自动化学报  2017, Vol. 43 Issue (7): 1089-1100   PDF    
基于人机信息交互的助行外骨骼机器人技术进展
明东1,2, 蒋晟龙1,2, 王忠鹏1,2, 綦宏志1,2, 万柏坤1,2     
1. 天津大学精密仪器与光电子工程学院生物医学工程系 天津 300072;
2. 天津大学医学工程与转化医学研究院天津大学神经工程中心 天津 300072
摘要: 外骨骼机器人是集人体信息检测、机器人自动控制、神经工程等多学科知识于一身的高科技成果.本文简要介绍了外骨骼机器人研发技术现状和应用市场前景,分别从外骨骼动力驱动和运动测量技术角度剖析了支撑典型外骨骼机器人实现其运动辅助功能的主要技术基础,重点从神经信息交互角度出发,讨论了构建人机信息交互环路中的技术瓶颈,以及如何更为高效准确地获取人体运动意图.最后展望了其未来技术研发方向.
关键词: 康复机器人     外骨骼     人机信息环路     运动意图识别     神经可塑性    
Review of Walk Assistant Exoskeleton Technology:Human-machine Interaction
MING Dong1,2, JIANG Sheng-Long1,2, WANG Zhong-Peng1,2, QI Hong-Zhi1,2, WAN Bai-Kun1,2     
1. Department of Biomedical Engineering, College of Precision Instruments & Optoelectronics Engineering, Tianjin University, Tianjin 300072;
2. Tianjin International Joint Research Center for Neural Engineering, Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin 300072
Manuscript received : January 14, 2016, accepted: March 2, 2017.
Foundation Item: Supported by National Natural Science Foundation of China (81630051, 91520205, 91648122)
Author brief: JIANG Sheng-Long  Ph. D. candidate at the College of Precision Instruments & Optoelectronics Engineering, Tianjin University. His research interest covers rehabilitation robot and neuromuscular electrical stimulation;
WANG Zhong-Peng  Master student at the College of Precision Instruments & Optoelectronics Engineering, Tianjin University. His main research interest is neuromuscular electrical stimulation;
QI Hong-Zhi  Associate professor at the College of Precision Instruments & Optoelectronics Engineering, Tianjin University. His research interest covers biomedical signal processing, neuroengineering, and braincomputer interface;
WAN Bai-Kun  Professor at the College of Precision Instruments & Optoelectronics Engineering, Tianjin University. His research interest covers biomedical information detection & medical instrument, pattern recognition & feature extraction algorithm, neuroengineering & rehabilitation medicine, braincomputer interface, and artiflcial intelligence equipment
Corresponding author. MING Dong  Professor at the College of Precision Instruments & Optoelectronics Engineering, Tianjin University. His research interest covers neural engineering, rehabilitation engineering, brain-computer interface and biomedical information processing. Corresponding author of this paper. E-mail:richardming@tju.edu.cn
Recommended by Associate Editor CHENG Long
Abstract: Exoskeleton is a cross-disciplinary high-tech technology which concerns human signal detection, robot automatic control, neural engineering and so on. This review briefly introduces the status-of-the-art of exoskeleton technology and its market applications, and analyzes the key technical foundations of robot-assisted locomotor function in dynamics drive and kinematics measurement technique, with the emphasis on neural information interaction. Technical bottlenecks in closed-loop human-machine interaction, and how to recognize motor intention more efficiently and accurately are discussed. Finally, the future development direction is prospected.
Key words: Rehabilitation robot     exoskeleton     closed-loop human-machine interaction     motor intention recognition     neural plasticity    

2014年巴西足球世界杯开幕式上, 一名下肢瘫痪少年穿着智能机械骨骼外衣开球的飒爽英姿劲爆了全场, 首次向全球展示了外骨骼机器人的异样风采, 也使这个集人机信息交互、机器人自动控制、神经康复工程等多学科知识于一身的高科技新成果引起世人瞩目.

众所周知, 各种运动中枢神经或者外周神经损伤病变如脊髓损伤(Spinal cord injury, SCI)、脑卒中偏瘫后遗症、小儿麻痹症、帕金森症、肌萎缩性脊髓侧索硬化症等常见、多发病症是导致患者局部骨骼肌随意运动障碍甚至瘫痪的根源[1].其中, 尤以脊髓损伤对运动机能危害最大、劳动力丧失最甚、康复治疗时程最长、家庭及社会负担最重, 且我国患病率高于欧美发达国家[2].脑卒中则是造成运动机能障碍的另一个主要杀手, 也是目前致残率(80%~90%)最高的疾病之一, 且以每年持续近9%速率增长[3]、并呈年轻化趋势, 持久性地严重危害患者健康, 同样给家庭及社会带来沉重负担[4].

运动机能障碍或身体局部瘫痪的治疗主要依靠康复医学, 通过修补病变与受损运动骨骼肌肉及周围神经组织, 或采用运动辅具帮助与替代瘫痪肢体动作, 使患者经长期康复运动训练后可在生理"结构康复"基础上恢复少量或大部分原有运动功能, 达到"功能康复"状态.随着医疗技术提高、科技水平发展和社会文明进步, 康复医学不仅受到前所未有的重视(我国"十二五"科技规划执行时期即提出2015年初步实现残疾患者"人人享有康复服务"), 而且关注核心目标也逐步由传统"结构康复"转为"功能康复", 即侧重于患者运动功能的重建、替代、训练和适应, 致力于改善身心健康水平、提高患者生存质量[5].康复训练形式也从被动式单纯肢体重复运动训练提升为主动式基于大脑思维控制的智能化人机交互式运动功能康复.前述智能机械骨骼外衣即其典型代表, 不仅可以很好地帮助患者恢复或替代其受损的肢体运动功能, 而且能赋予用户更多更高级的操作功能, 使之身随意动, 功力无比.

本文先介绍助行外骨骼机器人总体研发技术现状和应用市场前景; 再从外骨骼动力驱动和运动学测量技术角度综述实现外骨骼机器人运动功能的典型技术, 重点分析其中智能化核心技术---大脑运动意图识别与人机信息交互与融合; 最后预期可能促进该领域发展的一些新技术, 以供读者参考, 旨在共同把握智能康复未来, 推动其快速发展和成熟应用.

