康复机器人训练效果客观评价方法的研究进展

李莹华 李贞兰 陈晓伟 徐国兴 连雅雯

0 引言

近几十年，随着科技的快速发展与医学的进步，智能机器人技术以其独特的优势广泛应用于医学领域中[1-2]。康复机器人作为机器人技术在康复医学领域中的应用，可针对患者的损伤程度提供不同强度和模式的个性化康复训练。由于其具有提高康复效率、保证康复质量、降低人力成本等优势，逐渐成为国内外研究和应用的热点[3]。

然而，现阶段有关康复机器人临床治疗应用方面的研究较多，而与之相匹配的康复疗效评价方面的研究较少[4]。目前对于康复机器人训练效果的评估大多采用临床量表评价法，虽然该方法具有良好的信度和效度，但研究发现其具有主观性强、费时费力，且难以精准评估患者运动功能恢复的情况等缺陷[5]，认为临床常用的评估量表不一定适用于康复机器人训练过程中的运动功能康复疗效的评估。因此，为提高康复评估的效率与质量，需进一步研发和完善与治疗系统相匹配的客观、实时、定量且灵敏度高的康复疗效评价系统。

本文就目前康复机器人运动训练过程中的康复疗效客观评价方法予以综述，根据传感器的类型分为：基于康复机器人内部传感器的运动功能评价方法、基于表面肌电信号的运动功能评价方法、基于体感交互设备的运动功能评价方法。此外，介绍了综合评价的数学建模方法，以期为康复机器人临床疗效评价系统方面的研究提供参考。

1 康复机器人训练效果的评价方法分类

1.1 基于康复机器人内部传感器的运动功能评价方法

康复机器人常通过多种传感器，有效监测和记录整个康复训练过程中的人体运动学参数，如运动速度、运动范围、运动平稳性、运动精确度、运动效能(主动运动比例)、运动效率(理论/目标轨迹长度与实际运动轨迹长度之比)等，进而对患者的康复进展做出量化评价，具有较高的灵敏度[6]。

Colombo等[7]在单自由度手腕康复机器人和双自由度肘-肩康复机器人中，采用完成圆形或方形轨迹任务时的平均速度、运动偏差和主动运动指数来描述恢复期脑卒中患者上肢的运动速度、精确度及效能，认为这些运动学参数与Fugl-Meyer运动功能评定量表呈中度相关(r>0.53,P<0.03)。Longhi等[8]则在Armeo Spring外骨骼机器人中，采用手径比、平均速度和速度分布峰速度来测定脑卒中患者上肢的运动精确度、速度及平稳性，结果与Wolf运动功能评价量表呈中度相关(|rho|=0.31-0.50)。以上运动学参数与量表评价法的相关性研究结果，为该评价方法应用于临床疗效评估提供了可能性。

基于康复机器人内部传感器识别记录训练过程中的运动学参数，能够实时定量评估不同的运动模式，还能够掌握患者是否主动参与训练等情况。但尚存以下问题：① 不同机器人提供的运动学参数和指标不一致，评估结果缺乏可比性。例如，InMotion上肢机器人采用峰值速度来反映运动平稳性，而RUPERT上肢外骨骼机器人以加速度变化率来反映这一特性；运动精确度评价方面，Braccio di Ferro触觉机器人通过记录“∞字形”轨迹任务时的运动轨迹偏差来反映运动精确度，而HapticKnob末端牵引式上肢机器人则记录了点对点任务时的目标误差来反映这一特性[9-12]。② 无严格的信度和效度研究，尚待进一步的验证[13]。③ 因康复机器人的机械结构限制了参数采集的范围，如末端牵引式上肢康复机器人的内部传感器只能记录手部运动轨迹，而不能采集上肢其他部位的运动学参数，导致其评估结果不够全面。此外，部分康复机器人无信号采集子系统，不能实时采集训练过程中的运动学参数。

鉴于以上缺点，基于机器人内部传感器提供运动学参数来进行康复疗效评估方法尚未得到临床广泛应用，笔者认为建立规范有效的评价体系是康复机器人亟需解决的问题。

1.2 基于表面肌电信号的运动功能评价方法

表面肌电信号作为一种肌电活动产生的生物电信号，在一定程度上反映了神经、肌肉的活动。因此，分析表面肌电信号的特征能够定量评估患者局部运动功能的改善情况。目前，表面肌电信号常用于评估脑卒中患者的肌力与肌张力的改善程度。

张海燕等[14]在Fourier M2上肢康复机器人中，采集患侧肱二头肌和肱三头肌的表面肌电信号评估患者上肢肌力的改善情况，发现表面肌电信号均方根值与Fugl-Meyer运动功能、徒手肌力评分呈显著正相关。朱琳等[15]在A2型肢体智能反馈训练系统中采集肱二头肌和肱三头肌的表面肌电信号，用积分肌电值评估脑卒中上肢痉挛改善程度，发现与改良Ashworth量表具有较高的一致性。以上研究认为表面肌电信号可用于康复机器人训练过程中的肌力和痉挛方面的评估。

