機器人輔助手部運動神經(jīng)康復系統(tǒng)的進展與趨勢研究

程綺穎，王友好，杜 強，李 陽，羅靜靜,2,3，王洪波,2,3

(1.復旦大學 工程與應用技術研究院 智能機器人研究院，上海 200043；2.復旦大學 智能機器人教育部工程研究中心, 上海 200433；3.復旦大學 上海智能機器人工程技術研究中心, 上海 200433；4.北京航空航天大學 自動化科學與電氣工程學院，大數(shù)據(jù)精準醫(yī)療高精尖創(chuàng)新中心，大數(shù)據(jù)腦機智能高精尖創(chuàng)新中心，北京 100191)

0 引言

我國是腦卒中高發(fā)地區(qū)，該疾病是我國居民的第三位死亡原因[1]。近年來，患者數(shù)量因人口老齡化加劇而逐年上升，且發(fā)病人群呈現(xiàn)年輕化趨勢[2]。作為一種急性腦血管疾病，腦卒中引起腦組織損傷，具有極高的致死致殘率，由腦卒中引起的偏癱患者占人口總數(shù)的3‰～5‰[3]。研究表明，卒中后上肢功能愈后效果較差[4]，約70%的患者會遺留偏癱、痙攣等上肢功能障礙，尤其是遠端精細功能。

腦卒中神經(jīng)損傷導致的手部功能障礙問題亟待解決。手指伸展是最可能受損的運動功能[5]，然而患者往往只注意訓練步態(tài)和移動，欠缺針對手部運動功能恢復的訓練，導致手部運動技能的恢復水平通常較低[6]。在長時間未激發(fā)情況下,手部肌肉及神經(jīng)慢慢退化，且神經(jīng)損傷時間越久，運動功能恢復越困難。手部功能直接影響患者的獨立生活能力，且對于增強自尊更重要[7-8]，手部功能的長期缺失將給家庭、社會帶來沉重的精神和經(jīng)濟負擔。減輕卒中后神經(jīng)損傷導致的手功能殘疾，已成為全球性公共衛(wèi)生問題[9]。

運動神經(jīng)功能可通過大腦重組或補償實現(xiàn)神經(jīng)修復[10]。這種大腦可塑性是神經(jīng)康復的基礎[11]。運動功能的恢復訓練關鍵在于盡可能地提高強度，并基于特定任務重復訓練[12]。腦機接口(Brain-Computer-Interface, BCI)技術利用智能算法和腦信號采集裝置可實時檢測人腦主動活動的電信號，利用反饋對人體相應部位產(chǎn)生刺激或引導活動，人工建立起神經(jīng)-肌肉的運動通路，刺激原神經(jīng)回路的重建，被廣泛研究應用于腦卒中的治療。這種融合腦機接口的運動神經(jīng)康復方式簡稱為BCI康復。然而，大多數(shù)針對卒中后手部運動功能恢復的BCI系統(tǒng)訓練對大腦功能的干預效用不穩(wěn)定，處于臨床轉(zhuǎn)化與應用研究的關鍵階段[13]。

從BCI系統(tǒng)的神經(jīng)康復機制出發(fā)，研究手部運動神經(jīng)反饋的訓練模式，對提高恢復程度、實現(xiàn)精準康復具有十分重要的理論意義和應用價值。本文針對機器人輔助手部運動神經(jīng)康復系統(tǒng)進行深入的調(diào)研，通過分析運動中樞神經(jīng)活動的不同誘發(fā)范式、基于機械外骨骼的運動反饋方式、神經(jīng)解碼方式以及康復訓練的功能評價方式，探究融合手康復機器人的神經(jīng)反饋訓練系統(tǒng)的研究現(xiàn)狀以及存在的問題，發(fā)掘可能的解決途徑。

1 運動神經(jīng)反饋系統(tǒng)概述

基于BCI的運動神經(jīng)反饋系統(tǒng)一般由信號采集與處理模塊、控制系統(tǒng)、反饋環(huán)節(jié)[14]以及康復評估組成(圖1)。信號處理模塊是對解碼神經(jīng)信號的分類器進行訓練，使用機器學習和深度學習等人工智能算法能夠讓BCI系統(tǒng)更準確地辨識大腦活動。信號處理模塊將辨別出的大腦活動模式以指令的形式發(fā)送給控制系統(tǒng)，后者通過控制算法調(diào)控機械反饋機構(gòu)進行患側(cè)手的康復運動訓練。反饋環(huán)節(jié)是BCI系統(tǒng)識別到患者意圖后的執(zhí)行對象，系統(tǒng)可以通過視覺、聽覺、觸覺和體感等方式結(jié)合顯示屏、揚聲器、電極或機器人機構(gòu)等設備提供反饋。如此，BCI便將神經(jīng)活動干預改變外圍行為的由上至下的方法與作用外圍身體神經(jīng)誘發(fā)神經(jīng)水平變化的從底向上的方法相結(jié)合，實現(xiàn)了神經(jīng)-肌肉回路的閉環(huán)訓練[15]。當前，對康復評估可以從臨床功能評估、運動參數(shù)和腦功能評估等方面考察，并以臨床提升為主要目的，通過數(shù)據(jù)或圖像計算的大腦功能性變化輔助分析。

