融合功能性電刺激的助行康復外骨骼機器人混合控制策略研究進展

孟 琳 侯 捷 董洪濤 劉 源 徐 瑞 明 東＃*

1(天津大學醫學工程與轉化醫學研究院，天津 300072)2(天津大學精密儀器與光電子工程學院，天津 300072)

引言

截止2017年，全球腦卒中死亡率下降了33%，但發病率不降反升，僅中國帶病生存的腦卒中患者高達1300 萬[1-2]。 其中80%～90%的卒中患者病后存在行走障礙的后遺癥，嚴重影響患者生活質量，給患者家庭及社會帶來沉重經濟負擔[3-4]。 傳統康復方法通常是臨床醫生配合器械，指導患者進行被動重復功能性動作訓練，使其經長期康復訓練后恢復部分或全部運動功能。 然而，僅約有40%～50%的患者可在這種強化治療中獲益[5]，僅有少數偏癱患者能恢復到正常步行程度[6]。 近年來，醫療技術提高與科技水平發展促進了康復輔助手段的興起和快速發展，一方面有效緩解了康復醫療人力資源的緊張狀況，另一方面較傳統康復方法，功能性康復技術更側重于患者運動功能的重建、替代、訓練和適應，有望極大地提高患者生存質量。

功能性電刺激(functional electrical stimulation，FES)通過對人體肌肉施加刺激電流，激活肌肉收縮，從而使患者能夠自主完成相應動作[7]。 FES 在實現功能性運動輔助的同時，可以增強肌力以及促進神經可塑性，從而提高運動康復效果[8]。 該技術最早被應用于足下垂的矯正[9]，現已被廣泛應用于下肢康復[10-15]。 雖然FES 對患者運動功能康復已有實際應用及商業化產品，但仍存在明顯的局限性，如:電刺激驅動肌肉的力矩有限，肌肉作為非線性元件難以精準控制，同時長時連續電刺激易引發肌肉疲勞等，這些問題嚴重限制了基于FES 的運動康復系統的實際臨床應用。

近年來，研究者們提出了融合FES 與下肢康復機器人的混合控制方法:一方面利用外骨骼機器人或矯形器的高效力矩驅動優勢，彌補FES 對患者肌肉驅動不足的缺陷，同時有效延緩電刺激引發肌肉疲勞的發生[16-18]；另一方面，通過FES 激活肌肉自主收縮，可以實現患者最大程度的主動康復訓練[19-20]。 研究者們認為FES 與外骨骼機器人驅動相結合，發揮了兩種康復技術的優勢，實現了更為優化的主被動結合的康復輔助模式[21-24]。

筆者綜述了面向助行康復的FES 與外骨骼混合控制策略研究現狀，分別從FES 與被動矯形器結合的單向控制方法和與主動外骨骼結合的混合控制方法剖析了其相關技術與難點(見圖1)，討論了構建人機信息交互環路的關鍵問題，以及如何設計出合理高效混合控制策略，以實現動態控制分配，并對本領域未來發展方向進行總結與展望。

圖1 融合FES 與下肢康復機器人的混合控制策略分類原理Fig.1 Schematic diagram of the classification principle of hybrid FES-robotic control strategies

1 FES 單向控制策略

FES 與矯形器結合的下肢助行系統多采用足踝矯形器(ankle-foot orthosis， AFO)、膝-足-踝矯形器(knee-ankle-foot orthosis， KAFO)和髖-膝-足-踝矯形器(hip-knee-ankle-foot orthosis， HKAFO)。 矯形器雖然不具備主動驅動的功能，但其可在步態周期站立階段通過限制或鎖死關節為患者提供支撐作用，或采用彈簧離合器、關節耦合器等儲能機械設計實現關節的驅動，從而降低FES 的驅動力矩需求[25]。 因此，矯形器與FES 結合的混合系統控制模型以FES 控制為主，即FES 單向控制，其控制策略可分為開環FES 和閉環FES 方法(見表1)。

表1 FES 與矯形器結合的單向控制策略總結Tab.1 Summary of unidirectional FES-orthosis control principles