1 研究现状和市场前景

早在1966年美国通用电气公司即研制出人体外骨骼助力机器人Hardiman, 观其含义("坚强")研发初衷为单纯增强人的体力、成为"巨人", 但因其结构过于复杂笨重, 未能实际使用.直到进入21世纪, 随着自动控制与机器人技术的快速发展, 外骨骼机器人才进入全新发展阶段, 多家国际知名大学、公司投入到与其相关的研究与开发工作中.主要有:美国国防部先进研究项目局(Defense Advanced Research Projects Agency, DAPRA)斥巨资研发军用外骨骼机器人, 典型代表为雷神(Raytheon)公司的XOS和洛马(Lockheed Martin)公司的人类外骨骼负重系统(Human universal load carrier, HULC); 同时, 外骨骼机器人应用领域向康复医疗延伸, 希望未来改进肢体瘫痪患者的康复效果和生活质量.其中较著名的有:美国Ekso Bionics公司的Ekso、日本Cyberdyne公司的Hybrid assistant limb (HAL)、以色列ReWalk Robotics公司的ReWalk系列、瑞士Hocoma公司的Lokomat(主要用于室内行走训练)、新西兰Rex Bionics公司的Rex(无需上肢支撑为其特点)和美国Parker Hannifin公司的Indego等(以上公司皆脱胎于知名大学研究团队).此外, 哈佛大学、麻省理工学院、西班牙国立SCI研究中心和中国科学院等高等院校与科研机构也在长期从事相关研究工作, 其中最引人注目的成果即前述为2014年巴西世界杯开球的智能机械骨骼外衣(美国杜克大学和德国慕尼黑理工大学联合研发).令人确信:将有更多高科技公司从事外骨骼机器人的技术研究与产品开发.国际专业市场研究公司Winter Green Research于2015年发布的关于康复/医疗机器人、智能假肢、外骨骼和可穿戴机器人市场2015~2019占有率、策略、预测研究报告指出[6]:近几年市场增长惊人、有望获得显著发展, 估计市场规模到2020年将由2014年的2.2亿美元急速攀升到32亿美元, 其中外骨骼机器人将由0.165亿美元上升到21亿美元.其创新动力源于运动检测与辅助、智能人机交互等外骨骼核心技术的快速发展.

2 运动辅助技术

外骨骼机器人设计与研发旨在采用机器运动辅助技术实现预定的人体运动功能.本节针对运动辅助技术(实现机器人运动功能的典型技术之一)的关键环节, 分别从外骨骼动力驱动和运动学测量技术角度予以综述.

2.1 外骨骼动力输出

外骨骼动力驱动是输出预定机器运动模式、实现人体运动功能的重要技术前提, 有液压、电机、气动(人工肌肉)及混合(与功能性电刺激作用相结合)等多种驱动输出方式.

2.1.1 液压驱动方式

2009年, 美国加州大学伯克利分校机器人和人体工程实验室创立的Berkeley Bionics公司联合美国军事科技巨头Lockheed Martin公司研制并发布了通过液压系统驱动的人类外骨骼负重系统(HULC), 承重力90kg (见图 1(a)), 主要用于提高作战士兵的装备负重能力[7].我国西北机电工程研究所于2015年首次公开展示的穿戴式外骨骼助力机器人, 是国内公开的首款单兵外骨骼系统(图 1(b)).其采用了小型液压驱动装置作为动力源, 以多关节金属骨架为穿戴者提供支撑, 结合具有一定学习功能的人机协同控制算法, 达到提高单兵负载能力的目的.该驱动方式的外骨骼机器人承载能力较强、姿态控制平顺, 但液压驱动响应速度不足、控制过程中机械能量损失较大, 并且液压阀门结构复杂.故虽然液压是外骨骼机器人的重要驱动方式之一, 但较少用于康复领域.

图 1 采用液压驱动的外骨骼助力机器人 Figure 1 Power assisted skeleton driven by hydraulic
2.1.2 电机驱动方式

继液压驱动外骨骼负重系统(HULC)之后, Berkeley Bionics公司于2010年发布了电机驱动方式的下肢步态修复外骨骼系统(Exoskeleton lower extremity gait system, eLEGS)用于脊髓损伤引起瘫痪患者康复训练(2011年公司改名为Ekso Bionics, 产品eLEGS更名Ekso, 如图 2(a)), 2012年初第一代Ekso机器人通过美国FDA (Food and drug administration)与欧洲CE认证并开始进入全美主要康复中心(这是首家通过FDA认证的外骨骼机器人系统, 具有标志性意义).目前Ekso已进入全球60家康复中心(其中50%位于北美、40%位于欧州), 为患者提供步态康复训练[8].另外, 使用电机驱动方式的外骨骼机器人著名品牌尚有ReWalk (图 2(b))和HAL(图 2(c)).电机驱动优势主要在于控制精度和响应速度均较高, 可以很好地拟合关节相位的实际变化曲线, 是目前应用最为广泛的外骨骼动力驱动方式.

图 2 采用电机驱动的外骨骼机器人 Figure 2 Skeleton driven by electric motor

日本本田公司自1999年投入康复护理领域以来取得了长足进步, 2013年基于已研发ASIMO双腿行走机器人(图 3左)所积累的控制技术推出了两款"步行助手"机器人系统(图 3中为第一代、右为第二代), 在简化结构(更加简洁小巧)、减轻重量(仅为2.7kg)和便于佩戴(更适合轻度步行障碍患者使用)等性能方面皆有所突破.其新颖的设计理念与思路皆值得参考借鉴.

图 3 日本本田研发的ASIMO双腿行走机器人(左)与步行助手(中:第一代; 右:第二代) Figure 3 ASIMO bipedal walking robot (left) and walk assistant developed by Honda, Japan (middle: the first generation; right:the second generation)

我国近年来研发的外骨骼机器人系统也主要采用电机作为动力输出源, 2015年的典型代表有中国科学院常州先进制造技术研究所(图 4左)和深圳先进技术研究院(图 4右)的成果.国内虽未推出市场应用产品, 但已广泛开展了控制方法研究(如华南理工大学Lu等[9]、电子科技大学Huang等[10]分别提出了下肢助行外骨骼控制过程的人机交互学习算法)并有大量技术储备(亟待将之用于实践并优化与创新).2015年11月在北京举行由总装备部主办, 中科院合肥物质科学研究院、中科院深圳先进技术研究院、总后军需装备研究所、海军航空工程学院、中国兵器工业集团西北机电工程研究所、中国兵器装备集团兵器装备研究所、中国航天科工集团第二研究院二$\bigcirc$六研究所、北京大学、北京理工大学、哈尔滨工业大学、电子科技大学、东南大学等14家科研院所与高等院校参赛的"助力无限2015穿戴式外骨骼助力装备挑战赛"综合体现了国家层面对外骨骼机器人系统研发的高度重视和巨大需求, 也展示了近年来国内研究机构的应用成果.

图 4 中科院常州先进制造技术研究所(左)和深圳先进技术研究院(右)研发的外骨骼系统 Figure 4 Skeleton developed by Institute of Advanced Manufacturing Technology (left) and Shenzhen Institute of Advanced Technology (right), Chinese Academy of Sciences
2.1.3 柔性驱动方式

减轻外骨骼机器人自身重量是其实际应用须首先解决的难题, 而采用气动人工肌肉驱动方式具有显著优势[11].首先气动所用工作流质与附件比液压或电机驱动自身重量明显减轻, 其次采用气动人工肌肉柔性结构设计(其他驱动方式多采用刚性金属材料), 可使佩戴者肢体能更自然地弯曲运动.哈佛大学Wehner等[12]研制的Exosuit外骨骼机器人即采用气动人工肌肉驱动方式.Exosuit自重约3.5kg (附压缩气瓶后约7.1kg[12]), 与前述ReWalk和Ekso (自重23kg, 另加约5kg电池), 或与HAL(自重约12kg, 另加约2kg电池)相比, 均有明显设备轻巧优势.日本神奈川工科大学Keijiro Yamamoto等研制的Wearable power assist suit外骨骼机器人也采用了气动人工肌肉驱动方式, 主要帮助护士照料身体超重无法行走或自身毫无行走功能的病人以防止外力助行时可能引起背部或身体其他部位损伤.气动驱动的不足之处是因气体可压缩性较大, 使其较难保证控制定位精度和稳定性, 且有较大气阀门噪音, 有待今后改进.2016年5月, 哈佛大学怀斯研究所发布了与ReWalk公司合作研发的新一代外骨骼机器人(如图 5, 同时推出了军用版本), 其采用可穿戴传感器的拉伸检测运动, 之后通过拉索驱动踝关节的动作, 从而实现动作驱动.

