《中华物理医学与康复杂志》：下肢外骨骼康复机器人运动感知系统的研究进展

·82· 中华物理医学与康复杂志2021年1月第43卷第1期Chin J Phys Med Rehabil,January2021,Vol.43,No.1 .综述· 下肢外骨骼康复机器人运动感知系统的研究进展 李慧23陈颖伟喻洪流23马锁文123胡杰2,3杜青5孟巧玲123 1上海理工大学医疗器械与食品学院康复工程与技术研究所，上海200093；2上海康复器械 工程技术研究中心，上海200093；3民政部神经功能信息与康复工程重点实验室，上海 200093:4上海交通大学医学院附属新华医院消化内科，上海200092：5上海交通大学医学院 附属新华医院康复医学科，上海200092 通信作者：喻洪流，Email:yhl98@hotmail.com 【摘要】目前，世界上存在着大量下肢运动功能障碍的特殊人群，无法进行正常行走或运动。下肢外 骨骼康复机器人技术的发展可以帮助他们完成正常站立、行走等基本行动功能，并改善其身体机能状况和 生活质量。下肢康复外骨骼机器人系统是以人为中心的人机协同智能系统，其首要任务是理解人的运动意 图，并对运动姿态做出准确的判断，与人体协同运动产生助行、助力等行为。现有的人机交互感知系统的研 究方法主要涉及生物电信号和力/力矩等物理信号。为充分发挥生物信号的快速、全局性以及物理信号的 持续、稳健性，确保人机交互控制系统的稳定性，本文从人机协调运动控制机理展开，对不同的意图感知方 法对获取人体运动意图的影响进行综述，并对存在的问题进行分析，总结出多模态信息融合技术对提高人 机系统的协调控制重要性，为提高人和机器自主决策能力以及外骨骼机器人感知系统的优化设计提供一定 的参考。 【关键词】下肢运动功能障碍；下肢外骨酪康复机器人：生物电信号；物理信号：运动意图： 感知系统 基金项目：上海市科技创新行动计划技术标准项目(9DZ2203600) Funding:Shanghai Science and technology innovation action plan(9DZ2203600) D0I:10.3760/cma.j.issn.0254-1424.2021.01.023 20世纪60年代开始，外骨骼机器人蓬勃发展。最初，立的步态规划，只能在特定时间内按照已知的动作模式执行 它们被用来增强士兵体能，提高作战能力，如BLEEX), 相应的动作，人机交互性差。在康复中后期，患者肌力得到一 MT):现在，外骨骼机器人被认为是减轻物理治疗师重复 定程度的恢复后，可由康复机器人按照患者运动意图提供主 和繁重工作的工具，同时可以提高患者的康复效果，如 动康复训练[⑧]。主动训练有助于促进功能恢复，提高肢体协 Lokomat[):以及帮助截瘫或四肢瘫痪患者在日常生活中恢 调性和患者参与训练的积极性，康复效果比被动训练更为显 复运动能力，如Rewalk[4),Ekso):还有的外骨骼机器人被 著[创。但是，相对于被动训练，主动康复训练的实现更加困 用于为患有肌无力的人或老年人提供额外的动力，辅助其行 难，外骨骼需要准确可靠地识别出人机交互系统中的人体运 走或上下楼梯，如HAL[]等。外骨酪机器人的应用领域不 动意图，并决定机器人及时向患者提供运动或辅助力，从而确 仅涉及抗震救灾或战争等恶劣复杂环境下的单兵救援装备， 保人机交互控制系统的稳定性。 还涵盖医疗和老龄化问题中迫切需要的助老、助残智能辅 本文就下肢康复外骨骼机器人的感知系统进行综述，对 具。根据美国食品药品监督管理局(Food and Drug Adminis-. 其感知信号源和人机交互方式深入探讨，以期为下肢外骨骼 tration,FDA)的定义，医疗外骨骼康复机器人是一种由外部 构建有效的运动控制通道奠定基础，更好地促进外骨骼康复 动力驱动的矫形器组成的，放置在使用者瘫痪或者虚弱肢体 机器人在临床康复中的应用，为下肢运动功能损伤患者提供 处，提供行走功能的处方器械。下肢外骨路康复机器人在康 安全、有效的主、被动康复训练和递进式康复治疗策略)]。 复训练中与人体患肢直接作用，并实时对人的运动意图进行 人体与外骨骼机器人控制机理 检测和判断，使患肢做出跟随运动，因此康复机器人和人体 之间的意图感知尤为重要。 一、人体与外骨骼运动机理 目前，康复机器人主要采用运动疗法辅助瘫痪患者进行 人类运动是基于大脑产生的意志、脊髓层产生的运动基 康复训练，而运动疗法对神经系统的可塑性具有不可替代的 本模式和反射神经的细化控制过程。人体运动中枢系统 作用，神经系统可随着内外环境变化不断地自我修复和重组， 是通过大脑神经中枢系统控制人体进行主动运动的信息交互 从而恢复患者的肢体运动功能。运动疗法分为被动训练和主 控制系统。图1所示，神经信号以电信号的形式将运动意图 动训练两种训练策略。被动训练一般适用于患者康复初期， 从上运动神经元向下传递到下运动神经元，并控制肌纤维收 此时患者残余肌力较弱，外骨骼康复机器人可带动患肢沿着 缩，带动人体骨骼肌系统完成动作。同时，人体感觉器官感知 预定轨迹进行康复训练，此运动轨迹是基于人类步态数据建 肌肉收缩速度、收缩力以及关节转角等运动状态，及时反馈到

􀅰综述􀅰 下肢外骨骼康复机器人运动感知系统的研究进展 李慧１ꎬ２ꎬ３ 陈颖伟４ 喻洪流１ꎬ２ꎬ３ 马锁文１ꎬ２ꎬ３ 胡杰１ꎬ２ꎬ３ 杜青５ 孟巧玲１ꎬ２ꎬ３ １上海理工大学 医疗器械与食品学院 康复工程与技术研究所ꎬ上海 ２０００９３ꎻ ２上海康复器械 工程技术研究中心ꎬ上海 ２０００９３ꎻ ３民政部神经功能信息与康复工程重点实验室ꎬ上海 ２０００９３ꎻ ４上海交通大学医学院附属新华医院消化内科ꎬ上海 ２０００９２ꎻ ５上海交通大学医学院 附属新华医院康复医学科ꎬ上海 ２０００９２ 通信作者:喻洪流ꎬＥｍａｉｌ:ｙｈｌ９８＠ ｈｏｔｍａｉｌ.ｃｏｍ 【摘要】 目前ꎬ世界上存在着大量下肢运动功能障碍的特殊人群ꎬ无法进行正常行走或运动ꎮ 下肢外 骨骼康复机器人技术的发展可以帮助他们完成正常站立、行走等基本行动功能ꎬ并改善其身体机能状况和 生活质量ꎮ 下肢康复外骨骼机器人系统是以人为中心的人机协同智能系统ꎬ其首要任务是理解人的运动意 图ꎬ并对运动姿态做出准确的判断ꎬ与人体协同运动产生助行、助力等行为ꎮ 现有的人机交互感知系统的研 究方法主要涉及生物电信号和力/ 力矩等物理信号ꎮ 为充分发挥生物信号的快速、全局性以及物理信号的 持续、稳健性ꎬ确保人机交互控制系统的稳定性ꎬ本文从人机协调运动控制机理展开ꎬ对不同的意图感知方 法对获取人体运动意图的影响进行综述ꎬ并对存在的问题进行分析ꎬ总结出多模态信息融合技术对提高人 机系统的协调控制重要性ꎬ为提高人和机器自主决策能力以及外骨骼机器人感知系统的优化设计提供一定 的参考ꎮ 【关键词】 下肢运动功能障碍ꎻ 下肢外骨骼康复机器人ꎻ 生物电信号ꎻ 物理信号ꎻ 运动意图ꎻ 感知系统 基金项目:上海市科技创新行动计划技术标准项目(９ＤＺ２２０３６００) Ｆｕｎｄｉｎｇ:Ｓｈａｎｇｈａｉ Ｓｃｉｅｎｃｅ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｉｎｎｏｖａｔｉｏｎ ａｃｔｉｏｎ ｐｌａｎ(９ＤＺ２２０３６００) ＤＯＩ:１０.３７６０ / ｃｍａ.ｊ.ｉｓｓｎ.０２５４￣１４２４.２０２１.０１.