SCI论文（www.lunwensci.com）:
摘要：随着我国卒中患者的逐年增加,传统的人工康复治疗手段已经远远无法满足现阶段的临床需求。而结合了机器人技术和临床康复医学的康复机器人能够有效的替代康复医师,实现精确、高效、智能化的康复训练。随着康复机器人研究的不断深入,以机器学习为代表的人工智能技术在康复机器人领域得到广泛应用。本文首先概述了康复机器人的研究现状和一些关键技术,然后对机器学习在康复机器人研究中的具体应用进行了系统分析,最后对机器学习在康复机器人中应用进行了总结和展望。
关键词：康复机器人；机器学习；人工神经网络；支持向量机；深度学习
The Application of Machine Learning in the Research of Rehabilitation Robot
ZHANG Wei1,MENG Qingyun2,LI Minji1
(1.School of Health Science and Engineering,University of Shanghai for Science and Technology,Shanghai 200093;2.Shanghai University of Medicine and Health Sciences,Shanghai 201318)
【Abstract】：With the increase of stroke patients in China year by year,the traditional artificial rehabilitation therapy has been far from meeting the current clinical needs.The rehabilitation robot combined with robot technology and clinical rehabilitation medicine can effectively replace the rehabilitation doctors,to achieve accurate,efficient and intelligent rehabilitation training.With the development of rehabilitation robot research,artificial intelligence technology represented by machine learning has been widely applied in thefield of rehabilitation robot.This paper first summarizes the research status and some key technologies of rehabilitation robots,then makes a systematic analysis of the specific application of machine learning in the research of rehabilitation robots,andfinally summarizes and prospects the application of machine learning in rehabilitation robots.
【Key words】：rehabilitation robot;machine learning;artificial neural network;supportvector machine;deep learning
0引言
随着国民生活方式的转变以及人口老龄化问题的加重,我国的脑血管患病人数逐年增加。截止到2018年底,我国40岁以上卒中患者人数达1318万,而与此同时全国康复医师人数仅为3.8万。康复医师的缺乏使得超过半数卒中患者术后无法得到及时有效的康复治疗,从而严重影响了患者的恢复,给患者及其家庭带来了长久的负担[1]。康复机器人结合了临床康复医学和机器人技术,能够为患者提供持续、高强度、可重复的康复治疗,极大地减轻了康复医师的工作量。而且随着技术的不断进步,康复机器人在交互性和可操控性方面有了显著提升,从而使得机器人辅助康复治疗更加规范化和系统化,目前康复机器人已经在临床康复治疗中得到广泛应用[2]。
近些年来,人工智能和机器人技术的蓬勃发展,以机器学习为代表的人工智能技术在康复机器人研究中得到广泛应用。与传统的康复机器人不同,智能康复机器人通过对传感器采集到的物理信号或生物电信号进行特征提取和分类,建立分类模型并将模型用于康复机器人的实时控制中,实现了康复训练过程中对患者运动意图、运动趋势的智能判断,进而控制康复机器人更好地配合患者完成相应的康复训练。通过人工智能和康复机器人的这种有机融合,使得康复机器人在智能化、交互性、有效性等方面都有了显著地提升,推动了康复机器人在康复治疗中的更加广泛地应用和康复机器人技术本身的进一步发展。