圖1 基于BCI的運動神經(jīng)康復系統(tǒng)組成

神經(jīng)可塑性是運動神經(jīng)康復的基礎。神經(jīng)可塑性是指神經(jīng)系統(tǒng)可以在損傷后從功能和結(jié)構(gòu)上進行自我調(diào)節(jié)[16]。穩(wěn)態(tài)可塑性機制可確保神經(jīng)元收到足量的突觸輸入，Hebbian可塑性機制可重新分配突觸強度，以促進同時活躍的通路的連接，兩種可塑性機制可同時作用促進大腦功能重塑[17]。無論對于健康人還是患者，不僅大腦連接可以重組，還能夠通過訓練調(diào)節(jié)大腦活動[18]。此外，有反饋的任務訓練可以促進大腦皮層的可塑性[19]。

腦損傷康復過程中神經(jīng)可塑性會改變腦皮層功能活動。研究發(fā)現(xiàn)，在一個基于反饋的虛擬環(huán)境中進行上肢訓練，相比于訓練前的雙邊SM1、病灶對側(cè)PMC區(qū)域和雙側(cè)的SMA區(qū)域的激活情況，有更多病灶同側(cè)SM1區(qū)域被激活。Bajaj等[20]提出PMC/SMA/M1區(qū)域間因果依賴，計算出的有向效應鏈接(EC)模式顯著增強。運動神經(jīng)康復呈現(xiàn)患側(cè)感覺運動皮層、皮質(zhì)脊髓投射等不同層級多區(qū)域的神經(jīng)激活增強，以及患側(cè)區(qū)域間、雙側(cè)腦功能活動功能連接和左右制衡恢復[21-22]。

成功的康復訓練有以下幾種關鍵特點：多次重復、高強度、調(diào)動多感官、多類別反饋[23]，這樣能增強患者的主動參與度，同時激發(fā)他們的能動力。手功能康復機器人的運動神經(jīng)反饋訓練作為一種神經(jīng)調(diào)控技術，可以幫助患者進行主動性、高強度、針對性和互動性的康復訓練，促進大腦受損功能區(qū)域重建，使患者的手部運動功能得到科學有效的恢復。本文第二節(jié)將重點針對手部運動功能神經(jīng)康復的關鍵環(huán)節(jié)，包括誘發(fā)范式、運動反饋方式、神經(jīng)解碼方式、手部康復訓練的功能評價方式等，分別介紹與分析對應的研究現(xiàn)狀。

2 各關鍵環(huán)節(jié)的研究現(xiàn)狀

2.1 手部運動神經(jīng)活動誘發(fā)范式

運動想象(motor imagery, MI)任務是持續(xù)、穩(wěn)定且可控制的心理活動之一，也是使用最廣泛的運動康復訓練誘發(fā)范式。MI屬于內(nèi)源性EEG信號，即系統(tǒng)須采集在沒有外界刺激下，受試者本身的心理活動，或者說腦部活動。定量計算表明，運動想象與運動執(zhí)行(motor execution, ME)任務在人腦可以激活相同的一塊腦區(qū)網(wǎng)絡，包括輔助運動區(qū)(SMA)、對側(cè)中央后回、對側(cè)頂上小葉和同側(cè)前額葉皮層等區(qū)域[24]。MI技術主要通過人在進行運動想象時，大腦的運動感覺區(qū)(Sensorimotor Cortex, SM)特定頻帶會出現(xiàn)相應的反應，也就是所謂的運動感覺節(jié)律(Sensorimotor Rhythms, SMR)來提取腦活動特征。比較明顯的是μ(8～12 Hz)節(jié)律和β(12～30 Hz)節(jié)律在運動想象進行時會產(chǎn)生明顯的衰減，而這種根據(jù)想象任務出現(xiàn)前后的信號頻帶活動增強和衰減的現(xiàn)象分別稱為事件相關同步(Event-Related Synchronization, ERS)和事件相關去同步(Event-Related Desynchronization, ERD)。這種特征使得MI-EEG信號具有較高的區(qū)分度。然而，MI-EEG信號也存在一些缺點：有實驗證明，稍長時間的運動想象任務會逐漸使人疲勞，從而降低分類精度[25]；且純粹的運動想象(不看運動視頻，完全依靠想象)能力在不同個體間存在著天生的差異性，完成康復訓練的難易有別。而大部分腦卒中患者是認知能力衰退的年老者，這種認知問題將會很大程度上限制他們的康復療效[26]。