０２３ ２０ 世纪 ６０ 年代开始ꎬ外骨骼机器人蓬勃发展ꎮ 最初ꎬ 它们被 用 来 增 强 士 兵 体 能ꎬ 提 高 作 战 能 力ꎬ 如 ＢＬＥＥＸ [ １] ꎬ ＭＩＴ [ ２] ꎻ现在ꎬ外骨骼机器人被认为是减轻物理治疗师重复 和繁重 工 作 的 工 具ꎬ 同 时 可 以 提 高 患 者 的 康 复 效 果ꎬ 如 Ｌｏｋｏｍａｔ [ ３] ꎻ以及帮助截瘫或四肢瘫痪患者在日常生活中恢 复运动能力ꎬ如Ｒｅｗａｌｋ [ ４] ꎬＥｋｓｏ [ ５] ꎻ还有的外骨骼机器人被 用于为患有肌无力的人或老年人提供额外的动力ꎬ辅助其行 走或上下楼梯ꎬ如 ＨＡＬ [ ６] 等ꎮ 外骨骼机器人的应用领域不 仅涉及抗震救灾或战争等恶劣复杂环境下的单兵救援装备ꎬ 还涵盖医疗和老龄化问题中迫切需要的助老、助残智能辅 具ꎮ 根据美国食品药品监督管理局( Ｆｏｏｄ ａｎｄ Ｄｒｕｇ Ａｄｍｉｎｉｓ￣ ｔｒａｔｉｏｎꎬＦＤＡ)的定义ꎬ医疗外骨骼康复机器人是一种由外部 动力驱动的矫形器组成的ꎬ放置在使用者瘫痪或者虚弱肢体 处ꎬ提供行走功能的处方器械ꎮ 下肢外骨骼康复机器人在康 复训练中与人体患肢直接作用ꎬ并实时对人的运动意图进行 检测和判断ꎬ使患肢做出跟随运动ꎬ因此康复机器人和人体 之间的意图感知尤为重要ꎮ 目前ꎬ康复机器人主要采用运动疗法辅助瘫痪患者进行 康复训练ꎬ而运动疗法对神经系统的可塑性具有不可替代的 作用ꎬ神经系统可随着内外环境变化不断地自我修复和重组ꎬ 从而恢复患者的肢体运动功能ꎮ 运动疗法分为被动训练和主 动训练两种训练策略ꎮ 被动训练一般适用于患者康复初期ꎬ 此时患者残余肌力较弱ꎬ外骨骼康复机器人可带动患肢沿着 预定轨迹进行康复训练ꎬ此运动轨迹是基于人类步态数据建 立的步态规划ꎬ只能在特定时间内按照已知的动作模式执行 相应的动作ꎬ人机交互性差ꎮ 在康复中后期ꎬ患者肌力得到一 定程度的恢复后ꎬ可由康复机器人按照患者运动意图提供主 动康复训练[８] ꎮ 主动训练有助于促进功能恢复ꎬ提高肢体协 调性和患者参与训练的积极性ꎬ康复效果比被动训练更为显 著[８] ꎮ 但是ꎬ相对于被动训练ꎬ主动康复训练的实现更加困 难ꎬ外骨骼需要准确可靠地识别出人机交互系统中的人体运 动意图ꎬ并决定机器人及时向患者提供运动或辅助力ꎬ从而确 保人机交互控制系统的稳定性ꎮ 本文就下肢康复外骨骼机器人的感知系统进行综述ꎬ对 其感知信号源和人机交互方式深入探讨ꎬ以期为下肢外骨骼 构建有效的运动控制通道奠定基础ꎬ更好地促进外骨骼康复 机器人在临床康复中的应用ꎬ为下肢运动功能损伤患者提供 安全、有效的主、被动康复训练和递进式康复治疗策略[９] ꎮ 人体与外骨骼机器人控制机理 一、人体与外骨骼运动机理 人类运动是基于大脑产生的意志、脊髓层产生的运动基 本模式和反射神经的细化控制过程[１０] ꎮ 人体运动中枢系统 是通过大脑神经中枢系统控制人体进行主动运动的信息交互 控制系统ꎮ 图 １ 所示ꎬ神经信号以电信号的形式将运动意图 从上运动神经元向下传递到下运动神经元ꎬ并控制肌纤维收 缩ꎬ带动人体骨骼肌系统完成动作ꎮ 同时ꎬ人体感觉器官感知 肌肉收缩速度、收缩力以及关节转角等运动状态ꎬ及时反馈到 􀅰８２􀅰 中华物理医学与康复杂志 ２０２１ 年 １ 月第 ４３ 卷第 １ 期 Ｃｈｉｎ Ｊ Ｐｈｙｓ Ｍｅｄ Ｒｅｈａｂｉｌꎬ Ｊａｎｕａｒｙ ２０２１ꎬ Ｖｏｌ. ４３ꎬ Ｎｏ.１

中华物理医学与康复杂志2021年1月第43卷第1期Chin J Phys Med Rehabil,January202l,Vol.43,No.1 ·83· 神经中枢系统 控制器 度· 为 神经信号 控制信号 运动神经元 驱动系统 传感器 运动意图 运动指令 人体感知系统 肌纤维 外骨骼机器人 肌肉收缩 人体骨酪 人体运动 外骨骼运动 人体运动中枢系统 人一-外骨酪系统 外骨酪机器人系统 图1人体-外骨骼控制系统 神经中枢系统，对人体运动进行主动或反射式的反馈调整，从 而通过采集生物电信号，分析并提取人的运动意图，将其作为 而构成一个闭环控制系统。然而，对于大多数的下肢运动功 控制信号以更加灵活安全地进行康复机器人交互训练，使得 能障碍患者，当运动神经通路受到损伤时，运动神经信号无法 康复机器人能够主动“理解”人的行为意图。目前，下肢外骨 向下传递到肌纤维产生收缩力，因此不能进行有效的运动控 骼机器人的感知系统多是通过传感器获取并分析人体关节等 制：另外，当感知器官神经通路受到损伤时，患者无法感知下 运动信息，并根据运动学和动力学的相似性原理，将人体各个 肢运动状况，下肢也无法进行准确、稳定的运动控制。故人体 关节随时间的变化规律运用到外骨骼结构对应的关节上，建 对下肢进行有效运动控制的前提是保证运动控制系统闭环回 立基于人类步态数据的步态规划。由于此种控制方式是一种 路的完整性。 典型的被动式控制，下肢外骨骼机器人系统只能在特定时间 外骨骼机器人的运动控制系统如图1所示，人体产生控 内按照已知的动作模式执行相应的动作，而人机间的交互性 制信号，将外骨骼关节运动信息作为反馈信号，运动控制器获 差，难以完成高随意性的多动作模式的切换。考虑到可穿戴 取目标关节转矩来控制驱动系统，从而带动外骨酪相应关节 下肢外骨骼机器人作为助老助残等智能康复助行辅具，常常 转动。因此，具有完整运动功能的下肢外骨骼机器人是下肢 需要动作模式切换，因此，感知系统必须要准确识别人体运动 运动功能障碍患者理想的代偿设备。而人机交互接口使患者 意图，以保证模式间的流畅切换和高精度的人机动作协调一 可以根据自身要求控制外骨骼机器人进行自主运动，并反馈 致，并增强人机系统间的交互性和不同动作模式下的自适应 下肢外骨酪机器人的运动信息，及时修正偏差，实现人体与外 能力。 骨骼的协调运动，从而使外骨骼机器人技术真正应用于临床 人机交互感知分类 康复治疗]。 二、下肢外骨骼机器人感知控制的原理 人机交互感知要求人体与外骨骼之间进行双向通信，外 下肢动力外骨骼控制系统主要包括感知系统和控制决策 骨骼提供机械动力并将信息反馈给穿戴者：同时，外骨骼从穿 系统。首先，感知系统通过多类人机交互接口获取人体下肢 戴者那里接收并解释预定的运动信息，实时向穿戴者传递机 某动作状态下的运动意图并进行分析、处理，然后通过一定的 械动力。智能人机交互系统主要包括运动信息和人体生理信 控制策略驱动外骨骼完成相应的动作。 息的感知与交互。因此，按照人体运动神经和肌肉外骨骼系 生物电信号可直观反映人的运动意图，力/力矩是人体运 统执行过程分析，可以将信息感知大致分为三类，即大脑皮质 动意图的直观体现。如肌电信号能够较为直观反映患者肌肉 活动意图感知、外围神经活动感知和下肢运动（关节力矩和位 状态，脑电信号能够直观反映大脑皮质相关运动区域状况，因 置)感知（表1） 表1人体运动意图感知分类 信息感知类别 人机交互方式 感知信息 感知方法 大脑皮质活动意图感知 感知型人机交互 脑电信号 脑机接口 外围神经活动感知 感知型人机交互 肌电信号 肌电传感器 下肢运动感知 物理型人机交互 运动学信息力、力矩信息 角度传感器、压力传感器、陀螺仪等

图 １ 人体￣外骨骼控制系统 神经中枢系统ꎬ对人体运动进行主动或反射式的反馈调整ꎬ从 而构成一个闭环控制系统ꎮ 然而ꎬ对于大多数的下肢运动功 能障碍患者ꎬ当运动神经通路受到损伤时ꎬ运动神经信号无法 向下传递到肌纤维产生收缩力ꎬ因此不能进行有效的运动控 制ꎻ另外ꎬ当感知器官神经通路受到损伤时ꎬ患者无法感知下 肢运动状况ꎬ下肢也无法进行准确、稳定的运动控制ꎮ 故人体 对下肢进行有效运动控制的前提是保证运动控制系统闭环回 路的完整性ꎮ 外骨骼机器人的运动控制系统如图 １ 所示ꎬ人体产生控 制信号ꎬ将外骨骼关节运动信息作为反馈信号ꎬ运动控制器获 取目标关节转矩来控制驱动系统ꎬ从而带动外骨骼相应关节 转动ꎮ 因此ꎬ具有完整运动功能的下肢外骨骼机器人是下肢 运动功能障碍患者理想的代偿设备ꎮ 而人机交互接口使患者 可以根据自身要求控制外骨骼机器人进行自主运动ꎬ并反馈 下肢外骨骼机器人的运动信息ꎬ及时修正偏差ꎬ实现人体与外 骨骼的协调运动ꎬ从而使外骨骼机器人技术真正应用于临床 康复治疗[１２] ꎮ 二、下肢外骨骼机器人感知控制的原理 下肢动力外骨骼控制系统主要包括感知系统和控制决策 系统ꎮ 首先ꎬ感知系统通过多类人机交互接口获取人体下肢 某动作状态下的运动意图并进行分析、处理ꎬ然后通过一定的 控制策略驱动外骨骼完成相应的动作ꎮ 生物电信号可直观反映人的运动意图ꎬ力/ 力矩是人体运 动意图的直观体现ꎮ 如肌电信号能够较为直观反映患者肌肉 状态ꎬ脑电信号能够直观反映大脑皮质相关运动区域状况ꎬ因 而通过采集生物电信号ꎬ分析并提取人的运动意图ꎬ将其作为 控制信号以更加灵活安全地进行康复机器人交互训练ꎬ使得 康复机器人能够主动“理解”人的行为意图ꎮ 目前ꎬ下肢外骨 骼机器人的感知系统多是通过传感器获取并分析人体关节等 运动信息ꎬ并根据运动学和动力学的相似性原理ꎬ将人体各个 关节随时间的变化规律运用到外骨骼结构对应的关节上ꎬ建 立基于人类步态数据的步态规划ꎮ 由于此种控制方式是一种 典型的被动式控制ꎬ下肢外骨骼机器人系统只能在特定时间 内按照已知的动作模式执行相应的动作ꎬ而人机间的交互性 差ꎬ难以完成高随意性的多动作模式的切换ꎮ 