2.1.4 混合驱动方式

混合驱动方式是指采用前述各种外骨骼动力驱动与功能性电刺激(Functional electrical stimulation, FES)作用相结合共同驱使患者自身肌骨运动.FES工作原理是利用特定电流脉冲序列刺激身体某部位肌群, 使之产生有规律收缩变化、引发相应肌骨动作, 实现肢体运动功能的有效康复, 其在Stroke和SCI患者均有极为广泛的应用.研究表明, 人在主观意识指导下进行肢体运动时, 相应的大脑皮层运动功能区会出现同步激活效应.比较被试者在意识主动、FES诱发以及外力牵引作用下进行肢体运动时的脑区激活现象, FES比外力牵引具有明显的脑区同步激活效应, 甚至接近于主观意识运动的情况[13-14].据此, 西班牙国立SCI医院的del-Ama等将FES技术与传统电机驱动方式相结合, 组成FES-电机混合驱动外骨骼系统(图 6).该系统以FES驱动肢体运动为主, 根据测得的步态相位信息和肌肉疲劳指数调控电机的辅助驱动作用[15].其用于数名不完全脊髓损伤(Incomplete spinal cord injury, iSCI)的行走康复训练实验结果表明, 患者连续步行时间和距离均较实验前有明显上升, 并且也提高了显著影响行走能力的髋关节和膝关节平衡测试得分.美国Vanderbilt大学Ha等将FES用于Indego外骨骼机器人驱动控制, 经一名T10脊髓损伤患者行走实验结果表明, 相比于电机单独驱动方式, FES降低了肢体运动时肌肉的拮抗作用, FES与电机混合控制方式可降低34%的电机功率消耗.混合驱动方式的不足之处在于FES易引发肌肉疲劳现象[16], 需考虑其对患者行走康复训练效果的影响.但由于FES功率消耗明显低于电机等其他驱动方式, 对提高外骨骼机器人的续航能力有较大帮助, 并且FES作用下由肌肉带动骨骼的运动方式也更接近人体原有的自然运动状态, 更有益于运动功能的自然康复.

图 5 哈佛大学与ReWalk公司合作研制的柔性外骨骼机器人 Figure 5 Soft exoskeleton designed by Harvard university and ReWalk Robotics
图 6 混合动力外骨骼及其协同控制方式 Figure 6 Kinesis hybrid exoskeleton and cooperative control approach
2.2 外骨骼运动测量技术

外骨骼运动测量是评价机器输出运动模式是否达标、预期人体运动功能可否实现的重要技术保障, 主要有人体运动学检测分析与动力学参数测量组成的运动安全指标评估.

2.2.1 运动学检测

最常见的运动姿态检测即步态分析, 也是传统的运动机能障碍患者康复疗效评定的重要手段之一[17].常用的步态分析方法有肌电测量法、图像标记检测法、足底测力平台法和运动捕捉法等[18-19].近年来, 微电子机械系统(Micro-electro-mechanical system, MEMS)的发展极大地促进了可穿戴运动检测传感技术的进步, 例如基于MEMS的多轴惯性传感系统可用很高采样速率实时测量肢体运动状态, 且体积极小、完全满足可穿戴要求[20].

此外, 借助惯性传感器控制飞行器姿态的军用技术可利用惯性倾角传感器检测人体运动姿态, 其技术关键是通过多轴惯性传感实时监测肢体相对重力方向倾角和瞬时运动角速度, 再经卡尔曼滤波获得真实人体步态运动轨迹等信息.瑞士Xsens公司的MVN可穿戴式惯性人体运动姿态捕捉系统即是目前市售较成熟的步态检测分析产品之一.同时, 采用电位计检测运动关节角度也是可选的运动姿态分析方案之一.意大利米兰理工大学的Bejarano等[21]利用可穿戴式的多轴惯性传感器(结合了三轴陀螺仪、加速度计和磁力计), 通过测量腿部关节的转角相位和转动角速度获得步态分期特征, 其结果与标准步态分析方法所得一致, 充分说明多轴惯性传感系统具有坚实潜力用于助行外骨骼机器人步态监测和调控.前述ReWalk外骨骼机器人即是通过惯性倾角传感器检测佩戴者的重心位置变化以控制机器人模拟人体行走方式、精确控制运动姿态并防止发生意外摔倒[22-23].

2.3 动力学测量

多数外骨骼机器人配备有安装多个力学传感器的手杖或助行架, 可以测量辅助行走时上肢施力情况, 以用于患者步态分析和机器人驱动单元控制[24].上肢施力测量分析中较为经典的参数指标是柄反作用矢量(Handle reaction vector, HRV). HRV检测方法是将患者在站立、行走过程中对助行器施力的合成作用简化为集中载荷, 分别用位于手柄中点横截面形心处的两个力学矢量来表示(如图 7所示)[25-26].以HRV表征的上肢三维力学信息还可以转化成单位步态周期支撑相内的步行器倾翻指数和人体虚拟重心信息[27], 皆为帮助外骨骼机器人安全稳定运行的必要参数指标.

图 7 柄反作用矢量定义示意图 Figure 7 Definition of HRV

足底反力(Ground reaction force, GRF)检测也是步态分析中主要施力测量手段之一, GRF与步态相位的同步测量用于外骨骼机器人控制可有助于提高辅助患者行走稳定性和步态自然程度[28].前述电机驱动外骨骼机器人HAL即使用了地面接触力传感器采集GRF、倾角传感器同步采集关节运动相位信息以获得人机系统的实时运动状态(如图 8) [29-30].

图 8 步态相位和足底反力(GRF)的同步测量 Figure 8 Synchronous measurement of gait cycle and GRF
3 神经信息交互

传统概念上, 外骨骼机器人主要作用体现在残疾患者的"功能替代"上, 而近年来随着神经可塑性研究的深入, 对于外骨骼等设备帮助患者进行康复训练过程中, 神经可塑性诱导对康复的作用变得更加明确.如何从神经信息交互层面上, 利用和促进神经可塑性, 进而达到良好的"功能重建", 这是需要重点研究的内容.

