不同类型传感器在智能仿生假肢运动意图识别中的应用

魏绮杨勇 陈山林

作者单位：100035 北京积水潭医院手外科

肢体缺损或缺如对于患者的生活质量、工作能力和心理状态将产生很大影响[1-5]。佩戴假肢是重建肢体功能，改善该类人群生活质量的重要手段。尽管目前假肢领域，特别在智能仿生假肢领域发展迅速，但在实际应用中，尤其是上肢假肢的使用过程中仍存在误判率高，使用感受差等缺点，因而上肢假肢的弃用率很高[6-10]。

人体在和假肢的交互过程中，假肢如何精确快速的识别人体运动意图是提高智能假肢应用重要节点。而在这个节点上，假肢上不同类型的传感器发挥着关键的作用。目前有多种不同类型的传感器被应用于假肢，现就各种传感器的工作原理、信号识别的特点的研究进展综述如下。

一、独立应用的假肢传感器

1. 肌电信号 ( electromyography，EMG )：

( 1 ) 体表肌电信号 ( surface electromyography，sEMG )：sEMG 是一种技术相对成熟的传感器，其应用范围广泛，目前多数假肢采用 sEMG 进行人体运动意图的识别。应用时，在一对拮抗肌 ( 比如肱二头肌与肱三头肌 ) 的体表位置贴上两组电极，通过采集并解析 EMG 实现识别运动意图和对假肢的操控[11]。体表肌电传感器是商业上肢假肢主流的传感器类型。但是 sEMG 存在信号稳定性有限，易受汗液及皮肤表面状况影响等不利因素[12]；而且信号源的数目不足，只有两组电极操控多自由度的假肢的非常困难。尤其对于高平面截肢的患者来说，往往需要通过有限肌群进行不同模式的收缩来切换电极对于肘、腕以及手抓握模式间的控制[11]。因此，从 sEMG 的基础上，假肢的意图识别产生大量的创新和演变。

一些研究者采用了改变信号来源部位的方式提高信号的信息量和可行性。例如，用小腿操控的上肢假肢是一种可行而且容易学习的策略，因为腿部和手部有着类似的皮层支配形式。被试可以用单腿踝部＋脚趾的动作完成操控假肢拇指屈伸 / 剩余四指屈伸 / 腕屈伸 / 前臂内外旋的控制。尽管踝的内外旋和内外翻在检测下较为容易出现混淆，但限制部分自由度后，其反应速度与一些靶肌肉再神经化 ( targeted muscle reinnervation，TMR )、普通 sEMG假肢没有显著差异。并且 TMR 需要几个月进行康复训练，而该方法的训练时间可以短至 1 h。因此，对于截肢10 年以上或不希望手术的患者来说，其可行性存在明显优势[13]。总体而言，使用腿部控制上肢假肢的学习过程愉快而轻松[14]。该实验中特意设定在控制过程中，脚必须有某处着地的条件，进而为站立时的假肢控制提供了前提。

另一些研究者试图通过改变信号来源的生理结构以提高其稳定性和信息量，例如 TMR。TMR 是通过尚完整的脑皮层－外周神经通路，利用肌肉组织间接作为放大器获取神经信号的技术[15]。该技术适用于肘以上截肢的患者，因为此人群残留的肌肉过少，sEMG 很难获取关于肢体远端尤其是手部运动的运动意图。因此，该方法通过将支配手部运动的神经移位至胸背部肌肉，进而通过胸背部肌肉获取控制手部的运动信号。总体来说，肌肉再神经化开始于术后 8～12 周，从手术完成到 EMG 达到足以操纵假肢的强度的时间大约为 3～4 个月[16]。TMR 术后，在方块与盒的实验中，被试较佩戴传统假肢时，在规定时间内多移动了 ( 323±151 ) % 的方块[17]。同时，更舒适的穿戴感，更高的生活质量和更本能化的假肢控制感也都得到实验证实[18]。此外，可能由于神经瘤的切除及缝合过程给近端神经纤维一个生长的空间，很多受试报告显示幻肢痛的程度得到减轻[19]。