考虑到可穿戴 下肢外骨骼机器人作为助老助残等智能康复助行辅具ꎬ常常 需要动作模式切换ꎬ因此ꎬ感知系统必须要准确识别人体运动 意图ꎬ以保证模式间的流畅切换和高精度的人￣机动作协调一 致ꎬ并增强人机系统间的交互性和不同动作模式下的自适应 能力ꎮ 人机交互感知分类 人机交互感知要求人体与外骨骼之间进行双向通信ꎬ外 骨骼提供机械动力并将信息反馈给穿戴者ꎻ同时ꎬ外骨骼从穿 戴者那里接收并解释预定的运动信息ꎬ实时向穿戴者传递机 械动力ꎮ 智能人机交互系统主要包括运动信息和人体生理信 息的感知与交互ꎮ 因此ꎬ按照人体运动神经和肌肉外骨骼系 统执行过程分析ꎬ可以将信息感知大致分为三类ꎬ即大脑皮质 活动意图感知、外围神经活动感知和下肢运动(关节力矩和位 置)感知(表 １) ꎮ 表 １ 人体运动意图感知分类 信息感知类别 人机交互方式 感知信息 感知方法 大脑皮质活动意图感知 感知型人机交互 脑电信号 脑机接口 外围神经活动感知 感知型人机交互 肌电信号 肌电传感器 下肢运动感知 物理型人机交互 运动学信息力、力矩信息 角度传感器、压力传感器、陀螺仪等 中华物理医学与康复杂志 ２０２１ 年 １ 月第 ４３ 卷第 １ 期 Ｃｈｉｎ Ｊ Ｐｈｙｓ Ｍｅｄ Ｒｅｈａｂｉｌꎬ Ｊａｎｕａｒｙ ２０２１ꎬ Ｖｏｌ. ４３ꎬ Ｎｏ.１ 􀅰８３􀅰

…84· 中华物理医学与康复杂志2021年1月第43卷第1期Chim』Phys Med Rehabil,January2021,Vol.43,No.1 一、基于脑电信号的大脑皮质活动意图检测 动情况下的肌电信号监测、肌肉疲劳估计、肌肉行为预测及运 人体的运动意图来源于大脑皮质，大脑皮质作为运动产 动识别等。基于肌电信号(electromyogram,EMG)的外围神经 生的最顶层，既能调整脊髓（中央模式生成器），又能调整反射 活动检测通常采用表面肌电信号(surface electromyogram, 机制]。人在行走过程中，主要由中枢神经系统产生期望的 sEMG)作为信号源，通过粘贴于人体皮肤表面的一组贴片电 步态模式，大脑感知周围环境并根据环境和自身状态做出相 极直接进行无创伤检测，并经过放大、滤波，判断出各肌肉的 应的模式调整。但是大脑皮质同时控制人体多种任务，研究 活动程度，从而识别出人体下肢的动作模式并控制外骨骼的 人员要从中解码出单一部位的控制指令是非常困难的，而且 运动，准确性高、无滞后性3。 下肢运动产生于人的中枢神经系统，因此很难直接通过大脑 三、基于传统物理传感器的下肢肢体运动检测 皮质获得下肢运动信息。但是，大脑在人行走过程中的全局 人体下肢肢体的运动主要通过肌肉收缩产生的动力，牵 性规划、运动模式切换等方面具有极大优势，故在人机系统中 拉骨骼产生杠杆运动，产生关节力矩，并反映在关节转角等运 主要用来切换运动模式、改变行走方向等。 动信息上。因此下肢肢体运动（关节力矩和位置）感知主要是 基于大脑皮质的下肢运动控制信号来自于脑机接口， 通过传统的物理传感器来完成，包括关节位置传感器，人机交 脑机接口可以将脑电活动转换为运动控制指令并作用于人机 互力传感器，姿态传感器，足底压力传感器等，这类传感器通 交互控制系统。目前，可用于脑机接口系统的神经电生理信 用性强，并且具有持续性、稳健性(robutness)等优势，能够较 号主要为头皮脑电位(electroencephalogram,EEG)【。EEG 精确地反映人体当前的关节角度、角速度、运动加速度、人机 信号的获取只需将贴片电极或盘状电极固定于头皮即可采集 交互力等运动信息。 大脑的电活动信号，实时性好，应用广泛，获取大脑活动信号 如表2所示，目前常用的运动感知系统主要由关节角度/ 的过程不会对患者造成损害，且EEG信号采集设备技术成熟、 角速度/加速度仪、力传感器等物理传感器组成，然而，此类传 成本低、便携性好，因此可用于采取大脑皮质信号来获取人的 感器信号稳定性不强，采集的大多是静态、滞后的运动信 运动意图，作为输入信号来调整运动训练参数以及训练策略， 息[2)，加上信号采集的时间、控制的延迟以及外骨骼存在的 帮助严重的肢体残疾患者和交流障碍患者实现与康复机器人 机械延时，会对外骨骼的实时运动控制造成一定影响，不利于 间的交流和控制，提高患者参与康复训练的积极性。 人机系统的协调控制。相反，生物信号能够进行超前准确的 二、基于肌电信号的外围神经活动检测 运动意图识别和预测，如脑电信号具有意识超前于具体动作 人体肌电信号是中枢神经系统支配的肌肉神经控制信 行为的特点，可预先完成人体运动方向的判断，但由于EEG的 号一动作电位，其动作电位来源于人体运动神经元，能够反 信噪比较低(2]，且极易发生变化，很难直接采用EEG信号控 映出人体骨骼肌的激活状态：并且肌电信号大约先于骨骼肌 制外骨骼：肌电信号直接反映人体动作中各肌肉的活动情况， 收缩100ms产生[)，能够提前感知肌肉收缩意图。因此，通 可以准确、快速的识别人体下肢动作，但易受肌肉疲劳程度 过对肌电信号进行活动检测，可以感知人体运动意图并用于 电极贴放位置、皮肤接触程度等因素影响[2]，使得其应用中 外骨骼控制。 稳健性较差，而且此方法不适用于运动神经失能患者和肌肉 目前，肌电信号广泛应用于临床康复过程中，用于患者运 严重萎缩的重症脑卒中患者。因此，我们应根据各感知信号 表2典型下肢动力外骨骼运动感知系统 序号 团队 外骨骼名称 适用人群 传感器 1 美国加州大学伯克利分校 BLEEXO可 士兵 编码器、线性加速度计、六轴力传感器、脚 踏开关、压力传感器、倾斜仪 韩国延世大学 Walking assistance lower limb exoskele- 下肢瘫痪 角度传感器、力传感器、脚底接触传感器、 ton[16] 倾角仪 3 美国弗洛里达理工学院 Minal 1s] 四肢瘫 旋转编码器、直线编码器，脚底开关 日本佐贺大学 Lower limb power assist exoskele- 下肢无力 编码器，力传感器、EMG传感器、激光测距 ton[is] 传感器、足底接触传感器 5 日本神奈川工科大学 power assist robots[] 护士 电阻式应变压力传感器 6 日本筑波大学 hybrid assistive limb exoskeleton[6] 下肢瘫痪 角度传感器、姿态传感器、足底压力传感 器、EMG传感器 7 日本名古屋大学 Wearable Power-Assist Locomotor[] 下肢瘫痪 三轴角加速度传感器、足底压力传感器、编 码器 美国 Ekso[5] 截瘫 角度传感器、压力传感器 9 新加坡国立大学 Knee-Ankle-Foot Robot[20] 下肢功能障碍 EMG传感器，角度传感器，力传感器，加速 度传感器 10 美国休斯敦大学 NeuroRex(21] 截瘫 无线64通道EEG电极帽 11 荷兰特文特大学 MindWalker[22] 脊髓损伤 智能干性脑电生理传感器 12 美国杜克大学 Bra-SantosDumont[23] 截瘫 脑机接▣ 13 北京大艾机器人科技有限公司 Ailegs(24] 截瘫 薄膜压力传感器、加速度传感器 14 上海尖叫智能科技公司 Scream One[2s] 残疾人 EMG传感器、力传感器 5 傅里叶智能科技有限公司 Fourier X1[26] 偏瘫 力传感器