3.1 人机信息交互环路与神经可塑性

基于人机信息交互的外骨骼机器人之灵魂在于其需要实时人机信息交互, 即不仅机械结构需要符合人体运动学特性, 同时控制系统须能快速准确地响应患者运动意图, 并可积极促进患者主动参与训练和提升疗效[31].为此要求建立良好的人机信息交互环路, 即有足够信息交互通路宽度和深度, 使之既能满足脑电、肌电、运动姿态等多种生物信息检测、解码与模式识别要求又可及时反馈机体运行状态与各种人机交互参数信息并使人体与机体全面信息融合[32].研究表明, 利用表面肌电(Surface electromyography, sEMG)、脑电图(Electroencephalography, EEG)[33-34]或近红外光谱(Near infrared spectroscopy, NIRS)[35]等信号检测识别患者运动意图而主动控制康复训练的设备, 比被动接受康复训练具有更好的治疗效果[36].同时, 脑--机接口(Brain-computer interface, BCI)、肌电检测等建立人机信息交互的必备技术也成为外骨骼设备专利申请的热点[37-38].这种实时人机信息交互环路的最主要功能在于其可同时检测患者的实际训练意图和外部环境系统, 对信息进行综合判断和处理, 而不是信息的简单传递和发送, 具有高度智能化的内外环境监测和判断能力[39].具有实时人机信息交互与融合人的智能外骨骼系统之所以能产生传统被动康复训练设备无法企及的康复疗效是神经系统具有明确的可诱导重塑性[40].在构建患者和外骨骼系统的闭环人机信息交互环路、促进神经可塑性诱导康复的过程中, 主要需关注以下3项关键问题:

1) 信息识别的准确性.由于中枢神经可塑性高度依赖于任务学习和训练过程, 即要求人机融合系统使用者在训练过程中必须对其进行准确指令反馈, 否则无法达到正确诱导效果, 甚至产生不利影响[41].同时须知提高监测准确性则要以加大其时间窗为代价, 这势必降低系统的反应速度[42].

2) 信息反馈的时效性.信息反馈时效指从用户大脑动作意图产生到系统检出该信息后给出有效反馈指令的时间.基于目前神经可塑性理论对中枢神经可塑性诱导的认识可知, 提高反馈时效性的关键是尽可能缩短检出大脑动作意图信息到给出有效反馈指令的延迟时间(部分学者认为这一时长应当小于300ms[43]), 但缩短延迟时间必然影响前述识别准确率.如果存在明显的迟滞感, 这对系统使用体验本身也非常不利.因此, 需进一步深入研究中枢神经可塑性对于系统响应延迟的具体敏感因素, 并找到准确性和时效性的平衡点.以上两点主要是对信息识别算法可靠性和快速识别能力提出的要求.

3) 反馈形式的有效性.常见的信息反馈是视觉方式, 但由于视觉加工过程存在延迟现象, 因此未必最优.与之相比, 触觉响应延迟更短, 刺激反馈效果更优[32].除反馈速度和方式外, 也需关注反馈内容, 根据患者真实运动意图配以正确反馈内容才能达到理想可塑性诱导, 进而产生恰当的神经损伤康复疗效.

图 9给出了人机信息交互环路的"意图产生"、"意图识别"、"反馈刺激"三个关键节点, 并依次说明了制约交互环路信息紧密性的三大瓶颈问题(意图产生环节信息识别准确性、意图识别环节信息反馈时效性、反馈刺激环节信息内容形式的有效性)和对中枢神经可塑性诱导的影响关系.由此得到启示:唯有深入研究中枢神经可塑性在神经康复过程中的神经信息融合机制、建立合适的人机协同交互信息环路模型, 并分析环路关键点的权重比例、寻求良好的平衡机制, 才能有效利用中枢神经可塑性机理从根本上提高患者康复疗效.

图 9 人机信息交环路及可能存在的制约瓶颈 Figure 9 Bottleneck of closed-loop human-machine interaction

此外需特别注意:目前大多数基于人体生物信息识别的主动式康复系统均需要大量的实验数据离线训练识别分类模型, 然后进行在线模式识别才可建立有效的反馈功能.如果一个分类模型对应多个患者使用, 由于个体差异性, 这种跨个体的模式识别准确性较低.而基于单个患者数据建立的模型, 随着训练过程的推进或者个人状态的波动等影响, 跨时间模式识别也可能不够准确, 往往需要重复建立和训练新的分类模型, 这将明显加大患者的使用负担以致产生怀疑抵触心理.另外, 由于采集EEG或sEMG的电极数量、安放位置或阻抗的改变也可能对设备的跨个体、跨时间使用效果造成影响.

现阶段对人机生物信息交互的分类识别方法主要是运用机器学习中基于结果的反向学习, 也是一种浅层学习(Shallow learning).深度学习(Deep learning)理论的提出为机器学习在各领域的应用掀起了新的浪潮.这两种学习理论的最大差别在于, 深入学习的模型结构由更为丰富的多层隐形节点所构成, 样本在原空间的特征通过逐层特征变换到新特征空间中, 以简化分类识别[44].与传统的基于人工规则构造特征的分类识别方法相比, 其对数据内在信息的挖掘能力更强, 也更加适用于大数据的特性识别与分类, 这对于大数据在医疗领域的应用无疑是新曙光.2016年谷歌旗下DeepMind公司开发的AlphaGO人工智能程序即运用了深度学习理论, 未来深度学习理论的应用将更加广泛.同时, 利用增强学习的在线学习功能也可以提高在线识别算法的自适应性, 降低数据离线建模的依赖性, 帮助实现跨个体识别[10].

总体而言, 模式识别方法的进步有助于发掘人机交互过程中的问题, 从而能更好地平衡识别精度和速度以及更细致地选择反馈内容, 不断分析改进人机信息交互过程中的问题, 构建紧密的人机交互信息环路, 对提升外骨骼机器人在康复治疗领域的使用价值具有重要的意义.

3.2 运动意图识别

人体自然运动是按大脑意愿指挥身体相关部位肌骨和神经单元进行高度协同与精细调控的复杂系统过程[45].这要求外骨骼机器人须能识别使用者大脑运动意图并能与之进行智能化人机信息交互以实现预期的外骨骼运动功能, 达到所思即所动的理想运动控制效果.观察人体自然运动过程也启示我们可以通过检测反映肌肉或运动神经系统活动的生物电信号来识别和预测大脑的运动意图[46-47].简言之, 即应能通过检测使用者脑电或肌电信号特征获得相应的大脑运动意图信息.

1) 脑电识别方法通过贴近于大脑运动皮层功能区的头皮电极, 可方便地采集到含有大脑在构思运动计划时特定思维活动信息的EEG信号, 提取这些信号特征应可识别出大脑的特定运动意图[48].依此而创新的脑--机接口(BCI)技术可以建立大脑与外界环境和设备的信息交流渠道.它不必依赖人脑的正常信息输出通路, 是一种全新的人机接口方式.随着近年来BCI技术的快速发展, 出现了一些直接由患者大脑意图控制的人工神经康复机器人系统. 2014年巴西世界杯足球赛开幕的外骨骼机器人即是由瘫痪少年大脑意图控制的人工神经康复系统, 其通过分析EEG信号判断其运动意图来控制外骨骼按大脑意图动作和行走[49], 这也是国际合作项目Project-ReWalk的重要研究成果之一.同时, 美国杜克大学的Miguel A. L.Nicolelis等在早先皮层脑机接口技术的研究基础上, 开发了无线控制的植入脑机接口系统, 通过植入恒河猴感觉运动相关皮层的微电极, 利用猴子的ECoG信号灵活地控制电动轮椅运动[50], 为拓展基于脑电信号识别大脑运动意图的外骨骼机器人技术实施提供了新范例.但由于ECoG检测需执行开颅手术并要在脑内植入电极, 难保长期性能稳定与绝无损害, 尚难推广应用.