( 2 ) 肌肉内肌电信号 ( intramuscular electromyogram，iEMG )：iEMG 是将电极直接置入肌肉内采集肌电信号的手段。iEMG 在能够得到更多的信号来源的同时，也拥有更强烈清晰的信号，对于操纵更多自由度的假肢存在明显的优势。受试者能够使用 iEMG 操纵假肢进行灵活的动作[20]。

也有研究者考虑使用肌肉作为神经信号放大器，比如利用 iEMG 制作可再生神经接口 ( regenerative peripheral nerve interfaces，RPNIs )。该技术通过将神经断端缝于自体分割出的小块肌肉组织移植物的肌外膜上，经过 4 个月时间的再神经化，插入双极电极[21-22]，制作出比 TMR 信号更弱的“神经信号放大器”，其通过 iEMG 测得的峰值电压是正常肌肉组织的 2%～14%。已有研究证实，恒河猴使用该技术可以完成简单的手指屈伸任务。其技术的优势在于不受受体肌肉数目的限制，该学者认为，可以通过对近端残留神经束的解剖，分离出支配单个肌肉的神经，并且单独为每一束制作 RPNIs，相关的研究仍在进行[23]。

2. 神经接口 ( neural interface )：另一个重要的信号来源，来自于神经接口技术。该类技术作为一个重要的研究领域，存在大量具体的研究方向。在目前的材料学及组织生理学条件下，既有了较大的进展，但也的确存在发展瓶颈。目前主要的神经接口有束外和束内两种。

( 1 ) 束外电极：束外电极是指放置在神经束膜 ( 或外膜 ) 之外的电极，最初的束外电极呈螺旋形包绕神经[24]。继其出现 Cuff 电极，该名称来源于其类似袖口的形状，电极片被放置在神经膜外部，围绕神经一圈，可以与自身缝合或缝合固定在神经外膜上。Cuff 电极具有侵入性小、使用安全的优点，而且由于其对神经较小的损伤，使得它的电极材料能够在生物体内保持更稳定的状态。目前 Cuff 电极在人体中发挥作用的最长时间是 10 年，是目前在人体内持续使用时间最长的神经电极[25]。其不足在于由于电极的非侵入性，该电极无法记录单个神经纤维的信号，其记录实际上是整个神经束在神经电位产生时导致的电压总和，因此无法区别传入及传出信号。一个可能的思路是依靠神经纤维传导信号的速度，比如较粗的神经纤维传导速度快于较细的神经纤维区别传入及传出纤维的信号[26]。考虑到幻肢痛等疾病很大程度上源于外周神经瘤的形成，导致 A 及 C 纤维的不规律放电[27]，如果无法区分传入及传出纤维的活动，势必会对假肢的控制产生影响。

FINE 电极则是在 Cuff 电极基础上的革新，通过将圆形的神经压扁成椭圆形，增加对于内部神经束的选择性，刺激神经放电需要的电压也小于一般的圆形束外电极[28]。其在人体中能够持续且稳定发挥记录作用的时间至少 6 个月[29]。

( 2 ) 束内电极：束内电极则有 LIFE ( longitudinal intrafascicular electrodes )、TIME ( transverse intrafascicular multichannel electrode ) 和 USEA ( utah slanted electrode array ) 等。其中，LIFE 利用直针平行于神经束轴穿入束膜内，在束膜下方走行一段后穿出，将电极放置在束膜内部。TIME垂直于神经束轴，将一排电极放置在神经束内[30]。USEA则是用多排电极组成一个阶梯状的阵列，以确保电极最终能在横截面上接触该神经束内的每一束神经纤维[31]。这些电极在生物活体内，各自有效持续时间最长的研究为 3 个月[32]，30 天[33]和 7 个月[34]。