一、基于脑电信号的大脑皮质活动意图检测 人体的运动意图来源于大脑皮质ꎬ大脑皮质作为运动产 生的最顶层ꎬ既能调整脊髓(中央模式生成器) ꎬ又能调整反射 机制[７] ꎮ 人在行走过程中ꎬ主要由中枢神经系统产生期望的 步态模式ꎬ大脑感知周围环境并根据环境和自身状态做出相 应的模式调整ꎮ 但是大脑皮质同时控制人体多种任务ꎬ研究 人员要从中解码出单一部位的控制指令是非常困难的ꎬ而且 下肢运动产生于人的中枢神经系统ꎬ因此很难直接通过大脑 皮质获得下肢运动信息ꎮ 但是ꎬ大脑在人行走过程中的全局 性规划、运动模式切换等方面具有极大优势ꎬ故在人机系统中 主要用来切换运动模式、改变行走方向等ꎮ 基于大脑皮质的下肢运动控制信号来自于脑￣机接口ꎬ 脑￣机接口可以将脑电活动转换为运动控制指令并作用于人机 交互控制系统ꎮ 目前ꎬ可用于脑机接口系统的神经电生理信 号主要为 头 皮 脑 电 位 ( ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍꎬ ＥＥＧ) [１２] ꎮ ＥＥＧ 信号的获取只需将贴片电极或盘状电极固定于头皮即可采集 大脑的电活动信号ꎬ实时性好ꎬ应用广泛ꎬ获取大脑活动信号 的过程不会对患者造成损害ꎬ且 ＥＥＧ 信号采集设备技术成熟、 成本低、便携性好ꎬ因此可用于采取大脑皮质信号来获取人的 运动意图ꎬ作为输入信号来调整运动训练参数以及训练策略ꎬ 帮助严重的肢体残疾患者和交流障碍患者实现与康复机器人 间的交流和控制ꎬ提高患者参与康复训练的积极性ꎮ 二、基于肌电信号的外围神经活动检测 人体肌电信号是中枢神经系统支配的肌肉神经控制信 号———动作电位ꎬ其动作电位来源于人体运动神经元ꎬ能够反 映出人体骨骼肌的激活状态ꎻ并且肌电信号大约先于骨骼肌 收缩 １００ ｍｓ 产生[１１] ꎬ能够提前感知肌肉收缩意图ꎮ 因此ꎬ通 过对肌电信号进行活动检测ꎬ可以感知人体运动意图并用于 外骨骼控制ꎮ 目前ꎬ肌电信号广泛应用于临床康复过程中ꎬ用于患者运 动情况下的肌电信号监测、肌肉疲劳估计、肌肉行为预测及运 动识别等ꎮ 基于肌电信号( ｅｌｅｃｔｒｏｍｙｏｇｒａｍꎬＥＭＧ) 的外围神经 活动 检 测 通 常 采 用 表 面 肌 电 信 号 ( ｓｕｒｆａｃｅ ｅｌｅｃｔｒｏｍｙｏｇｒａｍꎬ ｓＥＭＧ)作为信号源ꎬ通过粘贴于人体皮肤表面的一组贴片电 极直接进行无创伤检测ꎬ并经过放大、滤波ꎬ判断出各肌肉的 活动程度ꎬ从而识别出人体下肢的动作模式并控制外骨骼的 运动ꎬ准确性高、无滞后性[３１] ꎮ 三、基于传统物理传感器的下肢肢体运动检测 人体下肢肢体的运动主要通过肌肉收缩产生的动力ꎬ牵 拉骨骼产生杠杆运动ꎬ产生关节力矩ꎬ并反映在关节转角等运 动信息上ꎮ 因此下肢肢体运动(关节力矩和位置)感知主要是 通过传统的物理传感器来完成ꎬ包括关节位置传感器ꎬ人机交 互力传感器ꎬ姿态传感器ꎬ足底压力传感器等ꎬ这类传感器通 用性强ꎬ并且具有持续性、稳健性( ｒｏｂｕｔｎｅｓｓ) 等优势ꎬ能够较 精确地反映人体当前的关节角度、角速度、运动加速度、人机 交互力等运动信息ꎮ 如表 ２ 所示ꎬ目前常用的运动感知系统主要由关节角度/ 角速度/ 加速度仪、力传感器等物理传感器组成ꎬ然而ꎬ此类传 感器信号稳定性不强ꎬ采集的大多是静态、滞后的运动信 息[２７] ꎬ加上信号采集的时间、控制的延迟以及外骨骼存在的 机械延时ꎬ会对外骨骼的实时运动控制造成一定影响ꎬ不利于 人机系统的协调控制ꎮ 相反ꎬ生物信号能够进行超前准确的 运动意图识别和预测ꎬ如脑电信号具有意识超前于具体动作 行为的特点ꎬ可预先完成人体运动方向的判断ꎬ但由于 ＥＥＧ 的 信噪比较低[２８] ꎬ且极易发生变化ꎬ很难直接采用 ＥＥＧ 信号控 制外骨骼ꎻ肌电信号直接反映人体动作中各肌肉的活动情况ꎬ 可以准确、快速的识别人体下肢动作ꎬ但易受肌肉疲劳程度、 电极贴放位置、皮肤接触程度等因素影响[２９] ꎬ使得其应用中 稳健性较差ꎬ而且此方法不适用于运动神经失能患者和肌肉 严重萎缩的重症脑卒中患者ꎮ因此ꎬ我们应根据各感知信号 表 ２ 典型下肢动力外骨骼运动感知系统 序号 团队 外骨骼名称 适用人群 传感器 １ 美国加州大学伯克利分校 ＢＬＥＥＸ [１] 士兵 编码器、线性加速度计、六轴力传感器、脚 踏开关、压力传感器、倾斜仪 ２ 韩国延世大学 Ｗａｌｋｉｎｇ ａｓｓｉｓｔａｎｃｅ ｌｏｗｅｒ ｌｉｍｂ ｅｘｏｓｋｅｌｅ￣ ｔｏｎ [１６] 下肢瘫痪 角度传感器、力传感器、脚底接触传感器、 倾角仪 ３ 美国弗洛里达理工学院 Ｍｉｎａ [１８] 四肢瘫 旋转编码器、直线编码器ꎬ脚底开关 ４ 日本佐贺大学 Ｌｏｗｅｒ ｌｉｍｂ ｐｏｗｅｒ ａｓｓｉｓｔ ｅｘｏｓｋｅｌｅ￣ ｔｏｎ [１８] 下肢无力 编码器、力传感器、ＥＭＧ 传感器、激光测距 传感器、足底接触传感器 ５ 日本神奈川工科大学 ｐｏｗｅｒ ａｓｓｉｓｔ ｒｏｂｏｔｓ [１９] 护士 电阻式应变压力传感器 ６ 日本筑波大学 ｈｙｂｒｉｄ ａｓｓｉｓｔｉｖｅ ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎ [６] 下肢瘫痪 角度传感器、姿态传感器、足底压力传感 器、ＥＭＧ 传感器 ７ 日本名古屋大学 Ｗｅａｒａｂｌｅ Ｐｏｗｅｒ￣Ａｓｓｉｓｔ Ｌｏｃｏｍｏｔｏｒ [１９] 下肢瘫痪 三轴角加速度传感器、足底压力传感器、编 码器 ８ 美国 Ｅｋｓｏ [５] 截瘫 角度传感器、压力传感器 ９ 新加坡国立大学 Ｋｎｅｅ￣Ａｎｋｌｅ￣Ｆｏｏｔ Ｒｏｂｏｔ [２０] 下肢功能障碍 ＥＭＧ 传感器ꎬ角度传感器ꎬ力传感器ꎬ加速 度传感器 １０ 美国休斯敦大学 ＮｅｕｒｏＲｅｘ [２１] 截瘫 无线 ６４ 通道 ＥＥＧ 电极帽 １１ 荷兰特文特大学 ＭｉｎｄＷａｌｋｅｒ [２２] 脊髓损伤 智能干性脑电生理传感器 １２ 美国杜克大学 Ｂｒａ￣ＳａｎｔｏｓＤｕｍｏｎｔ [２３] 截瘫 脑机接口 １３ 北京大艾机器人科技有限公司 Ａｉｌｅｇｓ [２４] 截瘫 薄膜压力传感器、加速度传感器 １４ 上海尖叫智能科技公司 Ｓｃｒｅａｍ Ｏｎｅ [２５] 残疾人 ＥＭＧ 传感器、力传感器 １５ 傅里叶智能科技有限公司 Ｆｏｕｒｉｅｒ Ｘ１ [２６] 偏瘫 力传感器 􀅰８４􀅰 中华物理医学与康复杂志 ２０２１ 年 １ 月第 ４３ 卷第 １ 期 Ｃｈｉｎ Ｊ Ｐｈｙｓ Ｍｅｄ Ｒｅｈａｂｉｌꎬ Ｊａｎｕａｒｙ ２０２１ꎬ Ｖｏｌ. ４３ꎬ Ｎｏ.１

中华物理医学与康复杂志2021年1月第43卷第1期Chin J Phys Med Rehabil,January2021,Vol.43,No.1 ·85· 的优缺点以及适用人群对外骨骼感知系统进行合理规划并对 略将人机交互过程中产生脑电信号、关节角度信息、足底压力 多源、高通量、时变、非线性的多模态信息〔30进行融合分析， 信息、肌电信号等信息进行数据融合，使人机交互系统能充分 从而获取人机状态或运动趋势，充分提高传感器的利用效率 发挥生物信号的全局性、主观性、实时性以及物理信号的持续 和人机耦合协同性能。 性、稳健性，别除它们之间的冗余信息，并扩展多类信号之间 产生的协同信息，以此实现外骨骼机器人自然、安全、高效的 多模态信号感知系统 仿人步态【)。因此，多模态信息融合感知系统可以为以后的 人机交互控制的关键前提是精确识别出人体运动意图。 下肢外骨酪康复机器人的人机交互方式提供一种更加人性 基于人体运动意图的交互控制利用采集得到的人体生物电信 化、个性化的思路，保障控制决策系统的及时性和连续性，也 号直接控制康复机器人，或者通过人机系统动力学模型及力 使得外骨酪机器人更加智能化。 位传感器测量值计算得到人体主动施加力矩控制康复机器 参考文献 人。但是，单一的感知方法并不能有效识别人体运动意图，外 骨骼系统存在非线性、摩擦、不确定性干扰等因素，且会受自 [1]Zoss AB,Kazerooni H,Chu A.Biomechanical design of the Berkeley 身因素的影响。多模态信号感知系统采用多信息融合的感知 lower extremity exoskeleton BLEEX)[J].IEEE ASME Trans Mecha- 方法融合多个人机接口的信息，克服自身的不足，充分发挥它 ton,2006,11(2):128-138.D0I:10.1109/TECH.2006.871087 们之间的互补作用，将人体的运动控制信息准确传递给外骨 [2]Walsh CJ,Endo K,Herr H.A quasi-passive leg exoskeleton for load- 骼系统，并将外骨骼的运动信息实时反馈给穿戴者，使得超 carrying augmentation[J].Int J Humanoid Robot,2007,4(3):487- 506.D0L:10.1142/S0219843607001126. 前、高精度和高随意度的主动式控制模式代替传统的单一、确 [3]Nathalia C,Marcela M,Catalina G,et al.Social human-robot interac- 定的人体步态的被动式控制模式，从而实现人机系统协调 tion for gait rehabilitation[J].IEEE Trans Neural Syst Rehabil Eng, 控制。 