摘 要：
近年来，机器人技术不断应用于康复医学领域，因康复机器人具有提高康复效率、保证康复质量、降低人力成本等优势，在临床应用中受到越来越多的关注。然而，目前康复机器人临床疗效的评价仍依赖于传统的量表评价法，无法实时提供准确的运动功能评价指标来有效指导和提供康复治疗方案。因此，研发出与治疗系统相匹配的、客观定量的康复疗效评价系统显得尤为重要。本文就信息获取的类型，从基于康复机器人内部传感器、基于表面肌电信号、基于体感交互设备，对目前国内外康复机器人训练效果的客观评价方法予以综述，以期为康复机器人临床疗效评价系统方面的研究提供参考。
关键词:康复机器人;评价方法;传感器;表面肌电信号;体感交互;数学建模;
Research progress on objective evaluation methods of training effect of rehabilitation robot
Ll Yinghua Ll Zhenlan CHEN Xiaowei xu Guoxing LIAN Yawen
Department of Rehabilitation Medicine,the First Hospital of Jilin University
Abstract：
In recent years, robot technology has been widely used in the field of rehabilitation medicine. Because rehabilitation robot has the advantages of improving rehabilitation efficiency, ensuring rehabilitation quality and reducing labor cost, it has attracted more and more attention in clinical application. However, at present, the evaluation of the clinical efficacy of rehabilitation robot still depends on the traditional scale evaluation method, which can not provide accurate evaluation indexes of motor function in real time to effectively guide and provide rehabilitation treatment plans. Therefore, it is particularly important to develop an objective and quantitative rehabilitation efficacy evaluation system matching with the treatment system. Based on the types of information acquisition, this paper summarizes the objective evaluation methods of rehabilitation robot training effect from the internal sensors of rehabilitation robot, surface electromyography signal and somatosensory interactive equipment, in order to provide reference for the research of rehabilitation robot clinical efficacy evaluation system.
Keyword：
rehabilitation robot; evaluation method; sensor; surface electromyography signal; somatosensory interaction; mathematical modeling;
近几十年，随着科技的快速发展与医学的进步，智能机器人技术以其独特的优势广泛应用于医学领域中[1,2]。康复机器人作为机器人技术在康复医学领域中的应用，可针对患者的损伤程度提供不同强度和模式的个性化康复训练。由于其具有提高康复效率、保证康复质量、降低人力成本等优势，逐渐成为国内外研究和应用的热点[3]。