利用EEG信号控制外骨骼或智能假肢的BCI系统多为运动想象BCI (Motor imagery BCI, MI-BCI), 这也是重要的主动式BCI.其"主动式"意指用户可勿需视、听、体等外部刺激诱导(完全独立于外源刺激)而直接通过大脑意识活动来控制外部设备.因此, 寻找由主观意识引起并有效稳定的生理信号是建立主动式BCI系统的关键.目前, 主动式BCI中最常用的电生理信号是事件相关去同步/同步(Event-related desynchronization/ synchronization, ERD/ERS).它能够反映大脑的运动意图, 但其特征存在非锁相性且仅出现于特定频段, 所含信息尚难充分满足复杂动作意图精细分类识别的需求.近年提出的高密度EEG信号溯源分析为突破上述技术瓶颈提供了解决思路.美国密歇根大学Gwin等[51]利用264导联高密度EEG数据溯源所得信号再进行自适应混合独立分量分析(Adaptive mixture independent component analysis, AMICA)能较准确地分类识别膝和踝关节的等长与等张运动意图.美国明尼苏达大学Edelman等[52]利用EEG溯源脑功能成像技术对手腕的内旋、外旋、伸展、弯曲动作进行了较为精确的分类.此外, 还有运动相关皮层电位(Movement-related cortical potentials, MRCPs, 本质上属于一种事件相关电位)信号也可以用于运动意图检测[53].相关研究发现其中的RP (Readiness potential)成分(部分研究称为Bereitschaftspotential, BP)早于实际EMG的产生约500ms, 随后的MP (Motor potential)成分略早于EMG, 再后的MMP (Movement monitoring potential)贯穿整个动作期间, 且与对应肢体动作的力量和运动速度有着密切关系(如图 10所示)[54-55].应用前述ERD/ERS特征与MRCPs进行联合分析的研究结果表明, 其可以提高运动意图检测的正确率, 同时对分辨详细运动状态也有着重要帮助[56-57].人体在实际运动过程中还涉及到不同肢体的复合动作.天津大学Yi等研究表明, 相对于单一肢体想象动作, 复合肢体想象动作下的EEG信号的特征频带更宽、功率谱值更大、脑地形图分布更广(推测其原因可能是由于复合想象动作可以激活更多的神经元)[58].因此, 基于复合肢体想象动作诱发的运动想象脑电分类识别大脑精细运动意图方法是研究开发运动模式更复杂的高级外骨骼机器人所必备的前期技术基础.

图 10 运动相关电位的时间空间特征与运动状态的关系[59] Figure 10 The relationship between the temporal spatial features of motion related potentials and movement states[59]

2) 肌电识别方法另一方面, 由骨骼肌运动而产生的肌电(Electromyography, EMG)信号反映了特定肌群的活动情况.由于EMG直接受控于运动中枢神经系统, 故也可用来预测人体的运动意图.其中将电极贴附于肌群外包皮肤表面测量所得表面肌电(sEMG)信号的检测方法简便、应用最为广泛.同样, sEMG信号含有相应肌群的特定活动信息, 可以预测人体运动意图[60].但截瘫患者的下肢肌肉运动功能损伤较为严重, 其相应的sEMG信号质量较差、所含肌群活动信息较少.因此, sEMG仅适合偏瘫或截瘫程度较轻的患者, 或者需借用远端目标关联肌群的sEMG信号用于预测人体运动意图和控制外骨骼运动.当前, 基于EMG的运动意图识别技术研究主要集中在离散动作分类、连续运动量化分析和刚度/阻抗估计[61].从信号处理手段而言, sEMG和EEG信号有许多相似之处, 主要是提取信号的时域、频域、时频域或非线性动力学特征, 通常利用隐含狄利克雷分配模型(Latent Dirichlet allocation, LDA)、支持向量机(Support vector machine, SVM)、多层感知机(Multi layer perceptron, MLP)或高斯混合模型(Gaussian mixture model, GMM)等分类器进行模式识别, 以确定具体动作意图.近年来将上述分类器和神经网络结合也取得了较好的运动意图识别结果[62].以上分类识别主要是对运动意图做离散估计, 要获得连续识别则还需借助相关的神经肌骨动力学模型知识.结合sEMG信号和神经肌骨模型可以有效估计关节运动的角度、速度和力矩等信息.这是从EEG信号难以获得的运动信息.常用的神经肌骨模型主要是Hill模型及其改进或简化[63-64].目前肌肉刺激类的康复或助行设备大多采取开环控制方式, 结合神经肌骨模型在估计运动状态和肌肉疲劳的优势, 可以有效帮助肌肉刺激运动模式形成闭环控制, 进而提升肌肉刺激运动的康复和辅助效果.现有上市外骨骼产品中, HAL是仅见的使用sEMG检测和识别患者运动意图以控制外骨骼运动的系统.2010年, 因车祸致下肢瘫痪的48岁日本人内田靖史, 借助HAL外骨骼系统成功登上了瑞士阿尔卑斯山海拔4000多米的布来特峰, 令人叹为观止.这也是对基于sEMG识别人体运动意图和控制外骨骼运动方法可行性的最佳验证.总之, 通过识别患者大脑运动意图而进行由患者主动控制的康复训练模式从根本上改变了以往患者被动受训、低效重复处境, 更多地鼓励与积极要求患者自主参与和控制康复过程, 通过运动神经信号触发和实际动作反馈促进受损运动神经通路的可塑性修复与重建, 这对脑卒中或脊髓损伤造成的瘫痪/偏瘫患者具有全新的康复治疗意义[65].

4 外骨骼机器人研发技术展望 4.1 提升信息检测识别效率

如前述, 外骨骼机器人的人机交互环路中首要一点即是准确及时检测识别用户大脑的运动意图.其识别效率不仅直接影响到机器人能否准确实现患者预期的运动功能康复训练、达到所思即所动的理想运动控制效果, 而且对患者的最终功能康复体验和疗效及训练安全性亦有长期影响.未来, 随着生物信号传感技术的不断发展, 用于检测识别大脑运动意图的生理信号种类将大大拓宽, 已不限于头皮脑电(EEG)、运动想象(MI)引发的事件相关去同步/同步(ERD/ERS)电位、皮层脑电(ECoG)或表面肌电(sEMG)或近红外光谱(NIRS)等, 且采集到的信号质量更高.例如, 植入式多通道微型神经电极阵列传感技术的发展将使直接提取与运动意图相关脑区高质量皮层脑电(ECoG)成为可能, 也可透过皮肤直接检测运动相关肌群高质量肌电(EMG)以极大提高运动意图信息识别准确性、反馈时效性与内容有效性, 即提升机器人系统性能.同时, 各种数据挖掘、信号处理、模式识别、机器学习等软硬件算法的改进与发展也将更大程度拓展各类生物信号检测识别能力、提高其质量, 使目前难以企及的检测方案有可能实现突破, 如上述基于复合肢体想象动作诱发的运动想象脑电分类识别大脑精细运动意图检测方案即有可能利用高密度EEG数据溯源脑功能成像技术或借助于运动相关皮层电位(MRCPs)与ERD/ERS特征联合分析对复杂动作进行精确分类.总之, 未来外骨骼机器人技术研究开发仍将把提升与大脑运动意图相关信息检测识别效率放在首位.