2020,28(6):1299-1307.D0I:10.1109/TNSRE.2020.2987428. 多模态信号感知系统的研究可以提高状态切换决策的安 [4]Benson I,Hart K,Tussler D,et al.Lower-limb exoskeletons for indi- 全性和稳健性。目前，国内外越来越多的学者开始研究多模 viduals with chronic spinal cord injury:Findings from a feasibility 态感知系统，他们将多种信号相结合，来获取人机运动信息， study[J].Clin Rehabil,2016,30(1):253-254.D0L:10.1177/ 并取得了较好的效果。如Leeb等[3]将EMG和EEG同时用 0269215515575166. 于外骨骼意图识别，这种方式使得意图识别精确率达到91%， [5]Swank C.Sikka S,Driver S,et al.Feasibility of integrating robotic 且抗疲劳能力更强，与单一生物信号相比，两种信号的结合可 exoskeleton gait training in inpatient rehabilitation.[J].Disabil Reha- 以更好地为人机系统提供辅助。刘笃信等[]结合物理传感 bil,2020,15(4):409-417.D01:10.1080/17483107.2019. 1587014. 器和脑-机接口，将足底压力传感器和关节角度传感器用于人 [6]Tsurushima H,Mizukami M,Yoshikawa,K,et al.Effectiveness of a 机运动状态识别，脑机接口识别运动模式切换，这种融合策略 walking program involving the hybrid assistive limb robotic exoskeleton 使得人机系统平均任务正常完成率可达82.2%.，在保证运动 suit for improving walking ability in stroke patients:protocol for a ran- 过程安全的同时，确保运动状态切换准确灵活进行，使得整个 domized controlled trial[]].JMIR Res Protoc,2019,8(10):e14001. 运动过程灵活可靠。王海莲等[2]提出了基于三种感知方法 D0I:10.2196/14001. 的混合控制策略，即脑电信号超前性完成人体动作方向的识 [7]Takahashi CD,Der-Yeghiaian L,Le V,et al,Robot-based hand mo- 别：表面肌电信号识别下肢动作模式：光纤动作捕捉系统实时 tor therapy after stroke[J].Brain,2008,131(2):425-437.DOI:10. 反馈人体运动位置和姿态，此方式可以精确判别出某种特定 1093/brain/awm311. 的动作模式，并应用于外骨骼系统。 [8]梁旭，王卫群，侯增广，等.康复机器人的人机交互控制方法[J].中 总之，通过上述对多模态人机交互的分析可知，物理传感 国科学：信息科学，2018.48(1)24-46.D0l:10.1360/N112017- 00072. 器实时检测和感知人体关节角度变化、角速度变化以及人机 [9]Benabid AL,Costecalde T,Eliseyev A,et al.An exoskeleton con- 交互力信息，生物信号超前而准确的识别和预测运动意图，可 trolled by an epidural wireless brain-machine interface in a tetraplegic 克服单一信号的不足，紧密结合物理信号和生物信号的应用 patient:a proof-of-concept demonstration[J.Lancet Neurol,2019.18 特点，优化人机交互策略，对人体运动信息进行更准确的融 (12):1112-1122.D01:10.1016/S1474-4422(19)30321-7. 合，真正实现以人的主观意图控制外骨骼机器人系统完成预 [10]刘笃信.下肢外骨骼机器人多模融合控制策略研究[D].中国科学 定动作。 院大学（中国科学院深圳先进技术研究院），2018. [11]岳敬伟脑机协调控制理论与关键技术研究[D].国防科技大学， 总结 2015. 准确可靠地识别出人机交互系统中的人体运动意图是实 [12]范渊杰基于MG与交互力等多源信号融合的下肢外骨骼康复 机器人及其临床实验研究[D].上海交通大学，2014. 现人机交互柔顺控制的关键，也是提高患者康复训练效果的 [13]Li N,Yan L,Qian H,et al.Review on lower extremity exoskeleton 前提。该结果提示，在下肢外骨骼机器人控制过程中，使用单 robot[J].Open Autom Control Syst J,2015,7(1):441-453.DOI: 一信号源的人-机交互信息，不能准确传达人机交互过程中的 10.2174/1874444301507010441. 人机系统的运动意图、运动状态等信息，无法有效保障人机系 [14]Ma Y,Wu X,Wang C,et al.Gait phase classification and assist 统协同的准确性、全局性与实时性等。而多模态信息融合策 torque prediction for a lower limb exoskeleton eystem using kernel re-

的优缺点以及适用人群对外骨骼感知系统进行合理规划并对 多源、高通量、时变、非线性的多模态信息[３０] 进行融合分析ꎬ 从而获取人机状态或运动趋势ꎬ充分提高传感器的利用效率 和人机耦合协同性能ꎮ 多模态信号感知系统 人机交互控制的关键前提是精确识别出人体运动意图ꎮ 基于人体运动意图的交互控制利用采集得到的人体生物电信 号直接控制康复机器人ꎬ或者通过人机系统动力学模型及力 位传感器测量值计算得到人体主动施加力矩控制康复机器 人ꎮ 但是ꎬ单一的感知方法并不能有效识别人体运动意图ꎬ外 骨骼系统存在非线性、摩擦、不确定性干扰等因素ꎬ且会受自 身因素的影响ꎮ 多模态信号感知系统采用多信息融合的感知 方法融合多个人机接口的信息ꎬ克服自身的不足ꎬ充分发挥它 们之间的互补作用ꎬ将人体的运动控制信息准确传递给外骨 骼系统ꎬ并将外骨骼的运动信息实时反馈给穿戴者ꎬ使得超 前、高精度和高随意度的主动式控制模式代替传统的单一、确 定的人体步态的被动式控制模式ꎬ从而实现人机系统协调 控制ꎮ 多模态信号感知系统的研究可以提高状态切换决策的安 全性和稳健性ꎮ 目前ꎬ国内外越来越多的学者开始研究多模 态感知系统ꎬ他们将多种信号相结合ꎬ来获取人机运动信息ꎬ 并取得了较好的效果ꎮ 如 Ｌｅｅｂ 等[３１] 将 ＥＭＧ 和 ＥＥＧ 同时用 于外骨骼意图识别ꎬ这种方式使得意图识别精确率达到 ９１％ꎬ 且抗疲劳能力更强ꎬ与单一生物信号相比ꎬ两种信号的结合可 以更好地为人机系统提供辅助ꎮ 刘笃信等[１０] 结合物理传感 器和脑￣机接口ꎬ将足底压力传感器和关节角度传感器用于人 机运动状态识别ꎬ脑￣机接口识别运动模式切换ꎬ这种融合策略 使得人机系统平均任务正常完成率可达 ８２.