一些学者将表面肌电信号与算法相结合，进行康复疗效的等级评价。即预先设计不同等级的动作及对应的表面肌电信号特征值，当患者完成规定动作时采集表面肌电信号，运用算法对其特征值进行分级得出评价结果。Liparulo等[16]运用模糊逻辑算法，分析不同Brunnstrom分期的脑卒中患者的表面肌电信号，结果显示准确率为92.47%。王丰焱等[17]采用tsfresh库和随机森林模型对表面肌电信号进行特征提取和筛选，并采用集成学习方法建立了基于Brunnstrom分期的康复分级自动评价模型，结果显示，该算法可以将评价结果的准确率提高到94.36%。西安交通大学[18]将该方法运用到康复机器人虚拟环境下的任务训练中，通过采集患者的下肢表面肌电信号，计算每块肌肉的肌电信号均值占正常人的百分比，进而评价运动状态并进行等级分类，表明基于表面肌电信号的康复等级评价也可用于康复机器人动态评价体系中。

表面肌电信号在脑卒中运动功能障碍评价中具有良好的应用价值，数学建模后的数据可实时提供康复等级，精确反映局部肌肉活动的细微变化，且具有无创、非侵入性、操作简单等优点，但通过该方法采集的数据易受电极位置、降噪处理过程、特征提取方法等诸多因素的干扰，因此评价难度高，临床应用受限[19]，如何有效采集并提取表面肌电信号是该评价方法能否进一步应用于康复机器人临床疗效评估的关键环节。

1.3 基于体感交互设备的运动功能评价方法

随着体感交互技术的不断成熟，该技术逐渐应用于康复评估与治疗中。研究表明，外接式体感设备可动态跟踪和捕捉关节的运动位置和轨迹，实时计算各关节活动度，具有较高的精确度。目前常用的有3D动作捕捉系统、Kinect、Leap Motion等。

3D动作捕捉系统通过标记点采集关节在三维空间的位置坐标，目前被认为是关节活动度测量的金标准。Chen等[20]在外骨骼式上肢康复机器人中，通过3D动作捕捉设备和计算机技术，监测上肢在空间的位置变化，利用Mahony互补算法计算患者上肢的关节活动度，以评估患者上肢的运动功能和康复疗效。Zong等[21]将RobuWalker下肢步行机器人与3D人体动作捕捉系统相结合，记录人体下肢各个关节位置以及关节活动度变化，发现3D动作捕捉系统也可实时评估下肢关节活动度及行走功能。Murphy等[22]利用光电3D动作捕捉采集完成伸手及喝水任务过程中的关节活动度变化，也证实了该方法的可行性。3D动作捕捉设备精确度高，但价格昂贵，且在运动时标记点容易被其他物体和自身遮挡而影响数据采集。

Kinect主要通过红外深度摄像头实时捕捉运动过程中肢体的运动姿态，本质是一种无标记点的动作捕捉系统。Brokaw等[23]提出在末端牵引式上肢机器人训练过程中利用Kinect对患者的动作进行实时监测与信息反馈，以减少脑卒中患者出现的代偿动作，该方法不仅帮助患者以正确的运动模式进行训练，也为Kinect应用于机器人疗效评估提供了新的思路。韩志峰等[24]提出一种基于Kinect骨骼跟踪技术和Unity3D游戏引擎技术相结合的上肢康复训练与评估系统，利用Kinect设备获取各关节角度序列和距离序列，并运用算法加权评分实时提供患者上肢运动功能的改善情况。Kinect成本较低、操作方便，但不适合手部精细运动的测量[25]。

Leap Motion可获取手指关节的三维坐标信息，实时识别各种手势，有效弥补了Kinect无法测量手部精细运动的不足[26]。Li等[27]提出Leap Motion与算法相结合的自动化评估系统，在患者完成康复机器人任务过程中，利用Leap Motion捕捉手部角度信息，再运用集成学习算法自动计算出Fugl-Meyer运动功能量表与Brunnstrom量表的评分结果。该研究通过对50例脑卒中患者进行临床试验，发现系统得到的自动评分结果与人工评分结果具有较高的一致性，提示该方法可用于患者手功能的自动评估。杨文璐等[28]将Leap Motion与Unity3D技术相结合，在偏瘫患者完成抓握动作时，获取患者的腕关节背伸角度、近端指间关节屈曲角度、掌指关节屈曲角度及拇指对指功能等特征点信息，通过与正常人体关节活动度进行对比来评估患者手指抓握功能的改善情况，但该系统尚需进一步的临床研究以验证其有效性。

基于体感交互设备的康复机器人疗效评价方法能够准确地反映关节活动范围的动态变化，在一定程度上弥补了传统临床评估方法的不足；与基于机器人内部传感器的康复疗效评价方法相比，具有采样频率高、数据处理速度快、采集范围广、技术相对较成熟等优势。但运动功能康复评价指标单一，难以监测患肢肌力恢复状态及运动模式的改变，具有一定的局限性。