然而，现阶段有关康复机器人临床治疗应用方面的研究较多，而与之相匹配的康复疗效评价方面的研究较少[4]。目前对于康复机器人训练效果的评估大多采用临床量表评价法，虽然该方法具有良好的信度和效度，但研究发现其具有主观性强、费时费力，且难以精准评估患者运动功能恢复的情况等缺陷[5]，认为临床常用的评估量表不一定适用于康复机器人训练过程中的运动功能康复疗效的评估。因此，为提高康复评估的效率与质量，需进一步研发和完善与治疗系统相匹配的客观、实时、定量且灵敏度高的康复疗效评价系统。
本文就目前康复机器人运动训练过程中的康复疗效客观评价方法予以综述，根据传感器的类型分为: 基于康复机器人内部传感器的运动功能评价方法、基于表面肌电信号的运动功能评价方法、基于体感交互设备的运动功能评价方法。此外，介绍了综合评价的数学建模方法，以期为康复机器人临床疗效评价系统方面的研究提供参考。
1 康复机器人训练效果的评价方法分类
1.1 基于康复机器人内部传感器的运动功能评价方法
康复机器人常通过多种传感器，有效监测和记录整个康复训练过程中的人体运动学参数，如运动速度、运动范围、运动平稳性、运动精确度、运动效能( 主动运动比例) 、运动效率( 理论/目标轨迹长度与实际运动轨迹长度之比) 等，进而对患者的康复进展做出量化评价，具有较高的灵敏度[6]。
Colombo 等[7]在单自由度手腕康复机器人和双自由度肘-肩康复机器人中，采用完成圆形或方形轨迹任务时的平均速度、运动偏差和主动运动指数来描述恢复期脑卒中患者上肢的运动速度、精确度及效能，认为这些运动学参数与 Fugl-Meyer 运动功能评定量表呈中度相关( r>0. 53,P<0. 03) 。Longhi等[8]则在 Armeo Spring 外骨骼机器人中，采用手径比、平均速度和速度分布峰速度来测定脑卒中患者上肢的运动精确度、速度及平稳性，结果与 Wolf 运动功能评价量表呈中度相关( | rho | = 0. 31-0. 50) 。以上运动学参数与量表评价法的相关性研究结果，为该评价方法应用于临床疗效评估提供了可能性。
基于康复机器人内部传感器识别记录训练过程中的运动学参数，能够实时定量评估不同的运动模式，还能够掌握患者是否主动参与训练等情况。但尚存以下问题: (1) 不同机器人提供的运动学参数和指标不一致，评估结果缺乏可比性。例如，In Motion上肢机器人采用峰值速度来反映运动平稳性，而RUPERT 上肢外骨骼机器人以加速度变化率来反映这一特性; 运动精确度评价方面，Braccio di Ferro 触觉机器人通过记录“∞ 字形”轨迹任务时的运动轨迹偏差来反映运动精确度，而 Haptic Knob 末端牵引式上肢机器人则记录了点对点任务时的目标误差来反映这一特性[9,10,11,12]。(2) 无严格的信度和效度研究，尚待进一步的验证[13]。(3) 因康复机器人的机械结构限制了参数采集的范围，如末端牵引式上肢康复机器人的内部传感器只能记录手部运动轨迹，而不能采集上肢其他部位的运动学参数，导致其评估结果不够全面。此外，部分康复机器人无信号采集子系统，不能实时采集训练过程中的运动学参数。
鉴于以上缺点，基于机器人内部传感器提供运动学参数来进行康复疗效评估方法尚未得到临床广泛应用，笔者认为建立规范有效的评价体系是康复机器人亟需解决的问题。
1.2 基于表面肌电信号的运动功能评价方法
表面肌电信号作为一种肌电活动产生的生物电信号，在一定程度上反映了神经、肌肉的活动。因此，分析表面肌电信号的特征能够定量评估患者局部运动功能的改善情况。目前，表面肌电信号常用于评估脑卒中患者的肌力与肌张力的改善程度。
张海燕等[14]在 Fourier M2 上肢康复机器人中，采集患侧肱二头肌和肱三头肌的表面肌电信号评估患者上肢肌力的改善情况，发现表面肌电信号均方根值与 Fugl-Meyer 运动功能、徒手肌力评分呈显著正相关。朱琳等[15]在 A2 型肢体智能反馈训练系统中采集肱二头肌和肱三头肌的表面肌电信号，用积分肌电值评估脑卒中上肢痉挛改善程度，发现与改良 Ashworth 量表具有较高的一致性。以上研究认为表面肌电信号可用于康复机器人训练过程中的肌力和痉挛方面的评估。