２％ꎬ在保证运动 过程安全的同时ꎬ确保运动状态切换准确灵活进行ꎬ使得整个 运动过程灵活可靠ꎮ 王海莲等[３２] 提出了基于三种感知方法 的混合控制策略ꎬ即脑电信号超前性完成人体动作方向的识 别ꎻ表面肌电信号识别下肢动作模式ꎻ光纤动作捕捉系统实时 反馈人体运动位置和姿态ꎬ此方式可以精确判别出某种特定 的动作模式ꎬ并应用于外骨骼系统ꎮ 总之ꎬ通过上述对多模态人机交互的分析可知ꎬ物理传感 器实时检测和感知人体关节角度变化、角速度变化以及人机 交互力信息ꎬ生物信号超前而准确的识别和预测运动意图ꎬ可 克服单一信号的不足ꎬ紧密结合物理信号和生物信号的应用 特点ꎬ优化人机交互策略ꎬ对人体运动信息进行更准确的融 合ꎬ真正实现以人的主观意图控制外骨骼机器人系统完成预 定动作ꎮ 总结 准确可靠地识别出人机交互系统中的人体运动意图是实 现人机交互柔顺控制的关键ꎬ也是提高患者康复训练效果的 前提ꎮ 该结果提示ꎬ在下肢外骨骼机器人控制过程中ꎬ使用单 一信号源的人￣机交互信息ꎬ不能准确传达人机交互过程中的 人机系统的运动意图、运动状态等信息ꎬ无法有效保障人机系 统协同的准确性、全局性与实时性等ꎮ 而多模态信息融合策 略将人机交互过程中产生脑电信号、关节角度信息、足底压力 信息、肌电信号等信息进行数据融合ꎬ使人机交互系统能充分 发挥生物信号的全局性、主观性、实时性以及物理信号的持续 性、稳健性ꎬ剔除它们之间的冗余信息ꎬ并扩展多类信号之间 产生的协同信息ꎬ以此实现外骨骼机器人自然、安全、高效的 仿人步态[３３] ꎮ 因此ꎬ多模态信息融合感知系统可以为以后的 下肢外骨骼康复机器人的人机交互方式提供一种更加人性 化、个性化的思路ꎬ保障控制决策系统的及时性和连续性ꎬ也 使得外骨骼机器人更加智能化ꎮ 参 考 文 献 [１] Ｚｏｓｓ ＡＢꎬ Ｋａｚｅｒｏｏｎｉ Ｈꎬ Ｃｈｕ Ａ. Ｂｉｏｍｅｃｈａｎｉｃａｌ ｄｅｓｉｇｎ ｏｆ ｔｈｅ Ｂｅｒｋｅｌｅｙ ｌｏｗｅｒ ｅｘｔｒｅｍｉｔｙ ｅｘｏｓｋｅｌｅｔｏｎ (ＢＬＥＥＸ)[Ｊ]. ＩＥＥＥ ＡＳＭＥ Ｔｒａｎｓ Ｍｅｃｈａ￣ ｔｒｏｎꎬ ２００６ꎬ １１(２): １２８￣１３８. ＤＯＩ: １０. １１０９ / ＴＭＥＣＨ.２００６.８７１０８７. [２] Ｗａｌｓｈ ＣＪꎬ Ｅｎｄｏ Ｋꎬ Ｈｅｒｒ Ｈ. Ａ ｑｕａｓｉ￣ｐａｓｓｉｖｅ ｌｅｇ ｅｘｏｓｋｅｌｅｔｏｎ ｆｏｒ ｌｏａｄ￣ ｃａｒｒｙｉｎｇ ａｕｇｍｅｎｔａｔｉｏｎ[Ｊ]. Ｉｎｔ Ｊ Ｈｕｍａｎｏｉｄ Ｒｏｂｏｔꎬ ２００７ꎬ ４(３): ４８７￣ ５０６. ＤＯＩ: １０.１１４２ / Ｓ０２１９８４３６０７００１１２６. [３] Ｎａｔｈａｌｉａ Ｃꎬ Ｍａｒｃｅｌａ Ｍꎬ Ｃａｔａｌｉｎａ Ｇꎬ ｅｔ ａｌ. Ｓｏｃｉａｌ ｈｕｍａｎ￣ｒｏｂｏｔ ｉｎｔｅｒａｃ￣ ｔｉｏｎ ｆｏｒ ｇａｉｔ ｒｅｈａｂｉｌｉｔａｔｉｏｎ[ Ｊ]. ＩＥＥＥ Ｔｒａｎｓ Ｎｅｕｒａｌ Ｓｙｓｔ Ｒｅｈａｂｉｌ Ｅｎｇꎬ ２０２０ꎬ２８(６):１２９９￣１３０７. ＤＯＩ: １０. １１０９ / ＴＮＳＲＥ.２０２０.２９８７４２８. [４] Ｂｅｎｓｏｎ Ｉꎬ Ｈａｒｔ Ｋꎬ Ｔｕｓｓｌｅｒ Ｄꎬ ｅｔ ａｌ. Ｌｏｗｅｒ￣ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎｓ ｆｏｒ ｉｎｄｉ￣ ｖｉｄｕａｌｓ ｗｉｔｈ ｃｈｒｏｎｉｃ ｓｐｉｎａｌ ｃｏｒｄ ｉｎｊｕｒｙ: Ｆｉｎｄｉｎｇｓ ｆｒｏｍ ａ ｆｅａｓｉｂｉｌｉｔｙ ｓｔｕｄｙ[Ｊ]. Ｃｌｉｎ Ｒｅｈａｂｉｌꎬ ２０１６ꎬ ３０ ( １): ２５３￣２５４. ＤＯＩ: １０. １１７７ / ０２６９２１５５１５５７５１６６. [５] Ｓｗａｎｋ Ｃꎬ Ｓｉｋｋａ Ｓꎬ Ｄｒｉｖｅｒ Ｓꎬ ｅｔ ａｌ. Ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｉｎｔｅｇｒａｔｉｎｇ ｒｏｂｏｔｉｃ ｅｘｏｓｋｅｌｅｔｏｎ ｇａｉｔ ｔｒａｉｎｉｎｇ ｉｎ ｉｎｐａｔｉｅｎｔ ｒｅｈａｂｉｌｉｔａｔｉｏｎ. [Ｊ]. Ｄｉｓａｂｉｌ Ｒｅｈａ￣ ｂｉｌꎬ ２０２０ꎬ １５ ( ４ ): ４０９￣４１７. ＤＯＩ: １０. １０８０ / １７４８３１０７. ２０１９. １５８７０１４. [６] Ｔｓｕｒｕｓｈｉｍａ Ｈꎬ Ｍｉｚｕｋａｍｉ Ｍꎬ Ｙｏｓｈｉｋａｗａꎬ Ｋꎬ ｅｔ ａｌ. Ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ａ ｗａｌｋｉｎｇ ｐｒｏｇｒａｍ ｉｎｖｏｌｖｉｎｇ ｔｈｅ ｈｙｂｒｉｄ ａｓｓｉｓｔｉｖｅ ｌｉｍｂ ｒｏｂｏｔｉｃ ｅｘｏｓｋｅｌｅｔｏｎ ｓｕｉｔ ｆｏｒ ｉｍｐｒｏｖｉｎｇ ｗａｌｋｉｎｇ ａｂｉｌｉｔｙ ｉｎ ｓｔｒｏｋｅ ｐａｔｉｅｎｔｓ: ｐｒｏｔｏｃｏｌ ｆｏｒ ａ ｒａｎ￣ ｄｏｍｉｚｅｄ ｃｏｎｔｒｏｌｌｅｄ ｔｒｉａｌ[Ｊ]. ＪＭＩＲ Ｒｅｓ Ｐｒｏｔｏｃꎬ２０１９ꎬ８(１０): ｅ１４００１. ＤＯＩ: １０.２１９６ / １４００１. [７] Ｔａｋａｈａｓｈｉ ＣＤꎬ Ｄｅｒ￣Ｙｅｇｈｉａｉａｎ Ｌꎬ Ｌｅ Ｖꎬ ｅｔ ａｌꎬ Ｒｏｂｏｔ￣ｂａｓｅｄ ｈａｎｄ ｍｏ￣ ｔｏｒ ｔｈｅｒａｐｙ ａｆｔｅｒ ｓｔｒｏｋｅ[Ｊ]. Ｂｒａｉｎꎬ ２００８ꎬ１３１(２): ４２５￣４３７. ＤＯＩ: １０. １０９３ / ｂｒａｉｎ / ａｗｍ３１１. [８] 梁旭ꎬ王卫群ꎬ侯增广ꎬ等.康复机器人的人机交互控制方法[ Ｊ].中 国科学:信息科学ꎬ ２０１８ꎬ４８ ( １) ２４￣４６. ＤＯＩ: １０. １３６０ / Ｎ１１２０１７￣ ０００７２. [９] Ｂｅｎａｂｉｄ ＡＬꎬ Ｃｏｓｔｅｃａｌｄｅ Ｔꎬ Ｅｌｉｓｅｙｅｖ Ａꎬ ｅｔ ａｌ. Ａｎ ｅｘｏｓｋｅｌｅｔｏｎ ｃｏｎ￣ ｔｒｏｌｌｅｄ ｂｙ ａｎ ｅｐｉｄｕｒａｌ ｗｉｒｅｌｅｓｓ ｂｒａｉｎ￣ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ ｉｎ ａ ｔｅｔｒａｐｌｅｇｉｃ ｐａｔｉｅｎｔ: ａ ｐｒｏｏｆ￣ｏｆ￣ｃｏｎｃｅｐｔ ｄｅｍｏｎｓｔｒａｔｉｏｎ[Ｊ]. Ｌａｎｃｅｔ Ｎｅｕｒｏｌꎬ２０１９.１８ (１２):１１１２￣１１２２. ＤＯＩ: １０.１０１６ / Ｓ１４７４￣４４２２(１９)３０３２１￣７. [１０] 刘笃信.下肢外骨骼机器人多模融合控制策略研究[Ｄ].中国科学 院大学(中国科学院深圳先进技术研究院)ꎬ ２０１８. [１１] 岳敬伟.脑机协调控制理论与关键技术研究[Ｄ].国防科技大学ꎬ ２０１５. [１２] 范渊杰.基于 ｓＥＭＧ 与交互力等多源信号融合的下肢外骨骼康复 机器人及其临床实验研究[Ｄ]. 上海交通大学ꎬ ２０１４. [１３] Ｌｉ Ｎꎬ Ｙａｎ Ｌꎬ Ｑｉａｎ Ｈꎬ ｅｔ ａｌ. Ｒｅｖｉｅｗ ｏｎ ｌｏｗｅｒ ｅｘｔｒｅｍｉｔｙ ｅｘｏｓｋｅｌｅｔｏｎ ｒｏｂｏｔ[Ｊ]. Ｏｐｅｎ Ａｕｔｏｍ Ｃｏｎｔｒｏｌ Ｓｙｓｔ Ｊꎬ ２０１５ꎬ ７(１):４４１￣４５３. ＤＯＩ: １０.２１７４ / １８７４４４４３０１５０７０１０４４１. [１４] Ｍａ Ｙꎬ Ｗｕ Ｘꎬ Ｗａｎｇ Ｃꎬ ｅｔ ａｌ. Ｇａｉｔ ｐｈａｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ａｓｓｉｓｔ ｔｏｒｑｕｅ ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ａ ｌｏｗｅｒ ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎ ｅｙｓｔｅｍ ｕｓｉｎｇ ｋｅｒｎｅｌ ｒｅ￣ 中华物理医学与康复杂志 ２０２１ 年 １ 月第 ４３ 卷第 １ 期 Ｃｈｉｎ Ｊ Ｐｈｙｓ Ｍｅｄ Ｒｅｈａｂｉｌꎬ Ｊａｎｕａｒｙ ２０２１ꎬ Ｖｏｌ. ４３ꎬ Ｎｏ.１ 􀅰８５􀅰