机器学习等人工智能技术在康复机器人领域的应用是康复机器人理论研究与实际的康复需求相适应的结果,但相关研究总体上还处于起步阶段,随着人工智能在康复机器人领域的应用日趋成熟,其在康复医学领域有着很大的发展潜力和广阔的应用空间。本文通过对机器学习在康复机器人的研究应用进行梳理分析,分析了机器学习在康复机器人领域的研究现状并进行了总结和展望。
1康复机器人研究概述
大脑的可塑性和功能重组理论是康复机器人用于临床康复治疗的重要理论依据。由于脑卒中对中枢神经系统的损伤,卒中患者术后一般都会有不同程度的运动功能障碍。现有的理论研究和临床实践表明,基于神经突触的可塑性和运动再学习可以实现神经系统的功能重组[3]。基于该理论,卒中患者在康复机器人的辅助下完成针对性的重复性康复训练,能够有效地恢复肢体的运动能力。
1.1康复机器人类型
随着康复机器人研究的不断深入和细化,现有的康复机器人设备可以基于不同的角度进行分类。基于功能需求可以分为：辅助/替代型和训练/治疗型等；基于康复训练的躯体部位,可分为上肢机器人、下肢机器人和手部机器人；基于机器人执行机构的不同,康复机器人也可分为末端牵引式和外骨骼式两种类型[4]。
1.2康复机器人交互控制
在卒中患者的康复训练过程中,为了恢复患者的肢体运动控制和协调能力,需要患者通过主动的方式逐步参与康复训练并最终实现自主运动。因此,在主动康复训练过程中,患者与康复机器人之间的交互和协同至关重要[5]。首先,交互控制使得康复训练在一个更加安全和柔顺的条件下进行,通过机器人主动交互控制策略降低患者受到二次伤害的可能性。其次,交互控制会基于传感器采集到的信息来判断患者的主动运动意图,然后配合患者逐步实现对肢体的完全主动控制,从而到达更好的康复效果。根据传感器所采集的信号的不同,康复机器人的交互控制策略可以分为两种:基于物理信号的控制方法和基于生物电信号的控制方法[6]。
1.2.1基于物理信号的交互控制
在基于物理信号的交互控制中,物理信号主要是肢体在运动过程中产生的压力、角度等物理量。这些物理量可以通过力/力矩、弯曲传感器等直接测量,也可以通过人机混合系统的动力学模型仿真来估算。目前在康复机器人的基于物理信号的交互控制策略中,为了更精确地预测患者的运动意图,许多设备通过多种传感器同时采集多种物理信号,然后基于多传感器融合的控制方案来达到更好的交互控制。
1.2.2基于生物电信号的交互控制
在康复机器人的交互控制中,有两种生物电信号最为常用,即表面肌电(Surfaceelec-tromyogram,sEMG)和脑电(Electroencephalo-gram,EEG)。EEG信号微弱,受噪声和伪迹影响较大。骨骼肌运动产生的肌电信号反映特定肌群的活动,使用sEMG进行运动意图识别可以缩短信息延迟。由于sEMG相较于EEG在采集技术和运动意图的直接反应等方面的优势,基于sEMG的康复机器人控制得到广泛应用。
2机器学习在康复机器人中的应用
机器学习(Machine Learning)是通过模拟人类的学习行为来赋予计算机类似于人类的决策能力,从而实现计算机的智能化。这一过程的实现主要通过计算机算法对海量数据进行处理,从而获得新经验和知识,并不断改善性能实现自身的进一步完善[7,8]。
机器学习中大部分的算法主要用于解决分类问题,而康复机器人在康复训练过程中对患者的运动意图的识别也属于这一范畴。通过在康复机器人控制系统中引入机器学习算法,实现对患者运动意图的智能分类和识别,提高康复训练的效果。目前,支持向量机、人工神经网络等经典的机器学习算法已经在康复机器人研究中得到广泛应用。
2.1基于人工神经网络的康复机器人
人工神经网络(Artificial Neural Network,ANN)是模拟人脑神经元结构进行信息处理的一种数学模型。神经网络中的每个神经元接收大量的输入信号,执行输入的加权和,通过非线性激活函数产生激活响应并对随后连接的神经元传递输出信号[9]。
Feng等[10]基于反向传播(BP)神经网络,提出了一种基于sEMG信号的具有主动触发控制系统的气动康复手套。通过选取sEMG信号的3个最优特征值作为BP神经网络分类输入,建立手部运动的分类器。并基于不同患者对应的BP神经网络模型中每个节点的权重和阈值不相同,建立了BP神经网络模型库,在训练不同的患者时调用相应的网络进行运算。在先期实验中该系统的手部运动趋势识别准确率在90%左右,证明具有较好的临床有效性。
Guo等[11]设计了一种运用小波神经网络对sEMG信号处理的手部康复训练机器人系统。该系统在实验条件下模式识别的准确率达到了93.70%±2.22%。Xu等[12]提出了一种基于进化动态模糊神经网络(EDRFNN)的自适应阻抗控制器,用于上肢康复机器人的自适应阻抗控制。基于遗传算法(GA)、混合进化规划(HEP)和动态反向传播(BP)学习算法的EDRFNN阻抗控制器混合学习算法,以受损肢体的机械阻抗参数和期望阻抗控制参数分别作为阻抗控制器的输入和输出。仿真结果表明,该控制器具有良好的动态控制性能和对受损肢体状态变化的鲁棒性。
针对上肢康复机器人轨迹跟踪控制中患者痉挛性扰动的非线性和不确定性,Pang等[13]提出一种基于RBF神经网络的迭代学习控制算法。该算法将单隐层前馈神经网络与迭代学习相结合,在上肢康复过程中,该算法加快了轨迹跟踪误差的收敛速度,在干扰环境下快速抑制干扰。通过仿真验证了所提算法的可行性和有效性。
2.2基于支持向量机的康复机器人