開環FES 控制方法通常在步態擺動期對選定肌肉施加電刺激，驅動關節運動，以完成相應擺動動作，但不能對運動關節角度或力矩進行精確控制。 FES 控制模式的開關(on/off)由穿戴者所處步態相位階段控制。 步態相位檢測多采用過足底開關[26]，手動開關[27]，或者基于運動學信號的機器學習識別模型[28-29]實現，如圖2 所示。 Krishnamoorthy等[26]和Farris 等[27]設計的FES-矯形器混合助行系統，結合了FES 與平衡重力式矯形器GBO(gravitybalanced orthosis) 和關節耦合矯形器JCO(jointcoupled orthosis)，分別采用了足底開關和手動開關判斷站立期和擺動期，站立期鎖定膝關節，擺動期施加電刺激于對應肌肉，協助患者完成邁步動作。Bulea 等[28]和Chang 等[29]采用有限狀態機(finite state machine， FSM)方法，通過運動信號(足底開關、膝關節角度、慣性測量單元(inertial measurement unit， IMU)運動信息)進行五個步態相位階段識別，從而實現更復雜的FES 時序控制。 Bulea 等[28]在站立中期和擺動期電刺激股四頭肌，分別用于穩定膝關節和協助患者邁步，相較單一FES，混合系統可降低40%電刺激強度，并實現更接近于正常步態的膝關節運動。 Chang 等[29]設計的FES-矯形器助行系統，增加了坐姿和站立的狀態轉換功能，狀態轉換時膝關節解鎖，依序打開或關閉對股四頭肌和臀大肌的電刺激，完成狀態轉換后重新鎖定膝關節。

圖2 FES 單向控制策略原理Fig.2 Schematic diagram of unilateral FES-orthosis control strategies

然而，開環FES 控制策略采用固定刺激模式，參數無法根據被試者進行個體化及實時調整，其輔助力矩可能無法滿足患者運動需求。 閉環FES 控制策略采用人機交互信息，例如，根據關節角度[30-31]、人機交互力矩[32]和人工智能控制算法，實時調整FES 控制參數，驅動患者患肢達到更理想的運動關節角度軌跡，并有效降低運動過程中患者與矯形器之間的交互力矩，在提高患者主動康復參與度的同時保證使用安全性和舒適性。

現有研究多采用關節角度作為閉環FES 控制反饋信號。 Seel 等[30]通過放置于腳面的IMU 傳感器的6 軸信息實現了踝關節角度測量與步態相位階段識別，基于預設關節角度軌跡實時反饋踝關節角度誤差， 采用迭代學習控制(iterative learning control， ILC)算法，調整下一步態周期的電刺激幅值。 Jailani 等[31]建立了膝關節運動力學模型和仿真肌肉輸出力矩與FES 參數關系的肌肉模型，基于預設關節角度軌跡和模糊邏輯控制(fuzzy logic control， FLC)算法，反饋膝關節角度誤差，實時調整電 刺 激 脈 沖 寬 度。 Stauffer 等[32]結 合WALKTRAINER 助行矯形器和14 導FES 發展了下肢混合助行系統，通過矯形器上的力傳感器實時反饋當前步態周期的交互力矩，基于最小化人機交互力矩方法，調整優化下一步態周期的電刺激幅值，幅值調整步長為±5 mA。

2 FES 與外骨骼融合控制策略

融合FES 與外骨骼機器人的助行康復系統可以有效對患者肌肉主動運動與外部輔助進行自適應調整，從而提高患者主動康復的效果。 其中關鍵技術難點在于如何設計合理高效的融合控制策略，以實現FES 與外骨骼之間的動態控制分配。 現有研究的控制策略主要可分為外骨骼主控和交互控制，其基本原理如圖3 所示。

圖3 FES 與外骨骼融合控制策略原理Fig.3 Schematic diagram of cooperative FES-exoskeleton control strategies

2.1 外骨骼主導控制策略

外骨骼控制模型多數采用基于關節角度反饋的PID(proportional-integral-derivative， PID)控制、PD(proportional-derivative， PD)控制和自適應控制(adaptive control)等方法(見表2):基于健康被試者數據建立運動學模型，獲得預定關節角度軌跡，通過實時反饋關節角度以調節電機輸出力矩，實現理想關節角度軌跡跟蹤[33-39]；相對的，FES 系統大多采用開環控制模型，基于所處步態階段實施相應FES開關控制[33-36]，電刺激參數固定。