·86· 中华物理医学与康复杂志2021年1月第43卷第1期Chin J Phys Med Rehabil,January202l,Vol.43,No.1 cursive least-squares method J].Sensors,2019.19(24):5449. covery in paraplegic patients[J].Sci Rep 6,2016,6(6):30383. D0I:10.3390/s19245449. D0l:10.1038/srep30383. [15]Kim JH,Han JW,Kim DY.Design of a walking assistance lower limb [24]李雪敏.大艾机器人：让患者站起来，重获行走的信心[J】科技创 exoskeleton for paraplegic patients and hardware validation using Cop 新与品牌，2019.8：48-51. [J].Int J Adv Robot Syst,2013,10(113):40-42.D0I:10.5772/ [25]戴宗妙，都军民.外骨骼机器人研究现状及面临的问题[J】.现代制 55336. 造工程，2019,3：154-161.D0:10.16731/j.cmki.1671-3133.2019. [16]Mummolo C,Peng WZ,Agarwal S,et al.Stability of Mina v2 for ro- 03.027. bot-assisted balance and locomotion[J].Front Neurorobot,2018,12: [26]李龙飞，朱凌云，苟向锋.可穿戴下肢外骨酪康复机器人研究现状 62.D0I:10.3389/fbot.2018.00062. 与发展趋势[J].医疗卫生装备，2019,40(12)：89-97.D01:10. [17]Pamungkas DS,Caesarendra W.Soebakti H,et al.Overview:types 19745/j.1003-8868.2019308. of lower limb exoskeletons [J ]Electronics,2019,8(11):1283. [27]黄梓亮，方晨吴，欧阳小平，等.基于多信息融合的下肢外骨酪机器 D0I:10.3390/electronics8111283. 人感知系统研究[J】工程设计学报，2018,25(2)：160-166.D01: [18]Rahman SMM,Ikeura R,Hayakawa S.et al.Design guidelines for 10.3785/j.issn.1006-754X.2018.02.005. power assist robots for lifting heavy objects considering weight percep- [28 Lee K,Liu D,Perroud L,et al.A brain-controlled exoskeleton with tion,grasp differences and worst-cases[].Int J Mechatro Autom, cascaded event-related desynchronization classifiers[].Rob Auton 2011,1(1):46-59.D0L:10.1504/MA.2011.039155. Syst,2016,90(C):15-23.D0I:10.1016/j.robt.2016.10.005. [19]Yatsuya K,Hirano S,Saitoh E,et al.Comparison of energy efficiency [29]许辉.助力型下肢外骨骼感知控制系统的研究与设计[D].成都： between Wearable Power-Assist Locomotor (WPAL)and two types of 电子科技大学，2019. knee-ankle-foot orthoses with a medial single hip joint (MSH-KAFO) [30]Benabid AL,Costecalde T,Eliseyev A,et al.An exoskeleton con- [J].J Spinal Cord Med,2018,41(1):48-54.D0I:10.1080/ trolled by an epidural wireless brain-machine interface in a tetraplegic 10790268.2016.1226701. patient:a proof-of-concept demonstration[J].Lancet Neurol,2019, [20]Chen G,Qi P.Yu HY,et al.Mechanical design and evaluation of a 18(12):1112-1122.D01:10.1016/S1474-4422(19)30321-7. compact portable knee-ankle-foot robot for gait rehabilitation[.Mech [31]Leeb R,Sagha H,Chavarriaga R.et al.A hybrid brain-computer in- Mach Theory,2016,9(103):51-64.DOI:10.1016/j.mechmach- terface based on the fusion of electroence phalographic and electromyo- theory.2016.04.012 graphie activities [J].Neural Eng.2011.8(2):25011-25016.DOI: [21]Benabid AL,Costecalde T,Eliseyev A,et al.An exoskeleton con- 10.1088/1741-2560/8/2/025011. trolled by an epidural wireless brain-machine interface in a tetraplegic [32]王海莲人体下肢运动意图的脑机多源感知方法研究[D]西安： patient:a proof-of-concept demonstration[J].Lancet Neurol,2019, 西北工业大学，2018. 18(12):1112-1122.D01:10.1016/S1474-4422(19)30321-7. [33]明东，蒋晟龙，王忠鹏，等.基于人机信息交互的助行外骨骼机器人 [22]Marco MDRS,Vitiello N,Lenzi T,et al.Sensing pressure distribution 技术进展[J].自动化学报，2017,43(7)：1089-1100.D0I:10. on a lower-limb exoskeleton physical human-machine interface[J]. 16383/j.aas.2017c160032. Sensors,2011,11(1):207-227.D01:10.3390/s110100207. [23]Donati A,Shokur S,Morya E,et al.Long-term training with a brain- (修回日期：2020-12-02) machine interface-based gait protocol induces partial neurological re- (本文编辑：阮仕衡)