運動意圖(Motor Attempt, MA)是患者在想要運動患側(cè)手卻無法實現(xiàn)時的大腦活動，可以誘發(fā)大腦產(chǎn)生與MI和ME相同的ERD/ERS現(xiàn)象?；颊哌M行MA任務時不涉及故意抑制肢體活動的努力，不容易產(chǎn)生疲勞，研究表明，這樣的心理活動任務相比于MI信息量更大[27]。神經(jīng)成像研究表明，運動意圖的皮層活動緊密跟隨著脊髓受損后運動執(zhí)行時的軀體特定區(qū)域組構(gòu)[28]。MA可以誘發(fā)Hebbian神經(jīng)可塑性機制，即突觸前神經(jīng)元向突觸后神經(jīng)元的持續(xù)重復的刺激，可以導致突觸傳遞性能的增加。雖然卒中患者失去了主動運動能力，但是保留了運動規(guī)劃的能力[30]?；贛A的BCI系統(tǒng)可促進患者的運動準備、執(zhí)行和外圍肌肉效應的正常時序恢復[31]。

動作觀察(Action Observation, AO)起源于非人類靈長動物的“鏡像神經(jīng)元”相關實驗[32]，在這些實驗中，人們發(fā)現(xiàn)執(zhí)行動作所激活的腦區(qū)與觀察動作所激活的腦區(qū)相同[33]?？梢允褂脛幼饔^察作為MI的替代方案。日本大阪的村田醫(yī)院與明治大學合作[34]，通過實驗證明，AO可以促進偏癱卒中患者的運動皮層活動，從而提高康復設備的分類精度。Robert M.Hardwick等[35]從運動科學的角度對運動想象、動作觀察和運動執(zhí)行三者的激活腦區(qū)進行了對比分析，發(fā)現(xiàn)三種任務在雙側(cè)運動前區(qū)、頂葉和運動感覺區(qū)組成的腦網(wǎng)絡重疊，證明了MI與AO用于神經(jīng)康復的可行性。而且，將MI與AO結(jié)合，可以彌補互相的缺陷，在激活更多腦區(qū)的同時，提高分類精度(表1)。

表1 三種手部運動神經(jīng)活動誘發(fā)方式比較

運動想象是使用最廣泛的誘發(fā)范式，但是患者訓練的體驗不佳且會受到個人能力的影響。運動意圖則是運動前自發(fā)產(chǎn)生的大腦活動，動作觀察能引起與運動執(zhí)行相似腦區(qū)活動，這兩者都可以規(guī)避運動想象的缺點，是目前研究的新趨勢。目前大多數(shù)BCI運動神經(jīng)反饋訓練系統(tǒng)的解碼系統(tǒng)對不同側(cè)手運動和同側(cè)手運動進行二分類，在這種訓練范式下，大腦不同類別的激活模式差別明顯，識別任務簡單。而同側(cè)手的不同活動，比如手掌的握拳、伸展，腕關節(jié)的背伸、掌曲，橈尺關節(jié)的橈偏、尺偏，以及拇指與其他手指的對指運動等精細手指活動的生物神經(jīng)信號在現(xiàn)有的人工智能算法中較難區(qū)分。本文認為，研究MI與AO或MA與AO的結(jié)合有助于增強大腦活動特征，不僅可以提高解碼準確度，還能夠改善患者的訓練體驗，提高參與度，進而有望改善康復效果。

2.2 手部康復機器人的運動反饋方式

機器人矯正器是BCI上肢康復系統(tǒng)中使用最多的反饋設備[29]，它對身體損傷小且康復療效較好。機器人輔助治療是一種基于神經(jīng)生理學學習機制來促進神經(jīng)可塑性的方法，它能夠為特定功能提供高強度的重復練習，且低成本不費力，因此可以用來輔助康復治療師進行持續(xù)重復的訓練。分析表明，精心設計的機器人輔助治療可以產(chǎn)生比傳統(tǒng)康復技術等同或者稍好的療效[46]，但單一的機器人輔助治療優(yōu)勢不明顯。與BCI結(jié)合的機器人反饋機構(gòu)可以檢測患者移動手指的意圖，同時輔助增強他們的肌力[47]，帶動手指完成相應的動作。這種方法可以通過調(diào)節(jié)操作條件來規(guī)范有利于運動的腦部狀態(tài)，或者通過將與運動相關的腦部狀態(tài)與時間相關的感官反饋相結(jié)合來增強運動恢復[48]。