2 数学建模综合评价方法

针对脑卒中患者的康复效果综合评价，有学者提出层次分析法、模糊综合评价法和灰色关联分析法等数学建模方法总体评价训练效果，以达到全面评估和提高评估的准确性。

2.1 基于层次分析法的综合评价方法

层次分析法是定性分析与定量分析相结合的目标决策分析方法。该方法根据问题的性质和预期设定的总目标，将问题分解成不同的组成因素，即按照因素间的相互关系与隶属关系，分为目标层、准则层和方案层，从而建立一个多层次分析结构模型，并通过计算准则层、方案层中的各个因素相对于总目标的权重系数，得到综合评价结果。

王睿等[29]将层次分析法应用于运动反馈虚拟现实康复系统，初步实现了对患者康复训练整体效果的自动评价。该研究以康复训练综合评价为目标层；以患者自身情况A1、训练设置情况B1及训练过程情况C1为准则层；以综合关节活动度A11、系统训练次数A12、训练时间B11、训练模式B12、训练模式难易程度B13、动作方向准确度C11、目标完成情况C12及训练完成百分比C13为方案层构建评价指标体系结构，并采用“1-9”标度法对各指标进行比较，得出各指标的权重。根据各指标的权重，计算出综合评价得分(综合得分=0.05A11+0.02A12+0.02B11+0.01B12+0.09B13+0.07C11+0.62C12+0.12C13)。该研究为层次分析法在脑卒中患者综合评价中的应用提供了可能性，但尚需进一步的信效度研究。

2.2 基于模糊逻辑的综合评价方法

模糊逻辑综合评价法是应用模糊关系综合原理，从多因素的角度对被评价事物的隶属程度进行评价的一种综合评价方法。先确定待评价对象的因素集和评价集，再确定各因素的权重及其隶属度向量，获得模糊评价矩阵，最后对模糊评价矩阵与因素的权重集进行模糊运算并进行归一化，得到综合评价结果。

Hennes等[30]在末端牵引式机器人训练过程中，利用机器人内部传感器和运动捕捉系统分别采集患者的手指及手臂各个关节的运动轨迹，再利用模糊逻辑算法进行模糊运算，得到最终评分。该研究对1名脑卒中患者与1名健康受试者进行测试，初步验证了该评价方法的可行性，但仍需大样本临床研究。

部分学者结合了层次分析法与模糊综合评价法提高评价结果的准确性。王建辉等[31]在五自由度穿戴式上肢康复机器人中，根据患者运动功能障碍表现的特点，选取关节活动度、肌力、肌张力、运动控制功能、反射活动及表面肌肉电信号作为评价指标，再运用层次分析-模糊分析法确定评价指标的权重系数和隶属度，构建了上肢运动功能综合评价系统。

2.3 基于灰色关联分析法的综合评价方法

灰色关联分析法是根据因素之间发展趋势的相似或相异程度，作为衡量因素间关联程度的一种方法。该方法通过指标关联度确定每个指标的权重，再加权求和打分进行综合评价。

王彤[32]在五自由度上肢康复机器人训练中，利用表面肌电信号和机器人内部传感器，获取关节活动度、肌力、肌张力、反射及运动功能障碍评价等指标，建立了基于灰色关联度的模糊层次上肢康复综合评价模型。该研究采用层次分析法和灰色关联分析法来确定各评价指标的权重，再利用模糊综合评价法进行模糊合成运算，得到上肢运动功能的综合评价结果。通过对患者进行实际评价测试，发现与临床评价结果一致，证实了该方法的可行性。

基于数学建模的综合评价方法，可全面反映患者运动功能的改善情况，然而评价指标尚无统一标准且缺乏信度和效度的研究，限制了其临床应用推广。

3 小结与展望

康复机器人作为新兴的智能训练手段，具有较好的应用前景，但与治疗系统相匹配的康复疗效评价系统尚待完善。随着信号采集及处理技术的不断发展，研究者逐渐将传感器实时定量采集数据的方法引入康复功能评价领域，以弥补传统临床康复评价手段不够客观、量化及耗时长等不足。目前，对机器人内部传感器或与外接传感器相结合获取的运动学参数进行数学建模的综合评价方法，成为国内外研究的热点，但尚需解决以下问题：不同信息采集设备提供的参数和评价指标存在较大的差异，研究结果无可比性；评价系统缺乏大样本、多中心的信度和效度研究。为了充分发挥康复智能设备在数据采集、信息处理等方面的绝对优势，达到从“康复训练”到“康复评价”的协调统一，亟待优化与康复机器人训练系统相匹配的康复疗效评价方法。相信随着评价系统的不断完善，将进一步推动康复机器人在康复医学相关领域的广泛应用，为康复医师和患者提供更高效的康复评估与治疗模式。