4.2 实现复杂/复合动作协调控制

随着我国与世界康复医学水平不断提高, 现代自动控制与机器人技术的快速发展和大量高科技公司的研究开发投入, 外骨骼机器人服务性能水平也将有大幅度提升.未来外骨骼机器人能够实现单肢体的复杂精细动作和多肢体的协调复合动作, 既是其人机信息融合度技术水平提升的重要表现之一, 也是其可更好地服务患者实现理想康复训练效果所必备的服务性能之一.这首先有赖于前述与大脑运动意图相关信息检测识别效率的提升使之能对用户运动意图进行多分类、高准确度识别, 也需要加强外骨骼的运动输出能力与提高运动输出精细度.这是外骨骼机器人能够较好地辅助残障人士生活的重要基础, 也是广大运动机能障碍或身体局部瘫痪患者所翘首盼望的.

4.3 优先选用触觉反馈使响应更快

如前所述, 外骨骼机器人之灵魂在于实时人机信息交互, 以便快速准确地响应患者运动意图并积极促进患者主动参与康复训练和神经可塑性变化, 最终达到理想疗效.其中信息反馈方式及其相应反馈速度起到关键制约作用.目前常用的视觉反馈方式因其需较长的大脑信息处理过程而令反馈速度难以满足需求.而触觉反馈方式显然具有比视觉反馈更短的响应延迟, 故其反馈速度更快, 并已证实触觉刺激反馈效果更优.因此可以预见未来外骨骼机器人的信息反馈方式将优先选用触觉反馈.

目前, 有部分智能假肢设备提供触觉反馈功能, 外骨骼系统中的力学测量主要是为系统控制自身提供帮助.而对于使用者自身而言, 为其提供触觉反馈有助于保持站立或者行走运动时的自主平衡, 也为使用者可以更好地感知外骨骼的运动状态, 实现外骨骼的本体化.触觉反馈的这些优点也是预测其必然成为未来外骨骼机器人主流信息反馈方式的依据之一.

4.4 增加关节自由度使穿戴更舒服

外骨骼关节自由度是使用者穿戴外骨骼后能自由运动的基础, 也是反映康复机器人服务性能水平的基本指标之一.目前的外骨骼机器人虽能较好地实现人体基本行走功能, 但尚不能充分实现诸如髋关节和膝关节内、外旋以及适应膝关节"J"型转动中心位移等特殊功能, 这在使用者穿戴外骨骼的行动过程中有可能产生不良的力交互, 造成动作不自如、关节磨损甚至更严重的问题.因此增加外骨骼关节自由度、让患者能更舒服地穿戴外骨骼后全方位地自由运动应是外骨骼机器人未来的重要发展方向之一.这也是提升其服务性能水平的必由之路.

5 结语

综上所述, 50年前诞生的外骨骼机器人进入康复医学领域以来, 其总体服务目标一直致力于由传统被动式单纯肢体重复运动训练的"结构康复"提升为运动的"功能康复", 而主动式智能化人机交互融合, 让患者实现我思即我动的理想运动功能康复治疗, 达到中枢神经可塑性修复与重建康复效果, 也就是真正意义上的在"功能替代"的基础上完成"功能重建".如今已在外骨骼动力驱动、运动学参数测量等运动辅助技术和基于脑电或肌电的神经信息交互等智能化核心技术研发方面取得了长足进步, 奠定了坚实基础.未来将朝提高信息检测识别效率、实现复杂/复合动作协调控制、选用触觉反馈加快响应和增加关节自由度使穿戴更舒服等方向发展以大幅提升康复治疗服务水平.

目前, 我国残疾人基数十分庞大, 并已进入人口老龄化社会, 以外骨骼机器人为代表的智能康复机器人技术有着巨大的社会需求与应用市场, 亦是其发展的强劲推动力.并且2015年国家发布的《残疾预防和残疾人康复条例(征求意见稿)》已明确残疾人医疗即将纳入医保范畴, 更为康复机器人产业增添了发展活力.可以预言:不远的将来即有高级人机交互、完整康复信息监测与更加灵活舒适运动功能的助行外骨骼机器人产品投入市场, 造福广大瘫痪或偏瘫等运动机能障碍患者, 使其能如正常人那样随心所动、自由生活.

