手外骨骼研究进展综述

引言

2015 年世界卫生组织通过调查表明,65岁以上人群已占全球人口的 12. 24%,这一比例呈上升趋势。而脑卒中作为一种老年人群中的常见病,其发病率高达 11. 2%,严重威胁着人们的生活质量。
根据相关数据,我国每年新增患脑卒中的患者约达 250 万,至 2020 年总计已达 2000 万例。在这些患者的康复案例中, majority exhibit hand function impairment.
人类每天大约进行 1500 次的握物活动,是维持人体与外界环境互动的重要方式之一。因此,手部功能恢复对偏瘫患者的康复具有重要意义。
研究证实,通过持续性的被动增强性周期性训练能够显著提高风后患者的运动功能水平;手部康复机器人不仅可辅助治疗师完成康复治疗工作,还能够帮助患者开展自主性康复训练,因此受到了社会各界的关注。

手部康复机器人由驱动器、力传递机构、执行机构以及控制模块构成的机电一体化系统能够引导手指完成预定动作，并采用多样化的控制模式以实现各类康复辅助训练任务。手部康复机器人的研究源于欧美国家，在21世纪初就已经出现了商品化生产的 hand assistive robots。例如美国 Carnegie Mellon University 制造了著名的外骨骼机器人，在日本东北大学则研发出了专门用于手部运动辅助的康复机器人。相比之下我国在这方面的研究起步较晚 大部分的手部康复机器人仍停留在实验阶段 如哈尔滨工业大学开发的创伤手指外骨骼装置和北京航空航天大学设计的手指外骨骼装置等。

一、人体手部特性分析

在人体手部特性中，手部各骨骼的尺寸以及各关节所需的驱动力距均会对康复机器人的结构设计、动力选型产生影响。因此本文介绍健康手的自由度、关节运动角度、抓握力大小的标准数值，可供手部康复机器人的结构设计、动力选型提供参考。
①人手生物学特性分析
人手由 27 块骨骼组成，具有 20 个自由度，可实现灵活精致的运动。其中拇指有 3 个关节，分别是指间( interphalangeal ，IP) 关节、掌指( metacarpophalangeal，MCP) 关节、腕掌( carpometacarpal，CMC) 关节。
IP关节与 MCP 关节均能实现屈/伸 1 个自由度，CMC关节能实现屈/伸、收/展 2 个自由度。食指、中指、无名指、小拇指均由 3 个关节组成，分别是远端指间( distal inter-phalangeal ，DIP ) 关 节、近 端 指( proximal interphalangeal ，PIP ) 关 节、掌 指( metacarpophalangeal，MCP) 关节，其中 DIP 关节和PIP 关节能实现屈/伸 1 个自由度，MCP 关节能实现屈/伸、收/展 2 个自由度。因此人手具有 20 个自由度能够完成复杂的动作。而偏瘫患者手部的肌肉处于挛缩状态导致部分关节不能自主运动，自由度和关节的活动范围大大减少。
②人手运动特性分析
美国伊利诺伊理工学院的 Jones 等指出维持人手 MCP、PIP、DIP 3 个关节正常运动的扭矩分别为 2. 0 N·m 、0. 75 N·m 、0. 25 N·m。Lince 等指出人手在抓握过程中各手指抓握力的分配: 拇指51% ± 0. 01% 、食 指 25% ± 0. 05 %、中 指 12% ± 0. 04%、无名指 7%±0. 02%、小指 4%± 0. 02%，大致服从 1 /2 倍依次递减关系。Ang 等实验得出健手手部各关节的最大运动角度，拇指 IP、MCP、CMC关节最大运动角度分别为 98. 8° ± 4. 9°、23. 5° ± 3. 1°、25. 2°±3. 6°，四指的 DIP、PIP、MCP 关节最大运动角度分别是 69. 4°±7. 9°、103. 4°±1. 1°、90. 4°± 2. 5°。表 1 为在日常生活活动中对单手指指尖力进行单独检测的数值结果。
手部康复机器人能否精准复现人手自由度、关节运动角度以及各手指的抓握指尖力是衡量其康复有效性的重要参数。此外，手部康复机器人的驱动方式、机械结构、驱动力传递方式、可携带性也都会对康复辅助效果产生影响。其中手部康复机器人的机械结构是决定康复辅助效果的关键，对驱动方式的选择、是否具有可携带性以及控制方式的选择均有较大影响。

二、手部康复机器人的结构

目前的手部康复机器人从结构上主要分为刚性外骨骼式和柔性穿戴式。

刚性外骨骼装置

柔性穿戴式

柔性穿戴式主要依靠弹簧、鲍登线以及气动肌肉等多种弹性元件传递能量至人体手掌，并借由弹性元件带动手指完成各类动作的手部康复机器人技术。尽管柔性穿戴式的发展晚于刚性外骨骼式装置起步较晚但近年来发展迅速成为康复机器人领域的重要方向之一

马来西亚的研究人员在康复训练方面采取了双手法则结合的手势矫正方案具体而言他们通过采集患者健康手的相关数据信息来实现对手部运动的精准控制

东北大学的研究团队则提出了基于绳索耦合机制的手指运动驱动方案该方法使得柔性手套在完成驱动力传递过程中能够更好地模拟人体手指关节自然运动轨迹从而实现了更高的康复效果

相比而言传统刚性外骨骼装置在设计上具有重量轻贴合度更高的显著优势然而其缺乏独立的动力传递机构导致驱动力传递效率较低且控制精度难以得到显著提升

三、手部数据采集

为了确保康复机器人具备准确性和有效性的运动能力, 必须实时监测人体手部关节的运动幅度和施加的动力矩/力, 以实现闭环控制为目标, 这将显著提升系统的精度与稳定性. 国内外在-hand data acquisition methods typically employ sensor elements and motion capture systems.