一些学者将表面肌电信号与算法相结合，进行康复疗效的等级评价。即预先设计不同等级的动作及对应的表面肌电信号特征值，当患者完成规定动作时采集表面肌电信号，运用算法对其特征值进行分级得出评价结果。Liparulo 等[16]运用模糊逻辑算法，分析不同 Brunnstrom 分期的脑卒中患者的表面肌电信号，结 果 显 示 准 确 率 为 92. 47%。王 丰 焱等[17]采用 tsfresh 库和随机森林模型对表面肌电信号进行特征提取和筛选，并采用集成学习方法建立了基于 Brunnstrom 分期的康复分级自动评价模型，结果显示，该算法可以将评价结果的准确率提高到94. 36%。西安交通大学[18]将该方法运用到康复机器人虚拟环境下的任务训练中，通过采集患者的下肢表面肌电信号，计算每块肌肉的肌电信号均值占正常人的百分比，进而评价运动状态并进行等级分类，表明基于表面肌电信号的康复等级评价也可用于康复机器人动态评价体系中。
表面肌电信号在脑卒中运动功能障碍评价中具有良好的应用价值，数学建模后的数据可实时提供康复等级，精确反映局部肌肉活动的细微变化，且具有无创、非侵入性、操作简单等优点，但通过该方法采集的数据易受电极位置、降噪处理过程、特征提取方法等诸多因素的干扰，因此评价难度高，临床应用受限[19]，如何有效采集并提取表面肌电信号是该评价方法能否进一步应用于康复机器人临床疗效评估的关键环节。
1.3 基于体感交互设备的运动功能评价方法
随着体感交互技术的不断成熟，该技术逐渐应用于康复评估与治疗中。研究表明，外接式体感设备可动态跟踪和捕捉关节的运动位置和轨迹，实时计算各关节活动度，具有较高的精确度。目前常用的有 3D 动作捕捉系统、Kinect、Leap Motion 等。
3D 动作捕捉系统通过标记点采集关节在三维空间的位置坐标，目前被认为是关节活动度测量的金标准。Chen 等[20]在外骨骼式上肢康复机器人中，通过 3D 动作捕捉设备和计算机技术，监测上肢在空间的位置变化，利用 Mahony 互补算法计算患者上肢的关节活动度，以评估患者上肢的运动功能和康复疗效。Zong 等[21]将 Robu Walker 下肢步行机器人与 3D 人体动作捕捉系统相结合，记录人体下肢各个关节位置以及关节活动度变化，发现 3D 动作捕捉系统也可实时评估下肢关节活动度及行走功能。Murphy 等[22]利用光电 3D 动作捕捉采集完成伸手及喝水任务过程中的关节活动度变化，也证实了该方法的可行性。3D 动作捕捉设备精确度高，但价格昂贵，且在运动时标记点容易被其他物体和自身遮挡而影响数据采集。
Kinect 主要通过红外深度摄像头实时捕捉运动过程中肢体的运动姿态，本质是一种无标记点的动作捕捉系统。Brokaw 等[23]提出在末端牵引式上肢机器人训练过程中利用 Kinect 对患者的动作进行实时监测与信息反馈，以减少脑卒中患者出现的代偿动作，该方法不仅帮助患者以正确的运动模式进行训练，也为 Kinect 应用于机器人疗效评估提供了新的思路。韩志峰等[24]提出一种基于 Kinect 骨骼跟踪技术和 Unity3D 游戏引擎技术相结合的上肢康复训练与评估系统，利用 Kinect 设备获取各关节角度序列和距离序列，并运用算法加权评分实时提供患者上肢运动功能的改善情况。Kinect 成本较低、操作方便，但不适合手部精细运动的测量[25]。
Leap Motion 可获取手指关节的三维坐标信息，实时识别各种手势，有效弥补了 Kinect 无法测量手部精细运动的不足[26]。Li 等[27]提出 Leap Motion与算法相结合的自动化评估系统，在患者完成康复机器人任务过程中，利用 Leap Motion 捕捉手部角度信息，再运用集成学习算法自动计算出 Fugl-Meyer运动功能量表与 Brunnstrom 量表的评分结果。该研究通过对 50 例脑卒中患者进行临床试验，发现系统得到的自动评分结果与人工评分结果具有较高的一致性，提示该方法可用于患者手功能的自动评估。杨文璐等[28]将 Leap Motion 与 Unity3D 技术相结合，在偏瘫患者完成抓握动作时，获取患者的腕关节背伸角度、近端指间关节屈曲角度、掌指关节屈曲角度及拇指对指功能等特征点信息，通过与正常人体关节活动度进行对比来评估患者手指抓握功能的改善情况，但该系统尚需进一步的临床研究以验证其有效性。
基于体感交互设备的康复机器人疗效评价方法能够准确地反映关节活动范围的动态变化，在一定程度上弥补了传统临床评估方法的不足; 与基于机器人内部传感器的康复疗效评价方法相比，具有采样频率高、数据处理速度快、采集范围广、技术相对较成熟等优势。但运动功能康复评价指标单一，难以监测患肢肌力恢复状态及运动模式的改变，具有一定的局限性。
2 数学建模综合评价方法
针对脑卒中患者的康复效果综合评价，有学者提出层次分析法、模糊综合评价法和灰色关联分析法等数学建模方法总体评价训练效果，以达到全面评估和提高评估的准确性。