高自由度的外骨骼機器人模擬人體手部的解剖學結(jié)構(gòu)，可以牽引患側(cè)手完成精細的上肢遠端運動任務。Norman等[49]使用FINGER外骨骼機械手牽引患者的患側(cè)手進行食指和中指的協(xié)同伸展動作訓練，對8名患者進行了4周的干預訓練。FINGER沿著自然的抓握/釋放軌跡輔助食指和中指的屈伸，它還記錄了食指和中指的近端和中指骨的位置、加速度和力，以便計算掌指(MCP)關節(jié)的扭矩，直到患者達到約0.034Nm的扭矩才啟動輔助模式。FINGER幫助參與者完成自己可能無法獨立完成的手指伸展運動。該實驗設計了三個階段訓練患者調(diào)節(jié)自己的感覺運動節(jié)律(Sensorimotor Rhythm，SMR)，結(jié)果表明，至少兩名受試者可能獲得了專注于在側(cè)向或中央感覺運動皮層區(qū)域SMR頻段的控制能力。Carino-Escobar等[50]對9位患有缺血性并處于亞急性階段的卒中病人同樣進行了長達4周的基于機器人外骨骼的BCI康復干預試驗，大部分患者在干預訓練后，臨床指標得到了顯著提升。

通過傳感器測量運動學和動力學參數(shù)，機器人設備設定閾值開啟輔助模式幫助患者使用患側(cè)手完成自身不能完成的動作進行訓練。力敏電阻(force-sensitive resistor，F(xiàn)SR)是常用的手部矯正器傳感器之一，通常將其放置在機械手的指尖來感受手指微小的移動，這種移動數(shù)據(jù)被用來控制外骨骼動作的伸展和彎曲。Chowdhury等[51]為了激發(fā)患者使用殘余肌力，將外骨骼設置為需要時輔助的模式。通過附在手指間和機構(gòu)手指帽之間的FSR獲取力的大小，并將其轉(zhuǎn)化為外骨骼的移動。他們使用PP(物理訓練)加MP(心理訓練)，機器手外骨骼與視覺反饋相結(jié)合的康復方式對4名患者進行了持續(xù)6周的干預實驗。實驗中，研究者將單個手指伸展動作分解為8個步驟量化患者訓練的過程(圖2)。實驗結(jié)果顯示，隨著訓練次數(shù)的增加，除了患者的臨床指標的改善，BCI系統(tǒng)的性能也得到提升，ERD/ERS特征變化顯著。

圖2 外骨骼機器手引導的分解手指抓握動作

機器人設備記錄高分辨率的運動學和動力學參數(shù)，可以作為康復訓練效果的量化參考。Krebs等[52]使用臨床量表和機器人設備在卒中發(fā)生后7天、14天、21天、30天和90天測量了208位中度至重度急性缺血性卒中患者的手臂運動。將機器人測量的速度、位置和力量與臨床評估進行比較。結(jié)果表明，機器人測量可以很好地預測臨床測量。如果適當?shù)乜s放并通過人工神經(jīng)網(wǎng)絡進行組合，機器人測量值可以在衡量從第7天到第90天的患者恢復情況方面顯示出更高的敏感性。Silvoni等[53]使用6個自由度的PHANTOM Premium機器人對一位中度偏癱卒中患者進行2周的BMI上肢訓練，觀察到手臂在運動學上(包括平均速度、峰值速度等)的顯著改善與體感節(jié)律變化的增加和集中化。

患者進行運動訓練時會產(chǎn)生上行神經(jīng)信號，驅(qū)動運動再學習，使得大腦神經(jīng)元間產(chǎn)生新的連接和重組，恢復大腦的運動控制能力[54]。手部康復機器人可以模擬自然肢體動作，完成高強度可重復的訓練，改善動作的協(xié)調(diào)性。此外，機器人傳感器參數(shù)不僅可以設定輔助模式的閾值，其變化還可以作為訓練的量化指標提供康復評估參考。機器人設計應該符合人體工程學，并在運動控制上保證患者使用的安全性，提高機器人關節(jié)和手指間聯(lián)動的柔順控制。

