IEEE trans:模式识别确定慢性脑卒中患者部分动态肩关节任务的用户意图

中风仍然是导致严重长期残疾的主要原因。据估计，全世界有8290万人经历过中风，约30–66%的人患有永久性上肢损伤。除了肢体无力（轻瘫）外，中风后上肢肌肉的非自愿共同激活阻碍了瘫痪肢体的协调使用。这种运动失调常见为异常的屈曲或伸展协同作用，显著增加了完成日常生活活动（ADL）的难度 。异常协同效应可能源于神经生理学上对皮质球脊髓通路的依赖，以补偿中风引起的皮质脊髓投射的损伤或丢失。当抬起手臂对抗重力（肩外展）时，可以观察到上肢的屈曲协同作用，这会导致肘部、腕部和手指屈肌的意外共同激活，从而限制患肢的功能使用。完整的屈曲模式包括肩胛骨收缩和抬高、肩外展和外旋、肘部屈曲、前臂旋后、手腕和手指屈曲。然而，随着肩关节近端力量的支持或减少，屈曲协同强度降低，随后达到距离增加。

相反，当肱骨内收对抗阻力时，上肢伸展协同作用发生，导致不自主的肘关节伸展。完全伸展协同包括肩胛骨的伸展、肩内收和内旋、肘部伸展和前臂旋前。伸展协同作用对手腕和手指活动的影响并不可预测，但最常见的仍然是手腕和手指的屈曲。然而，伸展协同作用通常不如屈曲协同作用重要或有害，因为很少需要内收肱骨以抵抗阻力。屈伸协同效应与用力成比例。对于屈曲协同作用，使用利用这种关系的训练范式，在无支撑伸展距离方面取得了小而显著的改善。当达到目标时，通过逐渐增加外展负荷，中风患者能够在没有外部身体支持的情况下进一步达到目标。

可穿戴机器人技术在脊髓损伤患者或截肢患者身上的成功应用为其他人群，包括中风患者的使用铺平了道路。然而，准确可靠地控制可穿戴机器人设备将是一个具有挑战性的难题。本文将用户意图信息纳入控制策略中，通过需要用户努力和主动参与，克服了被动或预先计划的移动模式的缺点。肩关节运动时肌电图的模式识别作为截肢患者的控制系统，在健康对照人群中实现了低于10%的分类错误率。

论文研究流程图

12名中风患者（50%为女性，平均为60.8%）±10.3岁，以及12名对照参与者（50%女性，平均年龄59.1岁）± 9.9）完成研究。为了测量最大的等长肌力，参与者坐在一张坚硬的椅子上（Biodex，Shirley，NY；型号830-110）。通过用腰带和两条胸带固定他们，并将他们的脚放在脚垫上，躯干的移动被最小化。 物理治疗师应用双极肌电电极在11块肌肉，三角肌（前、中、后）、斜方肌、冈上肌、冈下肌、背阔肌、圆肌复合体、胸骨大肌纤维、肱二头肌，和肱三头肌外侧头采集肌电。测定了肩外展、内收、内外旋转、肘关节屈伸等6个动作的最大等长自愿性力矩，并用于实验的第二部分。参与者被安置到一个定制的ACT3D触觉主机器人，带有一个6自由度称重传感器。参与者被要求进行外展（抬起，+）和内收（压低，−) 在0，± 25，和± 通过等距测试确定其最大关节扭矩的50%。Delsys肌电图采集系统对20–450 Hz之间的信号进行带通滤波，并将力和力矩数据转换为关节力矩。

从每个数据集类型创建两组基于LDA的分类器：肌电图数据、原始称重传感器数据和组合数据集（肌电图和原始称重传感器数据、附加后特征提取）。根据每个时间段内完成的任务，提取并标记每个试验中1.5-4.5秒和6.5-9.5秒之间收集的数据。使用20ms的步长（180ms重叠）将数据窗口化为200ms窗口。这使得在不进行下采样的情况下，在加窗后，可以合并在50 Hz下记录的称重传感器数据和在1000 Hz下记录的肌电图数据。从肌电图数据中提取了四个时域特征（平均绝对值、过零、斜率符号变化和波形长度）。

对照组和轻瘫组之间存在显著性差异（p=<0.00001），25%和50%的举高（p=0.00083），估计的模式识别分类错误差异为−分别为8.6%和3.63%。因此，与对照组相比，轻瘫臂的分类误差增加了8.6%，在50%最大关节力矩的情况下提升比在25%的情况下提升提高了3.63%。该模型还预测了组合数据集分类器的模型系数比称重传感器分类器好4.09%，比EMG分类器好3.14%。本研究的目的是探讨脑卒中患者患侧肢体肩部运动时确定使用者意图的可行性。这种方法可以使未来发展的外骨骼提供外展支持轻瘫臂。特别感兴趣的是同时控制内/外旋和肩外展/内收之间的关系。总的来说，在中风患者中使用基于肌电图和称重传感器信息的模式识别系统导致的平均错误率低达9.7%。控制肌电假肢的相关工作表明，错误率在0–10%范围内的系统可以很好地控制设备。

J. V. Kopke, M. D. Ellis and L. J. Hargrove, "Determining User Intent of Partly Dynamic Shoulder Tasks in Individuals With Chronic Stroke Using Pattern Recognition," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 1, pp. 350-358, Jan. 2020, doi: 10.1109/TNSRE.2019.2955029.