2.1 基于层次分析法的综合评价方法
层次分析法是定性分析与定量分析相结合的目标决策分析方法。该方法根据问题的性质和预期设定的总目标，将问题分解成不同的组成因素，即按照因素间的相互关系与隶属关系，分为目标层、准则层和方案层，从而建立一个多层次分析结构模型，并通过计算准则层、方案层中的各个因素相对于总目标的权重系数，得到综合评价结果。
王睿等[29]将层次分析法应用于运动反馈虚拟现实康复系统，初步实现了对患者康复训练整体效果的自动评价。该研究以康复训练综合评价为目标层; 以患者自身情况 A1、训练设置情况 B1 及训练过程情况 C1 为准则层; 以综合关节活动度 A11、系统训练次数 A12、训练时间 B11、训练模式 B12、训练模式难易程度 B13、动作方向准确度 C11、目标完成情况 C12 及训练完成百分比 C13 为方案层构建评价指标体系结构，并采用“1-9”标度法对各指标进行比较，得出各指标的权重。根据各指标的权重，计算出综合评价得分( 综合得分 = 0. 05A11 +0. 02A12 +0. 02B11+ 0. 01B12 + 0. 09B13 + 0. 07C11 + 0. 62C12 +0. 12C13) 。该研究为层次分析法在脑卒中患者综合评价中的应用提供了可能性，但尚需进一步的信效度研究。
2.2 基于模糊逻辑的综合评价方法
模糊逻辑综合评价法是应用模糊关系综合原理，从多因素的角度对被评价事物的隶属程度进行评价的一种综合评价方法。先确定待评价对象的因素集和评价集，再确定各因素的权重及其隶属度向量，获得模糊评价矩阵，最后对模糊评价矩阵与因素的权重集进行模糊运算并进行归一化，得到综合评价结果。
Hennes 等[30]在末端牵引式机器人训练过程中，利用机器人内部传感器和运动捕捉系统分别采集患者的手指及手臂各个关节的运动轨迹，再利用模糊逻辑算法进行模糊运算，得到最终评分。该研究对 1 名脑卒中患者与 1 名健康受试者进行测试，初步验证了该评价方法的可行性，但仍需大样本临床研究。
部分学者结合了层次分析法与模糊综合评价法提高评价结果的准确性。王建辉等[31]在五自由度穿戴式上肢康复机器人中，根据患者运动功能障碍表现的特点，选取关节活动度、肌力、肌张力、运动控制功能、反射活动及表面肌肉电信号作为评价指标，再运用层次分析-模糊分析法确定评价指标的权重系数和隶属度，构建了上肢运动功能综合评价系统。
2.3 基于灰色关联分析法的综合评价方法
灰色关联分析法是根据因素之间发展趋势的相似或相异程度，作为衡量因素间关联程度的一种方法。该方法通过指标关联度确定每个指标的权重，再加权求和打分进行综合评价。
王彤[32]在五自由度上肢康复机器人训练中，利用表面肌电信号和机器人内部传感器，获取关节活动度、肌力、肌张力、反射及运动功能障碍评价等指标，建立了基于灰色关联度的模糊层次上肢康复综合评价模型。该研究采用层次分析法和灰色关联分析法来确定各评价指标的权重，再利用模糊综合评价法进行模糊合成运算，得到上肢运动功能的综合评价结果。通过对患者进行实际评价测试，发现与临床评价结果一致，证实了该方法的可行性。
基于数学建模的综合评价方法，可全面反映患者运动功能的改善情况，然而评价指标尚无统一标准且缺乏信度和效度的研究，限制了其临床应用推广。
3 小结与展望
康复机器人作为新兴的智能训练手段，具有较好的应用前景，但与治疗系统相匹配的康复疗效评价系统尚待完善。随着信号采集及处理技术的不断发展，研究者逐渐将传感器实时定量采集数据的方法引入康复功能评价领域，以弥补传统临床康复评价手段不够客观、量化及耗时长等不足。目前，对机器人内部传感器或与外接传感器相结合获取的运动学参数进行数学建模的综合评价方法，成为国内外研究的热点，但尚需解决以下问题: 不同信息采集设备提供的参数和评价指标存在较大的差异，研究结果无可比性; 评价系统缺乏大样本、多中心的信度和效度研究。为了充分发挥康复智能设备在数据采集、信息处理等方面的绝对优势，达到从“康复训练”到“康复评价”的协调统一，亟待优化与康复机器人训练系统相匹配的康复疗效评价方法。相信随着评价系统的不断完善，将进一步推动康复机器人在康复医学相关领域的广泛应用，为康复医师和患者提供更高效的康复评估与治疗模式。
[1] LiX,.Zhong J.Upper limb rehabilitation robot system based on internet of things remote control [.J.IEEE Access,2020,8:154461-154470.