表2 外骨骼主導的控制策略總結Tab.2 Summary of exoskeleton-leading control principles

Kirsch 等[33]研發的髖關節驅動混動外骨骼(semi-active hybrid orthosis，SEAHO)，利用手動開關結合有限狀態機算法區分邁左腿、邁右腿和站立期三種步態階段，外骨骼基于理想角度軌跡對髖關節進行PID 閉環控制，FES 則依據髖關節角度進行切換，其具體控制過程為:站立期外骨骼鎖死膝關節，為患者提供足夠支撐；擺動期外骨骼解除膝關節鎖死并驅動髖關節運動，依據髖關節角度變化依次對腓腸肌、腘繩肌和股四頭肌施加電刺激，協助患者完成踝關節趾屈蹬地、膝關節屈曲和伸展。 Spencer等[34]提出了相似的控制策略，實現了協助患者完成從坐姿到站立的運動轉換。 3 位脊髓損傷患者參與實驗，結果表明，與不使用FES 相比，混合驅動系統可使外骨骼髖關節、膝關節電機輸出扭矩分別降低18%和8%。 Kurokawa 等[35]設計的混動外骨骼，利用足底開關判斷站立期和擺動期，髖關節采用氣動驅動并與足底開關同步，FES 則依據足底開關進行切換，其具體控制過程為:在站立階段，電刺激股四頭肌以穩定膝關節，在擺動期電刺激腓腸肌、比目魚肌驅動踝關節趾屈，隨后電刺激脛骨前肌幫助踝關節屈曲完成邁步動作。 運動實驗中，通過檢測肌肉的電刺激響應(M 波)對肌肉疲勞狀態進行評定，并且通過優化電刺激時序以減少多通道肌肉電刺激引發的響應干擾。

Alouane 等[36]基于膝關節運動學模型提出了自適應控制方法:利用關節角度信號對電刺激下股四頭肌產生力矩進行估計，并作為系統模型的外部干擾輸入；理想關節角度和實際關節角度作為自適應控制器的輸入信號，確定電機補償力矩幅值，實現膝關節運動角度軌跡跟蹤控制。 其模型優勢在于不需要復雜的肌肉骨骼模型，有效降低了算法復雜度。 對一位健康受試者的驗證實驗表明，混合系統可使外骨骼電機輸出扭矩降低約19%。

研究者們提出利用交互信息和智能控制方法，實現更高效的混合驅動。 Kevin 等[37]利用外骨骼髖關節輸出力矩建立了肌肉輸出力矩估計模型用于調整下一步態周期電刺激幅值、開始時間和持續時間，對3 位脊髓損傷患者的驗證實驗表明，混合系統可使外骨骼電機輸出扭矩降低約34%。 該團隊亦提出了基于人機交互力矩的肌肉疲勞檢測方法，如果當前步態周期內的主動輸出力矩幅值小于前一步態周期的最大輸出力矩的三分之一，則判定患者出現肌肉疲勞狀況，系統將停止電刺激2 min[38]。Del-Ama 等[39]提出了以人機交互力矩作為反饋的FES 雙閉環控制模型，即不同肌肉采用不同的FES控制模型:對股四頭肌(膝關節伸展運動)采用PID控制，對腘繩肌(膝關節彎曲運動)則采用ILC 控制，在模型中通過最小化交互力矩來調整電刺激脈沖寬度。 同時，根據人機交互力矩調節膝關節驅動器剛度，提高外骨骼輸出穩定性。 Del-Ama 同樣考慮了肌肉疲勞模型，通過計算基于電刺激的肌肉力矩相對時間的積分TTI(torque time integral， TTI)評估肌肉疲勞狀態，當TTI 下降達到19%時認為出現肌肉疲勞，停止施加電刺激。

2.2 FES 與外骨骼交互控制策略

由于外骨骼主導的控制策略未能有效實現FES和外骨骼的交互控制以及驅動輸出的動態分配，因此，有研究者提出了FES 與外骨骼交互控制策略:通過預定義的理想關節運動軌跡和基于反動力學的下肢運動力學模型，估算關節所需總驅動力矩，基于所需力矩，根據特定控制算法在FES 和外骨骼驅動間進行分配，結合下肢肌肉模型，實現對電刺激參數和電機力矩輸出的動態調整(見表3)。

表3 FES 與外骨骼交互控制策略總結Tab.3 Summary of cooperative FES-exoskeleton control principles

研究者多采用Hill-type 肌骨模型來估計電刺激的肌肉輸出力矩[52-53]。 該模型描述了肌肉的激勵、收縮動力學和疲勞效應，但其算法復雜。 因此，一些研究者提出了簡化模型，將電刺激強度與肌肉輸出力矩的關系簡化為延時和增益兩個特征參數[40]，或利用神經網絡模型對肌骨系統建模[51]。