参考文献
1
Port F D. Treatment of paralysis. The Decade of Medicine or the Physician of the Rich and the Poorć. Berlin Heidelberg: Springer, 1988, 108-109.
2
Li Jian-Jun, Zhou Hong-Jun, Hong Yi, Ji Jing-Ping, Liu Gen-Lin, Su Shao-Qiang, Zhao Chao-Nan, Dong Yun-Ying, Fang Yu-Mei, Tan Peng, Zhou Tian-Jian, Zhang Ai-Min, Zheng Ying. Spinal cord injuries in Beijing:a municipal epidemiological survey in 2002. Chinese Journal of Rehabilitation Theory and Practice, 2004, 10(7): 412-413.
( 李建军, 周红俊, 洪毅, 季京平, 刘根林, 粟绍强, 赵超男, 董云英, 方玉美, 谭鹏, 周天健, 张爱民, 郑樱. 2002年北京市脊髓损伤发病率调查. 中国康复理论与实践, 2004, 10(7): 412-413.)
3
Liu M, Wu B, Wang W Z, Lee L M, Zhang S H, Kong L Z. Stroke in China:epidemiology, prevention, and management strategies. The Lancet Neurology, 2007, 6(5): 456-464. DOI:10.1016/S1474-4422(07)70004-2
4
Zorowitz R D, Gillard P J, Brainin M. Poststroke spasticity:sequelae and burden on stroke survivors and caregivers. Neurology, 2013, 80(Suppl 3): S45-S52.
5
Li Jian-Jun. Advance in rehabilitation medicine in China:review and prospects. Chinese Journal of Rehabilitation Theory and Practice, 2011, 17(1): 1-4.
( 李建军. 中国康复医学发展的回顾与展望. 中国康复理论与实践, 2011, 17(1): 1-4.)
6
Eustis S. Global Robotic Prosthetics, Exoskeletons and Assistive Rehabilitation Technologies Market Assessment & Forecast:2015——2019. Winter Green Research, USA, 2016.
7
Kazerooni H. Human augmentation and exoskeleton systems in Berkeley. International Journal of Humanoid Robotics, 2007, 4(3): 575-605. DOI:10.1142/S0219843607001187
8
Harris S. Exoskeleton stands on its own two feet. Engineer, 2011, 296(7827): 1-8.
9
Lu R Q, Li Z J, Su C Y, Xue A K. Development and learning control of a human limb with a rehabilitation exoskeleton. IEEE Transactions on Industrial Electronics, 2014, 61(7): 3776-3785. DOI:10.1109/TIE.2013.2275903
10
Huang R, Cheng H, Chen Q M, Tran H T, Lin X C. Interactive learning for sensitivity factors of a human-powered augmentation lower exoskeleton. In:Proceeding of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems. Hamburg, Germany:IEEE, 2015. 6409-6415
11
Tsagarakis N G, Caldwell D G. Development and control of a 'soft-actuated' exoskeleton for use in physiotherapy and training. Autonomous Robots, 2003, 15(1): 21-33. DOI:10.1023/A:1024484615192
12
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:Proceeding of the 2013 IEEE International Conference on Robotics and Automation. Karlsruhe, Germany:IEEE, 2013. 3362-3369
13
Müller-Putz G R, Zimmermann D, Graimann B, Nestinger K, Korisek G, Pfurtscheller G. Event-related beta EEG-changes during passive and attempted foot movements in paraplegic patients. Brain Research, 2007, 1137: 84-91. DOI:10.1016/j.brainres.2006.12.052
14
Qiu S, Yi W B, Xu J P, Qi H P, Du J G, Wang C F, He F, Ming D. Event-related beta EEG changes during active, passive movement and functional electrical stimulation of the lower limb. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24(2): 283-290. DOI:10.1109/TNSRE.2015.2476481
15
del-Ama A J, Gil-Agudo Á, Pons J L, Moreno J C. Hybrid FES-robot cooperative control of ambulatory gait rehabilitation exoskeleton. Journal of NeuroEngineering and Rehabilitation, 2014, 11: Article No. 27. DOI:10.1186/1743-0003-11-27
16
Ha K H, Quintero H A, Farris R J, Goldfarb M. Enhancing stance phase propulsion during level walking by combining FES with a powered exoskeleton for persons with paraplegia. In:Proceeding of the 2012 IEEE Annual International Conference of the IEEE Engineering in Medicine and Biology Society. San Diego, USA:IEEE, 2012. 344-347
17
Baker R. Gait analysis methods in rehabilitation. Journal of NeuroEngineering and Rehabilitation, 2006, 3: Article No. 4. DOI:10.1186/1743-0003-3-4
18
Cappozzo A. Gait analysis methodology. Human Movement Science, 1984, 3(1-2): 27-50. DOI:10.1016/0167-9457(84)90004-6
19
Bowker P. Gait analysis:an introduction. Physiotherapy, 1991, 77(11): 786.
20
Tao W, Liu T, Zheng R C, Feng H T. Gait analysis using wearable sensors. Sensors, 2012, 12(2): 2255-2283.
21
Bejarano N C, Ambrosini E, Pedrocchi A, Ferrigno G, Monticone M, Ferrante S. A novel adaptive, real-time algorithm to detect gait events from wearable sensors. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(3): 413-422. DOI:10.1109/TNSRE.2014.2337914
22
Zeilig G, Weingarden H, Zwecker M, Dudkiewicz I, Bloch A, Esquenazi A. Safety and tolerance of the ReWalkm TM exoskeleton suit for ambulation by people with complete spinal cord injury:a pilot study. Journal of Spinal Cord Medicine, 2012, 35(2): 96-101. DOI:10.1179/2045772312Y.0000000003
23
Esquenazi A, Talaty M, Packel A, Saulino M. The ReWalk powered exoskeleton to restore ambulatory function to individuals with thoracic-level motor-complete spinal cord injury. American Journal of Physical Medicine & Rehabilitation, 2012, 91(11): 911-921.
24
Pappas I P I, Keller T, Mangold S, Popovic M R, Dietz V, Morari M. A reliable gyroscope-based gait-phase detection sensor embedded in a shoe insole. IEEE Sensors Journal, 2004, 4(2): 268-274. DOI:10.1109/JSEN.2004.823671
25
Donaldson N, Yu C H. A study of handle reaction vector (HRV) in walker FES standing. Proceedings of the Institution of Mechanical Engineers, 1996, 211(1): 81-94.
26
Ming D, Wan B K, Hu Y, Wang Y Z, Wu Y H, Liang Z R. Dynamical measurement method of handle reaction vector for FES-assisted paraplegic walking. Transactions of Tianjin University, 2005, 11(5): 318-321.
27
Xu R, Qiu S, Zhai T, Xu Q, Qi H, Zhou P, Zhang L, Wan B, Ming D. Step side recognition based on handle reaction forces during functional electrical stimulation. Biomedical Engineering/Biomedizinische Technik, 2013, 58(Suppl 1). DOI:10.1515/bmt-2013-4023
28
Farris R J, Quintero H A, Goldfarb M. Preliminary evaluation of a powered lower limb Orthosis to aid walking in paraplegic individuals. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2011, 19(6): 652-659. DOI:10.1109/TNSRE.2011.2163083
29
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.
30
Tsukahara A, Hasegawa Y, Eguchi K, Sankai Y. Restoration of gait for spinal cord injury patients using HAL with intention estimator for preferable swing speed. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(2): 308-318. DOI:10.1109/TNSRE.2014.2364618
31
Yakub F, Md. Khudzari A Z, Mori Y. Recent trends for practical rehabilitation robotics, current challenges and the future. International Journal of Rehabilitation Research, 2014, 37(1): 9-21. DOI:10.1097/MRR.0000000000000035
32
Gomez-Rodriguez M, Peters J, Hill J, Schölkopf B, Gharabaghi A, Grosse-Wentrup M. Closing the sensorimotor loop:haptic feedback facilitates decoding of motor imagery. Journal of Neural Engineering, 2011, 8(3): Article No. 036005.
33