[2]田伟.医用机器人的发展现状[J].中华医学杂志，2021,101(5):374-378.
[3]励建安.人机共融，天人合———关于康复机器人应用与发展的思考[J』].中国康复医学杂志，2020,35(8):897-899.
[4钱叶叶，吴毅.脑卒中后上肢及手运动功能定星评定方法的研究进展[J].中华物理医学与康复杂志，2019,41(6).:469-472.
[5] Brtihmat N,Loubinoux I, CastelLacanal E,et alKinematic parameters obtained with the AmeoSpring for upper-limb assessment after stroke:a reliabilty and learning effect study for guiding parameter use [J].Journal of NeuroEngineering and Rehabilitation,2020,17(1):130.
[6]牛传欣，崔立军，鲍勇，等.上肢康复机器人用于神经康复的研究进展[J』].中国康复医学杂志，2020,35(8):916-920.
[7]colomboRPian F AMazone Aet al Ues gn stralejes to impove patient motivalion duig otajided rehabiliato J..ounal f NeuroEngineering and Rehabilitation.207,43[8] Longhi MAMerlo A,Prati P,et al.lnstrumental indices for upper limb function assessment in stroke patients.a validation study [!J Joumal f NeuroEnpieering and Rehabilitation,2016,13:52.
[9] KoeppelT,Pila 0.Test-retest reliability of kinematic assessments for upper limb robotic rehailiato ]!J.IE Transaclions on Neral Systems and RehaililatinEngineering,2020,28(9):2035-2042.
[10] Huang J,Tu X,He J.Design and evaluation of the RUPERT wearable upper extremity exoskeleton robot for clinical and in-home therapies [J] IEEETransactionson Systems,Man and Cybernetics:Systems,2016,46(7):926-935.
[11] vergaro E,Casadio M.Squeri Vet al.Self-daptive rot training of stroke surnivors for continuou tracking movementsg[J.Journal of NleuroEngineering and Rehabilitation,2010,7:13.
[12] Lambercy O,Dovat LYu H,et al.Efects of a robot-assisted fraining of grasp and pronationlsupination in chronic sroke a pilot stuayJtourmal f NeuroEngineeting and Rehabilitation,2011,8:63.
[13] S chwaz A,Kanzler CM.Lambercy O, et al Systematic review on kinematic assessments of upper limb movements afiter stroke [uJ Sitroke,2019,50(3)718-727[14张海燕，吴方超，李建华，等上肢康复机器人辅助训练对脑卒中患者上肢功能的影响[J].中国运动医学杂志，2019,3810)859-863.Zhang HY;WI FC,LiJH, et al Efiectof uppr limb rehailiation robot assited training on upper limb function of stroke sunivors[LJ.Chinese Journal of ports Medicine,2019,38(10):859-863[15]朱琳，席艳玲，黄海霞，等机器人辅助训练对脑卒中患者上肢屈肌痉挛的疗效观察及表面肌电图分析[J].中国康复医学杂志，2020,35(8):.954-958.
[16]LiparuloL Znang Z,Panel laMet al A nove fuzy approach for automaticBrunnstrom stage clssfication using surface elecromyographyJ!J.Medical & BiologicalEngineering & Computing,2017,55:1367-1378.
[17]王丰焱，张道辉，李自由，等适用不同Bunstrom等级患者基于表面肌电信号的动作识别方法[J机器人，2020.42(6)661-671,685.Wang FY.Zhang DHLizY.et al Method for sEMG-based motion recognition for patients at different Brunnstrom stages[J.Robot,2020,42(6).661-671,685.