2.3 神經(jīng)解碼方式

常用于手部運動神經(jīng)訓練的范式有感覺運動節(jié)律(Sensorimotor Rhythms, SMR)和事件誘發(fā)P300電位等。SMR是運動想象中使用最廣泛的范式之一?；颊呖梢酝ㄟ^想象患側(cè)手運動調(diào)節(jié)大腦活動，具體來說，就是當患者進行MI或MA任務時，在他/她的感覺運動皮層會產(chǎn)生ERD/ERS調(diào)制。識別SMR在μ和β頻帶能量的變化可以操縱機器人外骨骼引導患者進行患側(cè)手的運動訓練，實現(xiàn)有效的反饋。Norman等[49]使用FINGER機器人外骨骼輔助卒中患者進行手指伸展訓練，并在多模態(tài)反饋下練習對大腦運動感覺節(jié)律(SMR)的調(diào)控。P300表現(xiàn)為在事件發(fā)生后220～500 ms，EEG信號出現(xiàn)大小為5～10 μV的一個正峰值。視覺P300電位是研究最多的事件誘發(fā)電位之一，它由不經(jīng)常出現(xiàn)的事件誘發(fā)。大多數(shù)受試者可高效地使用視覺P300，并在幾分鐘內(nèi)完成校準。

傳統(tǒng)的機器學習算法在提取信號特征后進行模式分類，EEG信號常使用時頻域和空域類的特征提取方法。時頻分析可以提取時頻域上能量的變化特征，適用于SMR范式。典型的時頻算法有短時傅里葉變換(Short-time Fourier Transform, STFT)、小波變換(Wavelet Transform, WT)和離散小波變換(Discrete Wavelet Transform, DWT)等。尤其是后兩種方法可以多分辨率和多尺度地分解EEG信號。通常使用空域的獨立成分分析(Independent Component Analysis，ICA)和主成分分析(Principal Component Analysis，PCA)提取P300信號的特征。廣泛使用的分類方法包括支持向量機(Support Vector Machines, SVMs)和線性判別分析(Linear Discriminative Analysis, LDA)。已有的很多實驗表明，同等條件下，高斯核SVM的分類性能優(yōu)于其他分類器例如LDA、K近鄰(k-NN)、樸素貝葉斯(na?ve Bayes)和自回歸樹(Regression Tree, RT)等。過擬合問題使用Regularization LDA或通過調(diào)整SVM的訓練方案來解決。

隨著數(shù)據(jù)量的增加和計算能力的提高，深度學習技術受到越來越多的關注，在EEG領域出色的深度網(wǎng)絡性能比機器學習算法更穩(wěn)健[55]。搭建深度學習架構(gòu)解碼EEG信號有兩個主要內(nèi)容：輸入網(wǎng)絡的數(shù)據(jù)形式和網(wǎng)絡結(jié)構(gòu)的設計。研究表明，相比于計算得到的特征(如CSP)和計算組成圖像形式(如連續(xù)小波視頻圖)，直接輸入原始數(shù)據(jù)的網(wǎng)絡性能較優(yōu)[56]；另一個問題是網(wǎng)絡結(jié)構(gòu)的設計，超過70%的研究使用卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)[57-60]，其他也有循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)[61-62]和混合神經(jīng)網(wǎng)絡(h-CNN)[63-64]的，少部分使用堆疊自編碼器(SAE)[65]等構(gòu)造，對比表明基于CNN和h-CNN的深度學習網(wǎng)絡效果較好。Zhang等[63]根據(jù)電極分布系統(tǒng)在二維平面的投影將時間窗內(nèi)每個采樣時刻的信號排布為圖片形式，輸入一個三層CNN與LSTM級聯(lián)或并聯(lián)組成的混合卷積神經(jīng)網(wǎng)絡，保留了信號的時空信息，在PyhsioNet數(shù)據(jù)集的108個健康人多類MI分類中準確率達到98%以上，相對于傳統(tǒng)機器學習和簡單網(wǎng)絡，解碼性能提升了10%～30%。然而，使用深度網(wǎng)絡需要大量的訓練數(shù)據(jù)，需要調(diào)節(jié)的參數(shù)較多，網(wǎng)絡結(jié)構(gòu)設計也比較復雜。因此，很多學者專注研究輕量型網(wǎng)絡結(jié)構(gòu)來解決EEG解碼問題。Lawhern等[66]設計的一種針對EEG信號的緊湊小巧型卷積神經(jīng)網(wǎng)絡構(gòu)架EEGNet，先后使用時間卷積和深度卷積操作，使用更少的網(wǎng)絡參數(shù)提取時空特征，對P300、ERN、MRCP和SMR四種范式上的通用解碼性能具有優(yōu)勢。