关节角度采集
用于测量关节运动角度的设备主要包括电位器、柔性电阻感应器以及曲率传感器等技术手段。其中柔性电阻感应器因其体积小巧且安装便捷的特点而被广泛应用于关节运动监测领域。目前市面上已出现基于摄像头实现的手指关节角度测量系统，其工作原理在于通过在手指关节位置设置标记点，在运动过程中摄像头自动识别并追踪这些标记点，并实时更新显示相应的位置信息

驱动力矩与力采集系统

其他数据采集
采用现有的运动捕捉技术进行运动轨迹记录工作，并支持实时显示手指关节各定点的位置变化情况。同时针对人体姿态及肌电信号进行数据收集的人类上肢传感设备主要包括加速度计与肌电感受器两种类型装置。前者负责人体姿态检测与前臂肌电信号采集工作

四、控制模式

当前手部康复机器人采用的手势控制系统主要可分为主动型与被动型两种模式

主动控制主要用于轻度运动受限且存在前臂剩余肌力的偏瘫患者群体

Lynch 等人于2015年开发的手部外骨骼系统利用肌电反馈机制来驱动患手完成屈伸动作

意大利研究者Lince团队则采用了一种基于上肢表面肌电信号的方法

Randazzo团队开发了一款欠驱动康复机器人

被动控制
被动控制主要应用于前臂肌肉完全丧失的重度偏瘫患者群体，在该人群中通过控制器直接感知患者的运动信号实现康复训练。
其主要包括预设运动轨迹、实时捕捉动作追踪以及辅助指令生成等多种技术。其中，预设运动轨迹是一种广泛应用于手部康复机器人中的被动控制方法，在该系统中通过预先设定电机或气泵驱动参数来规划康复路径并执行相关动作训练。
意大利研究团队开发的HES外骨骼手与新加坡国立大学设计的气动外骨骼手均采用按键操作方式来调节外骨骼的屈伸幅度，在这种模式下患者只需通过简单的按键操作即可完成预期的康复训练任务。
实时动作捕捉技术则依赖于红外摄像头、超声波测距探头等设备来感知物体位置信息并进行反馈调节，在此基础之上控制器能够精准驱动相关机械部件执行动作以完成辅助训练需求。
Popov研究团队开发的功能型外骨骼手套特别适用于日常生活能力辅助场景，在手套的手腕部位配备了红外测距传感器，在手部靠近物体时系统能够自动捕获物体信息并发送给控制器从而实现精准的动作指令输出以满足患者的康复需求

五、小结及展望

近年来的研究数据显示

首先

其次

再次

最后

参考文献

［1］ 昌赢，孟青云，喻洪流 ． 手部康复机器人技术研究进展［J］．北京生物医学工程，2018，Vol. 37 No. 6

“ 嘘！悄悄插播一条小广告 ”

具体参数如下：
输入阻抗值为1\text{T}\Omega；
输入偏置电流值为300\text{pA}；
输入参考噪声值为1\mu\text{V}/\text{pHz}；
采样速率为250\ \text{Hz}及500\ \text{Hz}；
共模抑制比达到-110\ \text{dB}；
可调增益放大倍数依次设置为1倍、2倍、4倍、6倍、8倍、12\times 以及双倍；
分辨率值采用24\ \text{位ADC}技术实现高精度测量（最高可达理论极限误差不超过\pm 0.\!1\mu\text{V}）；
功耗水平维持在正常工作时\mathbf{39}\ \text{mW}（待机状态降至最低能耗仅\mathbf{1}\ \mu\text{W}）；
系统采用内置可充电锂电池供电方案以降低外部干扰源影响；
产品尺寸约为\mathbf{5}.\mathbf{O}\ \text{x}\mathbf{\ O}.\mathbf{x}\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\mathbf{\ O}.\ mathrm{(实际测量结果可能存在微小偏差)}；如图所示， $见附图

图2 BCIduino在普通嘈杂环境下、悬空状态下所呈现的数据波形表明，在该状态下能够观察到无其他干扰的存在

图3 OpenBCI在常规干扰环境中及悬浮状态下采集的动态数据波形（采集条件及记录时长与图2BCIduino一致）

**

客官请留步

本文由 BCIduino 脑机接口开源社区整理或编写。该组织由来自多所高校的硕博们共同创立了 BCIduino 脑机接口社区。欢迎加入社群并备注'BCI' ，同时可以在某宝上购买 BrainIDuino 电生理模块