ｃｕｒｓｉｖｅ ｌｅａｓｔ￣ｓｑｕａｒｅｓ ｍｅｔｈｏｄ [ Ｊ]. Ｓｅｎｓｏｒｓꎬ ２０１９ꎬ １９ ( ２４ ): ５４４９. ＤＯＩ: １０.３３９０ / ｓ１９２４５４４９. [１５] Ｋｉｍ ＪＨꎬ Ｈａｎ ＪＷꎬ Ｋｉｍ ＤＹ. Ｄｅｓｉｇｎ ｏｆ ａ ｗａｌｋｉｎｇ ａｓｓｉｓｔａｎｃｅ ｌｏｗｅｒ ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎ ｆｏｒ ｐａｒａｐｌｅｇｉｃ ｐａｔｉｅｎｔｓ ａｎｄ ｈａｒｄｗａｒｅ ｖａｌｉｄａｔｉｏｎ ｕｓｉｎｇ ＣｏＰ [Ｊ]. Ｉｎｔ Ｊ Ａｄｖ Ｒｏｂｏｔ Ｓｙｓｔꎬ ２０１３ꎬ１０( １１３):４０￣４２. ＤＯＩ: １０.５７７２ / ５５３３６. [１６] Ｍｕｍｍｏｌｏ Ｃꎬ Ｐｅｎｇ ＷＺꎬ Ａｇａｒｗａｌ Ｓꎬ ｅｔ ａｌ. Ｓｔａｂｉｌｉｔｙ ｏｆ Ｍｉｎａ ｖ２ ｆｏｒ ｒｏ￣ ｂｏｔ￣ａｓｓｉｓｔｅｄ ｂａｌａｎｃｅ ａｎｄ ｌｏｃｏｍｏｔｉｏｎ[Ｊ]. Ｆｒｏｎｔ Ｎｅｕｒｏｒｏｂｏｔꎬ ２０１８ꎬ１２: ６２. ＤＯＩ: １０.３３８９ / ｆｎｂｏｔ.２０１８.０００６２. [１７] Ｐａｍｕｎｇｋａｓ ＤＳꎬ Ｃａｅｓａｒｅｎｄｒａ Ｗꎬ Ｓｏｅｂａｋｔｉ Ｈꎬ ｅｔ ａｌ. Ｏｖｅｒｖｉｅｗ: ｔｙｐｅｓ ｏｆ ｌｏｗｅｒ ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎｓ [ Ｊ]. Ｅｌｅｃｔｒｏｎｉｃｓꎬ ２０１９ꎬ ８ ( １１): １２８３. ＤＯＩ: １０.３３９０ / ｅｌｅｃｔｒｏｎｉｃｓ８１１１２８３. [１８] Ｒａｈｍａｎ ＳＭＭꎬ Ｉｋｅｕｒａ Ｒꎬ Ｈａｙａｋａｗａ Ｓꎬ ｅｔ ａｌ. Ｄｅｓｉｇｎ ｇｕｉｄｅｌｉｎｅｓ ｆｏｒ ｐｏｗｅｒ ａｓｓｉｓｔ ｒｏｂｏｔｓ ｆｏｒ ｌｉｆｔｉｎｇ ｈｅａｖｙ ｏｂｊｅｃｔｓ ｃｏｎｓｉｄｅｒｉｎｇ ｗｅｉｇｈｔ ｐｅｒｃｅｐ￣ ｔｉｏｎꎬ ｇｒａｓｐ ｄｉｆｆｅｒｅｎｃｅｓ ａｎｄ ｗｏｒｓｔ￣ｃａｓｅｓ [ Ｊ]. Ｉｎｔ Ｊ Ｍｅｃｈａｔｒｏ Ａｕｔｏｍꎬ ２０１１ꎬ １(１): ４６￣５９. ＤＯＩ: １０.１５０４ / ＩＪＭＡ.２０１１.０３９１５５. [１９] Ｙａｔｓｕｙａ Ｋꎬ Ｈｉｒａｎｏ Ｓꎬ Ｓａｉｔｏｈ Ｅꎬ ｅｔ ａｌ. Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｃｙ ｂｅｔｗｅｅｎ Ｗｅａｒａｂｌｅ Ｐｏｗｅｒ￣Ａｓｓｉｓｔ Ｌｏｃｏｍｏｔｏｒ (ＷＰＡＬ) ａｎｄ ｔｗｏ ｔｙｐｅｓ ｏｆ ｋｎｅｅ￣ａｎｋｌｅ￣ｆｏｏｔ ｏｒｔｈｏｓｅｓ ｗｉｔｈ ａ ｍｅｄｉａｌ ｓｉｎｇｌｅ ｈｉｐ ｊｏｉｎｔ (ＭＳＨ￣ＫＡＦＯ) [Ｊ ]. Ｊ Ｓｐｉｎａｌ Ｃｏｒｄ Ｍｅｄꎬ ２０１８ꎬ ４１ ( １ ): ４８￣５４. ＤＯＩ: １０. １０８０ / １０７９０２６８.２０１６. １２２６７０１. [２０] Ｃｈｅｎ Ｇꎬ Ｑｉ Ｐꎬ Ｙｕ ＨＹꎬ ｅｔ ａｌ. Ｍｅｃｈａｎｉｃａｌ ｄｅｓｉｇｎ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｏｆ ａ ｃｏｍｐａｃｔ ｐｏｒｔａｂｌｅ ｋｎｅｅ￣ａｎｋｌｅ￣ｆｏｏｔ ｒｏｂｏｔ ｆｏｒ ｇａｉｔ ｒｅｈａｂｉｌｉｔａｔｉｏｎ[Ｊ]. Ｍｅｃｈ Ｍａｃｈ Ｔｈｅｏｒｙꎬ ２０１６ꎬ９ ( １０３): ５１￣６４. ＤＯＩ: １０. １０１６ / ｊ. ｍｅｃｈｍａｃｈ￣ ｔｈｅｏｒｙ.２０１６.０４.０１２. [２１] Ｂｅｎａｂｉｄ ＡＬꎬ Ｃｏｓｔｅｃａｌｄｅ Ｔꎬ Ｅｌｉｓｅｙｅｖ Ａꎬ ｅｔ ａｌ. Ａｎ ｅｘｏｓｋｅｌｅｔｏｎ ｃｏｎ￣ ｔｒｏｌｌｅｄ ｂｙ ａｎ ｅｐｉｄｕｒａｌ ｗｉｒｅｌｅｓｓ ｂｒａｉｎ￣ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ ｉｎ ａ ｔｅｔｒａｐｌｅｇｉｃ ｐａｔｉｅｎｔ: ａ ｐｒｏｏｆ￣ｏｆ￣ｃｏｎｃｅｐｔ ｄｅｍｏｎｓｔｒａｔｉｏｎ[ Ｊ]. Ｌａｎｃｅｔ Ｎｅｕｒｏｌꎬ ２０１９ꎬ １８(１２):１１１２￣１１２２. ＤＯＩ: １０.１０１６ / Ｓ１４７４￣４４２２(１９)３０３２１￣７. [ ２２] Ｍａｒｃｏ ＭＤＲＳꎬ Ｖｉｔｉｅｌｌｏ Ｎꎬ Ｌｅｎｚｉ Ｔꎬ ｅｔ ａｌ. Ｓｅｎｓｉｎｇ ｐｒｅｓｓｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｎ ａ ｌｏｗｅｒ￣ｌｉｍｂ ｅｘｏｓｋｅｌｅｔｏｎ ｐｈｙｓｉｃａｌ ｈｕｍａｎ￣ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ [ Ｊ]. Ｓｅｎｓｏｒｓꎬ ２０１１ꎬ１１(１):２０７￣２２７. ＤＯＩ: １０.３３９０ / ｓ１１０１００２０７. [２３] Ｄｏｎａｔｉ Ａꎬ Ｓｈｏｋｕｒ Ｓꎬ Ｍｏｒｙａ Ｅꎬ ｅｔ ａｌ. Ｌｏｎｇ￣ｔｅｒｍ ｔｒａｉｎｉｎｇ ｗｉｔｈ ａ ｂｒａｉｎ￣ ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ￣ｂａｓｅｄ ｇａｉｔ ｐｒｏｔｏｃｏｌ ｉｎｄｕｃｅｓ ｐａｒｔｉａｌ ｎｅｕｒｏｌｏｇｉｃａｌ ｒｅ￣ ｃｏｖｅｒｙ ｉｎ ｐａｒａｐｌｅｇｉｃ ｐａｔｉｅｎｔｓ[ Ｊ]. Ｓｃｉ Ｒｅｐ ６ꎬ ２０１６ꎬ６ ( ６): ３０３８３. ＤＯＩ:１０.１０３８ / ｓｒｅｐ３０３８３. [２４] 李雪敏.大艾机器人:让患者站起来ꎬ重获行走的信心[ Ｊ].科技创 新与品牌ꎬ ２０１９ꎬ８:４８￣５１. [２５] 戴宗妙ꎬ都军民.外骨骼机器人研究现状及面临的问题[ Ｊ].现代制 造工程ꎬ ２０１９ꎬ３:１５４￣１６１. ＤＯＩ: １０.１６７３１ / ｊ. ｃｎｋｉ.１６７１￣３１３３.２０１９. ０３.０２７. [２６] 李龙飞ꎬ朱凌云ꎬ苟向锋.可穿戴下肢外骨骼康复机器人研究现状 与发展趋势[ Ｊ].医疗卫生装备ꎬ２０１９ꎬ４０ ( １２):８９￣９７. ＤＯＩ: １０. １９７４５ / ｊ.１００３￣８８６８.２０１９３０８. [２７] 黄梓亮ꎬ方晨昊ꎬ欧阳小平ꎬ等.基于多信息融合的下肢外骨骼机器 人感知系统研究[Ｊ].工程设计学报ꎬ ２０１８ꎬ ２５(２):１６０￣１６６. ＤＯＩ: １０.３７８５ / ｊ.ｉｓｓｎ.１００６￣７５４Ｘ.２０１８.０２.００５. [２８] Ｌｅｅ Ｋꎬ Ｌｉｕ Ｄꎬ Ｐｅｒｒｏｕｄ Ｌꎬ ｅｔ ａｌ. Ａ ｂｒａｉｎ￣ｃｏｎｔｒｏｌｌｅｄ ｅｘｏｓｋｅｌｅｔｏｎ ｗｉｔｈ ｃａｓｃａｄｅｄ ｅｖｅｎｔ￣ｒｅｌａｔｅｄ ｄｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ｃｌａｓｓｉｆｉｅｒｓ [ Ｊ]. Ｒｏｂ Ａｕｔｏｎ Ｓｙｓｔꎬ ２０１６ꎬ ９０(Ｃ):１５￣２３. ＤＯＩ: １０.１０１６ / ｊ.ｒｏｂｏｔ.２０１６. １０.００５. [２９] 许辉.助力型下肢外骨骼感知控制系统的研究与设计[Ｄ].成都: 电子科技大学ꎬ２０１９. [３０] Ｂｅｎａｂｉｄ ＡＬꎬ Ｃｏｓｔｅｃａｌｄｅ Ｔꎬ Ｅｌｉｓｅｙｅｖ Ａꎬ ｅｔ ａｌ. Ａｎ ｅｘｏｓｋｅｌｅｔｏｎ ｃｏｎ￣ ｔｒｏｌｌｅｄ ｂｙ ａｎ ｅｐｉｄｕｒａｌ ｗｉｒｅｌｅｓｓ ｂｒａｉｎ￣ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ ｉｎ ａ ｔｅｔｒａｐｌｅｇｉｃ ｐａｔｉｅｎｔ: ａ ｐｒｏｏｆ￣ｏｆ￣ｃｏｎｃｅｐｔ ｄｅｍｏｎｓｔｒａｔｉｏｎ[ Ｊ]. Ｌａｎｃｅｔ Ｎｅｕｒｏｌꎬ ２０１９ꎬ １８(１２):１１１２￣１１２２. ＤＯＩ: １０.１０１６ / Ｓ１４７４￣４４２２(１９)３０３２１￣７. [３１] Ｌｅｅｂ Ｒꎬ Ｓａｇｈａ Ｈꎬ Ｃｈａｖａｒｒｉａｇａ Ｒꎬ ｅｔ ａｌ. Ａ ｈｙｂｒｉｄ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎ￣ ｔｅｒｆａｃｅ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｅｌｅｃｔｒｏｅｎｃｅ ｐｈａｌｏｇｒａｐｈｉｃ ａｎｄ ｅｌｅｃｔｒｏｍｙｏ￣ ｇｒａｐｈｉｃ ａｃｔｉｖｉｔｉｅｓ [ Ｊ]. Ｎｅｕｒａｌ Ｅｎｇ.２０１１ꎬ８( ２):２５０１１￣２５０１６. ＤＯＩ: １０.１０８８ / １７４１￣２５６０ / ８ / ２ / ０２５０１１. [３２] 王海莲.人体下肢运动意图的脑机多源感知方法研究[Ｄ].西安: 西北工业大学ꎬ２０１８. [３３] 明东ꎬ蒋晟龙ꎬ王忠鹏ꎬ等.基于人机信息交互的助行外骨骼机器人 技术进展[ Ｊ]. 自动化学报ꎬ２０１７ꎬ ４３ ( ７):１０８９￣１１００. ＤＯＩ: １０. １６３８３ / ｊ.ａａｓ.２０１７ｃ１６００３２. (修回日期:２０２０￣１２￣０２) (本文编辑:阮仕衡) 􀅰８６􀅰 中华物理医学与康复杂志 ２０２１ 年 １ 月第 ４３ 卷第 １ 期 Ｃｈｉｎ Ｊ Ｐｈｙｓ Ｍｅｄ Ｒｅｈａｂｉｌꎬ Ｊａｎｕａｒｙ ２０２１ꎬ Ｖｏｌ. ４３ꎬ Ｎｏ.１