[18]西安交通大学.一种基于虚拟诱导肌电定量状态评估系统及方法:CN201910696491.0[P].2019-11-29.
[1]王博超，张新峰基于人工智能和临床诊断的上肢康复评估方法研究进展[J]北京生物医学工程，2018,37(1)103-108.Wang BC,Zhang XF.Research progIrss of assessment methods based on artifcial intelience and clinical diagnosis in upper limb rehabilitation[J Bejing Biomedical Engineering,2018,37(1)103-108.
[20]j Chen LLin M. Deng Q, et al Research on moton capture of upper limb rehailiation robot [C]l12019 IEInternational Cconference on Real-time Computing andRobotics.Naples,Italy:IEEE Press,2019:48-52.
[21] Zong C.Clady X,.ChetouaniM.An embedded human motion capture system for an assistive walking robot[c差]l IEE 2011 ntem ational Conference on Rehatiliation Robotics,2011,2011:5975439.
[22] Murphy MA Wlln C,Sunnernagen KiS.Kinematlic variables quantiyin upper-extremity perfomance ater stroke during reaching and drinking from a glass [J .Neurorehabilitation and Neural Repair,2011,25(1):71-80.
[23]Brokaw EB,Lum PS,Cooper RA et alsing the Kinect to lit abnormal kinematics and compensatio trategies during therapy with en fecor obot c]u. 2013 IEEE 13th International Conference on Rehabilitation Robotics.Seattle,WA,USA:IEEE Press,2013.
[24]韩志峰，曹磊，杨文璐，等.基于休感技术上肢康复游戏系统的评价模块[J].中国康复理论与实践，2017.23(11)1341-1345.Han 2F,Cao LYan WLet al.lpper limbrehailitation game system based on somatosensoy fechnique.assessment module[J. chinese Journal of Rehatililiaion Thieory and Practice 2017,2311)1341-1345[25]刘朗，刘勇国，李巧勤，等.脑卒中患者运动功能自动化评定研究进展[J.中国康复理论与实践，2020.26(9)1028-1032.Liu LLiu YG,Li QQ,et al.Advanc&in automaticassessment of motor function for patients with stroke(review) [J.chinese Journal of Rehabilitation Theory and Practice,2020,26(9):1028-1032[2S] Kim S,Park SLee O.Development of a diagnosis and evaluaton system for hemiplegic patients poststfroke based on motion recogritio racking and analysis ofwrist joint kinematics [J].Sensors,2020,20(16):4548.
[27 Li CG,Cheng L.Yang H et a An automatic rehatiliaion assessment system for hand funcion based on leap motion and ensemble leaning [LJ cybemeics andSystems,2020,52(1):3-25.
[28]杨文璐，程恒祺，夏远，等.基于LeapMotion的手功能康复评估及游戏系统设计[J传感器与微系统，2018,3710)102-104.Yvang WwL.Ccheng HQ, Xia B,e a .Design of hand function rehabilitation assessment and game system based on LeapMotion [J. Transducer and Microsystem Technologiess2018,37(10)102-104[29]王睿，朱业安，卢巍.骨骼关键点检测技术在康复评估中的应用进展[J].中国康复医学杂志，2020,35(7):886-890.
[30] Hemnes M.Bolle K.Arenbeck H,et aL A proposal for patient-tailored supervision of movement performance during end-effector-based robot-assistetrehabilitation of the upper extremities [J].BioMedical Engineering OnLine,2014,60(3):193-197.
[31]王建辉，张程，纪圉，等.基于AHP-模糊综合评判的上肢康复机器人康复评价方法[J].沈阳大学学报(自然科学版).2012.24(3)47-51.Wan .JH.Zhang C.Ji We al Retabilitation evaluation method of upper limb rehabiliation robot based on AHP fuzzy comprehensive evaluation.J.Joural of Shenmyang Unmverit(Natural science),2012,24(3);:47-51.
[32]王彤五自由度上肢康复机器人康复评价系统的研究[D],沈阳:东北大学，2015.Wang T.Research on rehabiliaion evaluation system of5-DOF upper limb rehabiliaton robot [D].Shenyang:Northeastern University,2015.