在肌肉建模的基礎上，研究者們提出了最大化肌肉輸出力矩，外骨骼驅動輔助的交互控制策略。Quintero 等[40]研發了膝關節驅動混合控制方法，以關節角度為反饋基于預設軌跡進行外骨骼PD 閉環控制，另一方面以關節角度和外骨骼輸出力矩為輸入信號，結合梯度投影算法，通過實時調整電刺激的幅值和持續時間，最大化股四頭肌輸出力矩。 研究者對一名截癱患者進行了系統驗證實驗，結果表明FES 下股四頭肌驅動在運動中輸出功率占比可達到55%，但該方法有可能導致肌肉的快速疲勞。

研究者們還提出了最小化系統輸入的控制策略。 Kirsch 等[41]提出了基于關節角度誤差和系統輸入的成本函數最小值優化方法，結合非線性模型預測控制( nonlinear model predictive control，NMPC)方法[42-44]，實現了兩種驅動間的動態分配，并增加對肌肉疲勞的建模。 研究者對2 名脊髓損傷患者進行系統驗證實驗，結果表明系統可實現理想的控制動態分配和關節運動軌跡，減少了患者肌肉疲勞。 Alibeji 等[45-46]在混合髖膝踝電機、6 通道FES 和支撐腿主動驅動的單腿10 輸入、4 自由度下肢運動模型中，通過最小化系統輸入得到關節最優運動軌跡和10 個系統輸入最優值，并利用肌肉協同原理將最優系統輸入降維處理為2 個激勵信號[54]。該系統設計了應用于協同效應激活的自適應前饋控制器，在對電機的控制中增加了基于關節角度誤差的PD 反饋控制，提高了系統穩定性和魯棒性。在此基礎上Alibeji 等[47]提出了動態姿勢協同(dynamic postural synergies)控制方法，將行走分割為有限個動態姿勢，分別計算每個動態姿勢的協同作用并按順序激活，通過最小化動態姿態的位置誤差和最小化系統激活狀態，實現兩種驅動的動態分配。 Alibeji 等后續的研究通過增加肌肉疲勞建模，實現了對肌肉疲勞狀態的檢測。 Romero-Sanchez等[48]利用4 種方法對肌肉輸出力和電機輸出力矩進行歸一化處理，并分別計算系統輸入最小的成本函數，以獲得最優驅動分配方案，最終得到下肢行走模型對每條腿15 塊肌肉的最優FES 驅動曲線及最優電機驅動曲線。

此外，一些研究者還提出了基于中樞模式發生器(central pattern generators， CPG)的仿生控制方法，以感覺反饋自動激活運動驅動單元，產生步行、奔跑等節律性運動模式，不僅降低了運動控制回路的延遲時間，而且有效降低了對控制信號維數的要求[55-58]。 Ren 等[49-50]用CPG 模塊內部網絡耦合和外來信號反饋實現了FES 和外骨骼驅動輔助同步。Ren 團隊利用4 個相互耦合的Matsuoka 神經振蕩器構成的CPG 網絡，來生成FES 和下肢外骨骼的參考軌跡，其中，兩個振蕩器相互組合用于生成FES 的參考軌跡，另外兩個振蕩器相互組合用于生成外骨骼的參考軌跡。 FES 控制采用在線調節模塊將實測的關節角度作為FES 兩個Matsuoka 振蕩器的反饋信號輸入，實現FES 的參考軌跡和實測的關節角度同步，結合反運動學模型和Hill-type 肌肉模型實時調整電刺激脈沖寬度；膝關節電機基于外骨骼參考軌跡進行PID 閉環控制，其控制原理如圖4 所示。研究者對4 位健康受試者進行系統驗證實驗，利用實際交互力矩評價控制系統的有效性，結果表明系統可實現FES 和外骨骼驅動同步，且外骨骼可實現理想的關節運動軌跡。

圖4 FEXO Knee 下肢康復外骨骼交互控制原理圖[50]Fig.4 Interactive control diagram of FEXO Knee [50]

2.3 基于電生理信號的交互控制策略

基于生物電信號的控制策略是人機交互技術的重要基礎。 將表面肌電(surface electromyography，sEMG)[51，59]、 腦電 (electroencephalogram， EEG)[60-62]等電生理信號作為控制器輸入，通過識別患者運動意圖，實現對FES 以及外骨骼的控制。 Chen等[51]在iLeg 下肢康復外骨骼中，髖膝關節驅動器采用阻抗控制，臀大肌和股四頭肌的FES 則采用前饋＋反饋的控制方法:在前饋控制中，利用下肢六導sEMG 信號估計患者肌肉的主動收縮力矩[63-65]，進而確定FES 的脈沖寬度，使電刺激強度與肌肉的主動力矩成正比來激發患者的自主運動，實現康復訓練的正反饋的效果；反饋控制則利用外骨骼驅動力矩計算肌肉輸出力矩與期望值之差調整電刺激的脈沖寬度，并通過與FES 的前饋控制相結合，進一步提高了系統穩態精度[66]，對一位健康受試者和一位脊髓損傷患者的驗證實驗證明了控制系統的有效性。