除束内及束外电极之外，还有一种形式较为特殊的神经电极，被称为再生神经接口，目前最常见的该类型也被称为“多通道网筛”，其原理在于横向切断神经，将近端连接于一个含有大量网眼的接收器上[35]，经过约 1 周时间，神经长入网筛后，电极直接从神经纤维收集电压信号[36]。有研究表明网筛较 TIME 具有更高的信号强度及信噪比，以及更稳定的电压[37]。

3. 其它传感器：还有一些传感器接收的是其它类型的信号。通过将电容传感器与手术技术相结合，研究者创造出了肌肉再分布技术，通过截肢手术过程中将肌腱缝在皮下的方式增强皮肤的形变，从而增加识别效率。在测试抓握、屈腕、伸腕、屈指、伸指等动作的过程中，使用电容传感器的识别准确率 ( 在应用两种不同分类算法的情况下 )达到 97.27% 和 100%[38]。

单独使用非侵入性的脑电信号 ( electroencephalogram，EEG ) 识别健康受试者三种手运动模式 ( 拇指，示指，拳 ) 的一项研究显示平均 70% 的动作识别准确率，其中眨眼频繁的受试者的准确率总体低于其它受试者[39]。在另一项中国科学院深圳先进技术研究院进行的研究中，通过使用 64 个通道收集的非侵入性 EEG，将多种算法的动作分类结果进行合并后，对伸握拳、前臂旋前旋后及无动作这 5 个动作的识别准确率在 4 例高位截肢的男性受试中达到 99.5%[40]。一项健康人识别 3 个动作和 4 个动作的测试中，肌肉超声图像分析判断动作的成功率分别达到71% 和 77%[41]。纳米金制作的袖套可以测量肌肉的形变信号，在 6 例受试者身上达到 90.9% 的动作识别准确率，并且受到皮肤表面影响的程度更小[42]。

同时，有研究通过对比 EMG 及惯性感受器 ( inertial measurements，IM ) 的联合应用与单独使用 IM 的准确率，发现在使用肌磁图 ( magnetomyogram，MAG )，IM 的一种进行控制时，单独应用 MAG 与和 EMG 联合应用时对多种手势 ( 手指活动、抓握、腕部活动 ) 的分类误差率没有显著差异[43]。

4. 算法：在算法领域，研究者持续创新，致力于更好地从信号中提取和分辨信息，以输出更能体现使用者真实意图的控制信号。比如贝叶斯信号提取滤波器 ( bayesian source filter for signal extraction，BSFE )，在使用 FINE 收集信号时，不但能提高各神经束信号的分辨率，而且能够达到传统的 Champagne、SBF 等算法 3～20 倍的信噪比[44]。还有一些算法可以让假肢的运动过程更加顺畅，更少卡顿，比如 Kalman 滤波器，作为新型线性滤波器的一员，通过构建与传统的线性滤波器不同的公式，在传统的位置公式之外增加一个轨迹公式，使得信号输入相同的情况下，假肢动作中的抽动更少，使用感受也更好[23]。

二、复合信号传感器

目前还有联合多种传感器采集运动信号的研究，其中以各种传感器和 EMG 的联合最多。惯性检测单元 ( inertial measurement unit，IMU ) 和 sEMG 的配合相比单种传感器展现出效率上的优势。一项 IMU 和 EMG 配合的研究改变传统的控制策略，对于上臂截肢的患者，除了在肱二头肌和肱三头肌表面皮肤放置的电极之外，还在假肢的肘部和前臂放置 IMU 传感器。当 IMU 传感器检测到上臂及前臂均保持静止一段时间后 ( 即肩关节无动作，且肘关节无动作 )，两组 EMG 电极片的信号转换成手部控制模式，同时锁定肘关节。当肩关节有运动时，则锁定手部动作，转而利用 EMG 控制肘关节。该操纵策略在完成抓取放置任务时的速度相比传统的通过肱二头肌及肱三头肌同时收缩完成切换的策略提高 34%[45]。另一个研究使用算法将 IMU信号以及假肢指端的机械压力传感器信号作为上下文信息，同 EMG 的操纵信号进行算法整合。在传统的机械控制信号之前，增加一个被称为上下文组件 ( context aware component，CAC ) 的整合算法，接受 IMU 和机械传感器的信号输入，并且经过训练，其输出结果用来调整传统的肌电控制 ( conventional myoelectric controller，MYO ) 的参数，这个策略显著提高动作的准确性，在该实验中完全消灭违背使用者意愿的假信号，使用者的操控感受也得到较大提升[46]。