腦功能網(wǎng)絡(Functional Brain Network，F(xiàn)BN)是不同神經(jīng)元、神經(jīng)元簇或大腦皮層區(qū)域之間動態(tài)神經(jīng)活動相互作用的直觀表達[67]。它可以表征大腦網(wǎng)絡的拓撲結(jié)構(gòu)和動態(tài)特性?；诓煌竽X活動的腦功能網(wǎng)絡連接不同，我們可以通過計算患者在不同訓練任務下的FBN來識別相應的大腦狀態(tài)。FBN在情緒和認知狀態(tài)識別中使用較多[68-69]，也逐漸應用于卒中上肢康復狀態(tài)解碼的研究中[70]。一般將EEG傳感器電極點作為腦網(wǎng)絡圖的結(jié)點，電極之間的關系作為邊。統(tǒng)計學方法以及定向傳遞函數(shù)(DTF)和部分定向相干性(PDC)等其他方法被廣泛用來計算EEG圖中的邊值。例如連貫性(Coh)，皮爾遜相關系數(shù)(PCC)，相位鎖定值(PLV)和相位滯后指數(shù)(PLI)等。腦功能網(wǎng)絡用傳統(tǒng)機器學習算法解碼時，可以使用特征選擇算法，例如順序前向選擇(SFS)降低特征冗余；而針對腦網(wǎng)絡圖的數(shù)據(jù)結(jié)構(gòu)特征，可以使用圖卷積進行網(wǎng)絡學習。Ghazani等[71]提出一種自適應時空圖卷積網(wǎng)絡(ASTGCN)，同時從時間和通道間的空間關系探索MI-EEG信號的特征，在25名受試數(shù)據(jù)上顯示出比CNN-SAE、EEGNet、STGCN更高效穩(wěn)定的性能。

當前BCI解碼系統(tǒng)實時分類性能仍有待提高。機器學習算法模型訓練時間短，但特征的選取對分類準確度影響大，并且其采用的實時窗口數(shù)據(jù)只能體現(xiàn)短時大腦活動。使用機器學習算法，需處理原始信號的噪聲(如眼動和肌電等)，提取高維生物信號的特征難度大，分類器精度提升有限。深度學習算法可利用端到端優(yōu)勢避免特征選擇，但模型訓練時間長且需要大量的訓練數(shù)據(jù)集增加泛化能力，正式反饋訓練前需要較長時間采集數(shù)據(jù)并訓練模型。腦功能網(wǎng)絡的方法基于大腦功能重組機制，可以提取神經(jīng)生物學特征，結(jié)合深度學習算法，有望提高實時解碼性能(圖3)。

圖3 解碼技術的比較

2.4 手部康復訓練的功能評價方式

融合腦機接口的手部康復機器人關注卒中患者的手部運動功能康復治療，因此對該BCI系統(tǒng)最直接的評價方式就是使用臨床功能評估方式。常用于手部康復治療評估的主要療效評測方法有：Fugl-Meyer Assessment of Upper Extremity(FMA-UE)、National Institutes of Health Stroke Scale(NIHSS)、Action Research Arm Test(ARAT)和Grip Strength(GS)等。除了主要臨床評測方法外，一般還使用視覺模擬量表(Visual Analog Scale，VAS)[51]對患者的疲勞、情緒和主動性進行評估；mAsh量表用于評估手指、腕部和肘部屈肌以及肩外展肌的痙攣程度；RoM評估肩膀外展和肘部、腕部和手指屈伸的活動范圍[72]；SIS廣泛用于衡量卒中患者愈后的生活質(zhì)量[73]；9HPT是對上肢功能簡單、標準化的定量測試[74]。但是，很難通過大多數(shù)身體機能評估迅速檢測出BCI康復的潛在大腦修復能力，不能足夠精細地量化任務改善的具體程度，這樣便容易忽視運動恢復的質(zhì)量。