腦-機接口(brain-computer interface， BCI)是在人腦與計算機或其他電子設備之間建立的不依賴于常規大腦信息輸出通路(外周神經和肌肉組織)的全新對外信息交流和控制技術，可通過采集和解碼EEG 信號以獲取用戶的意圖，從而實現對外圍設備的控制[67-70]。 一些研究者提出了BCI 與FES 結合的康復策略，通過運動意圖檢測激活對肌肉的電刺激，由感覺反饋形成閉環，以獲得更好的運動康復效果[71-74]。 Chung 等[74]研發了基于運動想象(motor imagery， MI)的腦-機接口，通過解碼患者運動意圖觸發對脛骨前肌的電刺激，對10 位脊髓損傷患者的實驗表明，與單獨的FES 康復訓練相比，FES與BCI 相結合對患者的平衡和步態改善有更好的效果。 Irimia 和Poboroniuc 等[61-62]發展了BCI 與FES 和外骨骼相結合的系統，其中外骨骼提供輔助驅動和軌跡控制作用。 Irimia 等[61]利用BCI 判斷患者左、右手臂的屈伸運動意圖，觸發對肱二頭肌、肱三頭肌的電刺激和肘部電機驅動。 5 位脊髓損傷患者的實驗結果表明，該系統可實現患者手臂運動功能的改善。 然而，目前基于BCI 的FES 與外骨骼交互控制策略的相關研究較少，仍待深入研究。

3 總結與展望

融合FES 和外骨骼機器人的混合助行康復系統發揮了兩種康復方法的優勢。 研究者們已經證明了混合控制策略的可行性，FES 驅動肌肉自主運動一方面可提高患者主動康復參與度，另一方面其產生的驅動力矩可有效減少外骨骼的功率需求，從而降低機械系統的尺寸和重量。 外骨骼機器人的高效力矩驅動優勢可以彌補FES 對患者肌肉驅動不足且難以實現精確控制的缺陷，提高運動輔助驅動效果。 筆者綜合分析了現有混合控制策略的技術特點及已有系統的臨床實驗結果，多數混合康復系統仍處于實驗室階段，臨床被試數量不足，且對于合理有效的混合控制策略的設計尚無一致性結論。 面向研究領域亟待解決問題，研究者們可從以下幾個方面開展深入研究，以實現更安全、高效的混合康復系統。

1)構建人機信息交互緊密環路，實現精確運動意圖識別，提高患者主動康復參與度。 現有研究采用運動學信號(足底開關、膝關節角度、IMU 運動信息)、電生理信號(如肌電)等結合智能算法檢測識別患者運動意圖，未來隨著生物信號傳感技術的不斷發展，可用于運動意圖檢測的信號種類將大大拓寬，例如基于運動想象的腦-機接口等，系統可根據患者運動意圖自適應地調整FES 參數和外骨骼輔助，實現“按需協助”和患者“所思即所動”的理想運動控制效果，結合觸覺、聽覺等多模態反饋，可進一步提高患者康復訓練的積極性和康復效果。

2)設計更合理高效的混合控制策略，并提高混合驅動系統的安全性。 研究者們已提出基于CPG仿生模型、Hill-type 肌肉模型等方法對外骨骼和FES 控制進行動態分配，未來隨著控制算法的改進以及對人體神經肌骨模型建模的深入研究，有望實現更精細的混合驅動控制，使康復機器人能隨患者柔順運動，避免對人體造成二次傷害，提高系統的安全可靠性。

3)推進混合助行康復系統的臨床應用。 現階段，大多數系統的控制策略仍處于實驗驗證階段，僅進行了少量患者測試，并且多數研究僅進行了單次實驗，尚無專門研究證明混合康復技術對患者長期康復的效用，因此需要進一步的臨床測試來證明系統的有效性和安全性。

目前，我國運動障礙患者基數龐大，智能康復機器人技術有著巨大的社會需求與應用市場。 隨著微型傳感、電子、機械等高新技術的不斷發展，混合助行康復系統有望作為更有效的康復手段，應用于臨床康復，造福廣大患者。