EEG 在结合 EMG 的使用中也发挥有效作用。一项研究使用 EMG 控制肘关节动作，EEG 控制腕及抓握、手指动作，两种传感器分别能够达到 90% 及 65%～70% 的准确率[47]。另一方面，在一项同样面对高位截肢人群的研究中，将 32 位 sEMG 及 64 位 EEG 信号的输出控制通过算法进行混合，测试伸握拳、前臂旋前旋后及无动作 5 个动作，动作识别准确率最高可达到 87.0%[48]。

肌动图 ( mechanomyography，MMG ) 是记录肌肉收缩时横向振动的力学信号，其不受汗液及皮肤表面情况的干扰。有研究表明，在 5 名健康受试者利用 EMG 及 MMG 同时收集的信号对 7 个动作进行分类，可以达到 83.5% 的准确率[49]。另外，从高位截瘫人群使用的光标控制中，有研究者得到利用舌配件切换抓握模式的灵感。舌感应控制系统 ( inductive tongue control system，ITCS ) 是一种由固定在上颚上的金属板和用生物胶固定在舌尖上的金属球组成的系统，通过用金属球接触金属板的不同区域，受试者可以从 5 种抓握模式中选择使用其中一种，并且用贴在肢体残端上的成对 sEMG 电极信号操纵实际的抓握强度。在一项将之与通过同时收缩成对肌肉来切换抓握模式的纯 EMG控制假肢表现相对比的实验中，其完成整套抓握动作的用时下降 35.4%[50]。除了采集信号的传感器之间的结合外，采集与输入信号的传感器之间的配合也是研究热点之一[51]。实验证明通过神经刺激产生的触觉及本体感觉反馈能显著增强使用者在判断不可见物体的大小时，对自己结果的信心及准确率。在提供不同类型的反馈时，结果也有不同：在提供触觉反馈时，受试者对物体柔软度的判断准确率增加；在提供本体反馈时，对物体大小的判断准确率上升。假肢施加于被测物体的压力也有明显减小[52]。

综上所述，在基础领域中，手术方式、传感器设计以及算法设计都在不断突破。( 1 ) 手术方式上，由于截肢过程中肌肉的丢失，而外周神经系统却因其与中枢神经系统的联系仍然完整而包含更多的信息，与外周神经系统有关的手术设计得到越来越多的关注。众多研究者试图以多种方法得到更加精确而完整的运动信号，有些人使用残余肌肉等器官作为转换中介，另一些人致力于设计出可以和神经直接通话交流的传感器。( 2 ) 传感器设计上，更多的传感器也正在被逐渐纳入到研究者的视野当中，有些来自于高位截瘫的生活辅助工具 ( 比如：EEG，ITCS )，有些来自于临床或者生物学实验中使用的检测方法 ( 如超声、MMG )。( 3 ) 除此之外，从意图分类到假肢运动轨迹的转换控制，都离不开算法的持续创新与有机结合。

而在应用领域中，充满创新的控制方式和多种传感器的联合应用也带来显而易见的效率提升。使用与手术部位无关的健康肢体 ( 比如腿部、舌 ) 控制假肢，不但不必然影响患者其它功能 ( 如行走、站立和说话 )，而且能够将训练所需的时间大大缩短。单种的传感器可能受到环境干扰 ( 比如 sEMG 对汗液的敏感 ) 可以被其它传感器的特性弥补。具有定量优势的传感器和定性优势的传感器相结合，能够提高整体活动的效率和速度。而适当的反馈，能够比单方面的输出得到更精细的操控结果。