運動學參數(shù)評估使用機器人設備中的傳感器記錄運動訓練時的運動學參數(shù)來描述運動恢復情況[75]。Do等[76]總結(jié)了應用于13種機器人設備上的超過40種運動學參數(shù)，可以從不同角度評估卒中后的運動能力。選取最合適的運動學參數(shù)可以節(jié)省評估的時間和復雜度，選取最優(yōu)的參數(shù)需要考慮訓練使用的機器人設備和訓練范式。Koeppel等[75]對InMotion ArmTM的時間、平滑性、距離和準確率這4個維度的9種運動參數(shù)進行反復測試評估其可靠性，包括運動時間T、平均速率mV、最大速率MV、平滑誤差SE、速率峰值數(shù)nP、平均停滯期比率(MAPR)、歸一化路徑長度(NPL)、直線的均方根誤差(RMS)和最后運動點的正交投影(LP)。結(jié)果表明，除了RMS、nP和MARP對于變化不敏感外，其他6個運動學參數(shù)都有較好的可靠性，可用于臨床訓練作為便捷客觀的運動恢復程度的評價參考。

功能性連接(Functional Connectivity, FC)可以作為更好地了解康復范式效果的標志，對于神經(jīng)調(diào)控水平，應該注重病灶側(cè)和對側(cè)腦結(jié)構(gòu)、功能的評估[21]。FC的臨床和治療意義有兩點[77]：首先，靜止狀態(tài)活動的功能性連接測量可以預測卒中后的行為缺陷；其次，靜止狀態(tài)功能性連接的變化可用于縱向跟蹤行為的恢復。功能磁共振的數(shù)據(jù)可計算大腦偏側(cè)化指數(shù)，從而用于評估雙側(cè)半球間功能活動的差異性；磁共振彌散張量成像(Diffusion Tensor Imaging, DTI)可通過評估腦蛋白質(zhì)纖維束的損傷情況反應運動功能恢復程度；經(jīng)顱磁刺激(Transcranial Magnetic Stimulation, TMS)可直接評定雙側(cè)半球間的功能抑制，提供手功能代表區(qū)興奮性和面積等信息。Royter等[78]借助TMS的面積分析比較訓練前后皮質(zhì)脊髓束的興奮性變化來評估訓練效果。

臨床評估指標是康復訓練效果的最終標準，但是其評估需要基于長期緩慢變化的臨床表現(xiàn)，且主觀性強；運動學參數(shù)和功能性評估雖然不能直接反映臨床改善效果，卻能快速地、量化地輔助單次訓練參考。本研究能夠在每次訓練后及時反映訓練效果的評估方法，有助于康復機制的發(fā)現(xiàn)，并使得受試者得到快速反饋，保證康復訓練的效果。短時評價機制及時返回受試者康復訓練效果的評估指標，量化康復訓練進程，可以為康復訓練計劃的制定與調(diào)整提供數(shù)據(jù)支持。

3 存在問題

雖然卒中后BCI運動神經(jīng)反饋訓練系統(tǒng)可以促進大腦的功能性和結(jié)構(gòu)性重組，反映運動規(guī)劃和執(zhí)行能力的改善，但是某些系統(tǒng)的實驗結(jié)果并沒有達到可測量的水平或最小臨床意義變化值(Minimal Clinically Important Difference, MCID)，還處于一個亞臨床的效果階段[13]。導致這個問題的原因可能有以下幾點。

3.1 現(xiàn)有研究的實驗樣本偏少且缺乏控制變量的對照實驗分析

由于在醫(yī)院進行康復訓練的卒中患者具有流動性，很多病人出于各種原因無法完成全部實驗，采集大量病人數(shù)據(jù)需要較長時間的研究，目前大部分研究還沒有積累如此體量的病人數(shù)據(jù)。大部分研究的病人受試者數(shù)量在4～30不等[40,49-51,72-73],很多學術平臺提供的數(shù)據(jù)來自健康人，但健康人的大腦與病人存在功能性和結(jié)構(gòu)型差異，只能提供相對參考作用。一些實驗進行了隨機對照實驗(Randomized Controlled Trial，RCT)的設計，但是由于樣本量較少，而變量較多(如患者的病灶區(qū)域、患病嚴重程度、年齡、患病時間、患病類型、性別等)，參考價值有待考證。

3.2 BCI運動神經(jīng)康復訓練系統(tǒng)受到患者個性化差異的影響

每位卒中患者的病灶區(qū)域、患病嚴重程度、患病類型等情況不盡相同，因此,一方面，他們的神經(jīng)電信號具有差別，目前BCI系統(tǒng)解碼器需要為每一位受試訓練針對性的分類模型，辨識信號的類別。另一方面，他們適用的神經(jīng)反饋機制不同，須根據(jù)患者的具體情況，分配最佳的反饋方式或多模式的反饋相結(jié)合。