Takahashi M, Takeda K, Otaka Y, Osu R, Hanakawa T, Gouko M, Ito K. Event related desynchronization-modulated functional electrical stimulation system for stroke rehabilitation:a feasibility study. Journal of NeuroEngineering and Rehabilitation, 2012, 9: Article No. 56. DOI:10.1186/1743-0003-9-56
34
Jiang S L, Chen L, Wang Z P, Xu J P, Qi C, Qi H Z, He F, Ming D. Application of BCI-FES system on stroke rehabilitation. In:Proceeding of the 7th International IEEE/EMBS Conference on Neural Engineering. Montpellier, France:IEEE, 2015. 1112-1115
35
Hara Y, Obayashi S, Tsujiuchi K, Muraoka Y. The effects of electromyography-controlled functional electrical stimulation on upper extremity function and cortical perfusion in stroke patients. Clinical Neurophysiology, 2013, 124(10): 2008-2015. DOI:10.1016/j.clinph.2013.03.030
36
Young W. Electrical stimulation and motor recovery. Cell Transplantation, 2015, 24(3): 429-446. DOI:10.3727/096368915X686904
37
Zoss A, Evans J, Sandler R, Harding N, Julin A, Lubin J, Heanue T, Fairbanks D, Stryker J. Reconfigurable Exoskeleton, World Patent 2014093470, June 2014.
38
Contreras-Vidal J L, Prasad S, Kilicarslan A, Bhagat N. Methods for Closed-loop Neural-machine Interface Systems for the Control of Wearable Exoskeletons and Prosthetic Devices, U.S. Patent 20150012111, January 2015.
39
Fernandez-Leon J A, Acosta G G, Rozenfeld A. How simple autonomous decisions evolve into robust behaviours?:A review from neurorobotics, cognitive, self-organized and artificial immune systems fields. BioSystems, 2014, 124: 7-20. DOI:10.1016/j.biosystems.2014.08.003
40
Murphy T H, Corbett D. Plasticity during stroke recovery:from synapse to behaviour. Nature Reviews Neuroscience, 2009, 10(12): 861-872. DOI:10.1038/nrn2735
41
Barbero Á, Grosse-Wentrup M. Biased feedback in brain-computer interfaces. Journal of NeuroEngineering and Rehabilitation, 2010, 7: Article No. 34. DOI:10.1186/1743-0003-7-34
42
Grosse-Wentrup M, Liefhold C, Gramann K, Buss M. Beamforming in noninvasive brain-computer interfaces. IEEE Transactions on Biomedical Engineering, 2009, 56(4): 1209-1219. DOI:10.1109/TBME.2008.2009768
43
Grosse-Wentrup M, Mattia D, Oweiss K. Using brain-computer interfaces to induce neural plasticity and restore function. Journal of Neural Engineering, 2011, 8(2): Article No. 025004.
44
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521(7553): 436-444. DOI:10.1038/nature14539
45
Torres-Oviedo G, Vasudevan E, Malone L, Bastian A J. Locomotor adaptation. Progress in Brain Research, 2011, 191: 65-74. DOI:10.1016/B978-0-444-53752-2.00013-8
46
Patla A E. Some characteristics of EMG patterns during locomotion:implications for the locomotor control process. Journal of Motor Behavior, 1985, 17(4): 443-461. DOI:10.1080/00222895.1985.10735360
47
Ming Dong, Wang Kun, He Feng, Qi Hong-Zhi, Wan Bai-Kun. Study on physiological information detection and application evoked by motor imagery:review and prospect. Chinese Journal of Scientific Instrument, 2014, 35(9): 1921-1931.
( 明东, 王坤, 何峰, 綦宏志, 万柏坤. 想象动作诱发生理信息检测及其应用研究:回顾与展望. 仪器仪表学报, 2014, 35(9): 1921-1931.)
48
Pfurtscheller G, da Silva F H L. Event-related EEG/MEG synchronization and desynchronization:basic principles. Clinical Neurophysiology, 1999, 110(11): 1842-1857. DOI:10.1016/S1388-2457(99)00141-8
49
Servick K. Kickoff looms for demo of brain-controlled machine. Science, 2014, 344(6188): 1069-1070. DOI:10.1126/science.344.6188.1069
50
Rajangam S, Tseng P H, Yin A, Lehew G, Schwarz D, Lebedev M A, Nicolelis M A. Wireless cortical brain-machine interface for whole-body navigation in primates. Scientific Reports, 2016, 6: Article No. 22170. DOI:10.1038/srep22170
51
Gwin J T, Ferris D P. An EEG-based study of discrete isometric and isotonic human lower limb muscle contractions. Journal of NeuroEngineering and Rehabilitation, 2012, 9: Article No. 35. DOI:10.1186/1743-0003-9-35
52
Edelman B J, Baxter B, He B. EEG source imaging enhances the decoding of complex right-hand motor imagery tasks. IEEE Transactions on Biomedical Engineering, 2016, 63(1): 4-14. DOI:10.1109/TBME.2015.2467312
53
Niazi I K, Jiang N, Tiberghien O, Nielsen J F, Dremstrup K, Farina D. Detection of movement intention from single-trial movement-related cortical potentials. Journal of Neural Engineering, 2011, 8(6): Article No. 066009.
54
do Nascimento O F, Nielsen K D, Voigt M. Movement-related parameters modulate cortical activity during imaginary isometric plantar-flexions. Experimental Brain Research, 2006, 171(1): 78-90. DOI:10.1007/s00221-005-0247-z
55
Jochumsen M, Niazi I K, Mrachacz-Kersting N, Farina D, Dremstrup K. Detection and classification of movement-related cortical potentials associated with task force and speed. Journal of Neural Engineering, 2013, 10(5): Article No. 056015.
56
Ibáñez J, Serrano J I, del Castillo M D, Monge-Pereira E, Molina-Rueda F, Alguacil-Diego I, Pons J L. Detection of the onset of upper-limb movements based on the combined analysis of changes in the sensorimotor rhythms and slow cortical potentials. Journal of Neural Engineering, 2014, 11(5): Article No. 056009.
57
Lu J, Xie K, McFarland D J. Adaptive spatio-temporal filtering for movement related potentials in EEG-based brain-computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014, 22(4): 847-857. DOI:10.1109/TNSRE.2014.2315717
58
Yi W B, Qiu S, Wang K, Qi H Z, Zhang L X, Zhou P, He F, Ming D. Evaluation of EEG oscillatory patterns and cognitive process during simple and compound limb motor imagery. PLoS One, 2014, 9(12): e114853. DOI:10.1371/journal.pone.0114853
59
Nascimento O F D, Nielsen K D, Voigt M. Relationship between plantar-flexor torque generation and the magnitude of the movement-related potentials. Experimental Brain Research, 2005, 160(2): 154-65. DOI:10.1007/s00221-004-1996-9
60
Peng Liang, Hou Zeng-Guang, Wang Wei-Qun. Synchronous active interaction control and its implementation for a rehabilitation robot. Acta Automatica Sinica, 2015, 41(11): 1837-1846.
( 彭亮, 侯增广, 王卫群. 康复机器人的同步主动交互控制与实现. 自动化学报, 2015, 41(11): 1837-1846.)
61
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, 赵新刚, 韩建达. 基于表面肌电的运动意图识别方法研究及应用综述. 自动化学报, 2016, 42(1): 13-25.)
62
Amsúss S, Goebel P M, Jiang N, Graimann B, Paredes L, Farina D. Self-correcting pattern recognition system of surface EMG signals for upper limb prosthesis control. IEEE Transactions on Biomedical Engineering, 2014, 61(4): 1167-1176. DOI:10.1109/TBME.2013.2296274
63
Fleischer C, Hommel G. A human-exoskeleton interface utilizing electromyography. IEEE Transactions on Robotics, 2008, 24(4): 872-882. DOI:10.1109/TRO.2008.926860
64
Han J D, Ding Q C, Xiong A B, Zhao X G. A state-space EMG model for the estimation of continuous joint movements. IEEE Transactions on Industrial Electronics, 2015, 62(7): 4267-4275. DOI:10.1109/TIE.2014.2387337
65
Feng W W, Belagaje S R. Recent advances in stroke recovery and rehabilitation. Seminars in Neurology, 2013, 33(5): 498-506.