训练，提高患者参与训练的积极性。研究表明，主动训练的康复效果较被动训练更为显著[12-13] 。但是，相对于被动训练，主动康复训练的实现更加困难，主要需要解决三个方面问题：① 如何建立精确的人机系统动力学模型；② 如何准确获取患者的主动运动意图进而控制机器人的运动或辅助力，即人机交互控制问题；③ 如何确保人机交互控制系统的稳定性。

由于康复机器人系统存在非线性、摩擦、不确定性干扰等因素，一般很难得到准确的系统动力学模型。一方面可采用各种非线性控制器、补偿控制器、神经网络自适应鲁棒控制器用于补偿系统的非线性、不确定性等因素；另一方面，精确的动力学系统模型对于机器人的控制系统设计非常重要。人机交互控制方面，研究者根据特定的康复机器人平台提出了相应的方法。例如基于虚拟隧道的控制策略，阻抗控制策略、基于表面肌电信号的控制策略等。基于隧道的控制策略允许患者在隧道内***运动，当偏离隧道时，康复机器人可将患者拉回正常轨道范围内，从而纠正患者错误的运动模式；阻抗控制策略可以保证康复机器人与患者之间的柔顺性，有利于激发患者残存肌力，提高患者参与训练的积极性；表面肌电信号能够较为直观的反应患者肌肉状态，从而设计更为灵活和安全的人机交互策略。舒适、自然、柔顺的人机交互控制，可充分调动患者参与康复训练的积极性，改善康复训练效果。康复机器人控制系统的稳定性分析是保证稳定可靠的人机交互、避免患者二次伤害的必然要求。

文章后面章节安排如下：第 1 节主要综述康复机器人的人机交互常用控制方法，包括基于人机系统动力学模型的人机交互控制、基于虚拟隧道的人机交互控制、基于表面肌电信号的人机交互以及阻抗控制；第 2 节主要综述人机交互控制控制策略的稳定性分析；最后一节在总结现有技术基础上，指出了存在的问题及未来的发展趋势。