3.3 缺乏最優(yōu)訓練范式和訓練參數(shù)的設計研究

一些BCI運動神經(jīng)反饋訓練系統(tǒng)的訓練時間較長，患者容易感到疲勞，從而大腦的參與度降低，康復訓練的效果大打折扣。而訓練時間較短的實驗可能沒有激活大腦特定模式就結(jié)束了，康復效果也會較差?，F(xiàn)有研究的單次訓練時長在30 min[79]～2 h[73]不等。此外，還需對BCI治療頻率和療程數(shù)進行更多研究，以確定促進上肢運動康復的最佳劑量。

4 總結(jié)

融合腦機接口的手部運動神經(jīng)康復機器人基于突觸可塑性原理，通過運動學習(如密切觀察運動任務、激發(fā)運動意圖或想象運動任務)來激發(fā)大腦產(chǎn)生特定的腦信號，同時得到與任務直接關聯(lián)的體感反饋激發(fā)大腦功能的恢復。盡管患有獲得性運動障礙的人經(jīng)常表現(xiàn)出皮質(zhì)受損或運動連接完整性受損，但EEG-BCI方法仍能根據(jù)信號的變化提取出有意義的信息[80]。融合BCI的訓練可以克服傳統(tǒng)療法(如物理療法和約束誘導運動療法)需要患者殘存的運動功能的缺點，涉及大腦的主動參與，激發(fā)患者的康復能動力，有益病灶腦區(qū)的功能性重構(gòu)，為更廣泛的卒中人群提供康復治療的新途徑和新方法。

本文詳細闡述了BCI神經(jīng)康復訓練系統(tǒng)中，腦運動功能活動誘發(fā)范式設計、機器人機構(gòu)反饋環(huán)節(jié)、神經(jīng)解碼方式和評估方法的研究情況。運動想象是比較常用的腦電信號誘發(fā)范式，然而想象任務對患者的認知能力具有一定的要求，這種能力卻又常常在卒中發(fā)生后受到影響。不僅如此，持續(xù)的想象任務很容易讓患者產(chǎn)生疲勞。而運動意圖任務不涉及主動抑制肢體活動的情緒，是一種潛意識的意愿，更容易完成。動作觀察是另一種可以補償MI的任務，讓患者邊觀察邊想象相應的手部動作可以輔助患者進行想象任務，且涉及更廣泛的腦區(qū)參與。

機器人反饋機構(gòu)將傳統(tǒng)的機器人治療方案與BCI技術相結(jié)合，利用機器人外骨骼提供低成本、不費力、高強度的重復練習，將肢體訓練與心理訓練相結(jié)合，建立起大腦到手部的人工通路，形成中樞神經(jīng)-手部肌肉-周圍神經(jīng)-中樞神經(jīng)的運動感覺環(huán)路，調(diào)動大腦康復潛能。神經(jīng)解碼是BCI系統(tǒng)實現(xiàn)的關鍵，本文介紹了SMR和P300兩種范式及其解碼技術，此外，基于人工神經(jīng)網(wǎng)絡和腦網(wǎng)絡的解碼技術也是研究的熱點。手部運動功能的康復是基于BCI手部康復機器人的根本目標，因此臨床指標如FMA-UE和ARAT等是檢驗康復效果的主要方式，而為了及時觀察訓練后腦功能變化，利用機器人外骨骼的運動學參數(shù)和基于EEG或fNIRS等生物電信號計算大腦功能性連接的變化大有裨益。

最后，本文針對當前BCI手部運動神經(jīng)康復系統(tǒng)存在的問題進行總結(jié)，因為病人的患病情況存在個體性差異，所以針對每位患者選擇效果最好的誘發(fā)方式和反饋方式，并訓練針對性解碼模型十分必要；另外，康復治療的臨床效果需要長時間定期訓練積累，這種表現(xiàn)在功能性上的質(zhì)變需要的周期較長，研究可以根據(jù)每次康復訓練前后大腦功能性連接網(wǎng)絡的變化來量化每次訓練的效果，無論是給患者及時提供效果反饋，還是給康復治療師提供康復方案的參考都十分重要。此外，對精細手指動作的解碼算法探究和訓練范式的規(guī)范性研究有望進一步提高康復機器人的整體性能。

綜合分析，BCI基于計算機將大腦信號翻譯為指令傳遞給外部設備來實現(xiàn)病人的運動學習和恢復，可以被認為是傳統(tǒng)物理治療方法的輔助解決方案[81]。目前，處于轉(zhuǎn)化與應用研究階段的BCI系統(tǒng)與傳統(tǒng)物理療法相結(jié)合的方法取得了一定成果[80]。使用融合腦機接口的手部運動神經(jīng)康復系統(tǒng)有望突破傳統(tǒng)療法瓶頸，讓更多卒中患者重返家庭和社會。