支持向量机(Support Vector Machine,SVM)是建立在统计学习理论基础上的一种数据挖掘方法,支持向量机的机理是寻找一个满足分类要求的最优分类超平面,使得该超平面在保证分类精度的同时,能够使超平面两侧的空白区域最大化[14]。支持向量机能很好地处理模式识别(分类问题、判别分析)等诸多问题。
Cai等[15]提出了一种基于sEMG信号的运用SVM分类器进行上肢意图识别的康复机器人控制框架。该控制策略通过支持向量机识别患者健侧的运动模型,然后控制机器人协助患侧进行相应的镜像康复治疗。
Yin等[16]提出了一种基于模拟退火(SA)算法的支持向量机模型,用于下肢外骨骼机器人运动模式的识别。为了提高支持向量机的整体性能,采用模拟退火算法获得支持向量机的最优参数。集成在鞋底的压力传感测量的压力信号与附在大腿、小腿和足部的惯性测量单元测量的位置和姿势信息融合,作为支持向量机的输入。基于不同运动模式的实验表明,该算法的准确率达到97.47%±1.16%。
Wu等[17]提出了一种CNN-SVM组合回归模型来估计不同运动速度下的膝关节角度,从而实现下肢康复机器人的智能控制。通过使用卷积神经网络(CNN)模型自动从机械信号中提取特征,并使用支持向量机处理特征进行角度估计。
2.3基于深度学习的康复机器人
深度学习(Deep Learning)是近些年兴起的机器学习领域的新的研究方向。其原理是基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程。通过对原始信号进行逐层特征变换,将样本在原空间的特征表示变换到新的特征空间,自动地学习得到层次化的特征表示,从而实现分类或特征的可视化[18]。
Wang等[19]基于预训练的AlexNet模型生成了一个改进的多层卷积神经网络(CNN),用于对典型手势进行识别和分类,从而实现了通过手势操控下肢康复辅助支撑系统。
Cha等[20]开发了基于深度学习算法的下肢康复机器人紧急停止预测系统。通过步态康复训练过程中的正常关节数据来训练双向长短期记忆预测(bi-LSTM)模型,开发了一种具有累积误差的基于阈值的实时算法,用于步态康复过程中观察到异常行为时预测紧急停止。
Ren等[21]提出了一种基于深度学习的运动预测模型,预测多关节运动的轨迹来实现上肢外骨骼机器人的控制轨迹。惯性测量单元(IMU)和sEMG信号作为输入,通过Multi-Stream LSTM Dueling(MS-LSTM Dueling)模型来预测用户的运动,预测可以用作外骨骼的期望运动轨迹,上肢康复机器人可以基于此实时跟踪用户手臂两侧的运动。
3总结与展望
如今,机器学习虽然已经在康复机器人领域取得很大进步,但仍面临着不少挑战。
首先是训练数据集不足的问题。基于机器学习算法的康复机器人控制系统需要严格的计算模型才能达到预期的结果,而深度学习等算法模型的构建是以海量的训练数据为基础的。然而在康复医学领域,医疗资源匮乏、患者隐私保护等原因使得有效训练数据的收集面临着极大的困难。
其次是数据标准化和数据质量问题也严重制约了机器学习在康复机器人领域的应用。由于整个康复机器人领域缺乏统一的行业标准,使得不同的患者或康复设备之间收集的数据无法兼容。这造成了数据的质量和使用率非常低,进而无法构建有效的算法模型。
总的来说,人工智能等新技术进一步提升了康复机器人的适用范围和临床效果,使得康复机器人越来越多被用于临床实践和社区/家庭康复。人工智能在康复医学特别是康复机器人领域已经显示出巨大的发展潜力,二者的融合必将为康复医学领域带来巨大变革。
参考文献
[1]中国心血管健康与疾病报告2020概要[J].中国循环杂志,2021,36(6):521-545.
[2]BERNHARDT J,MEHRHOLZ J.Robotic-Assisted Training after Atroke:RATULS Advances Science[J].The Lancet,2019,394(10196):6-8.
[3]谢财忠,徐格林,刘新峰.脑卒中后早期康复的研究进展[J].中国康复理论与实践,2009,15(10):908-912.
[4]周媛,王宁华.康复机器人概述[J].中国康复医学杂志,2015,30(4):400-403.
[5]HASAN S K,DHINGRA A K.Performance Verification of Different Control Schemes in Human Lower Extremity Rehabilitation Robot[J].Results in Control and Optimization,2021,4:100028.
[6]梁旭,王卫群,侯增广,等.康复机器人的人机交互控制方法[J].中国科学:信息科学,2018,48(1):24-46.
[7]陈凯,朱钰.机器学习及其相关算法综述[J].统计与信息论坛,2007(5):105-112.
[8]杨剑锋,乔佩蕊,李永梅,等.机器学习分类问题及算法研究综述[J].统计与决策,2019,35(6):36-40.
[9]焦李成,杨淑媛,刘芳,等.神经网络七十年:回顾与展望[J].计算机学报,2016,39(8):1697-1716.
[10]FENG Y F,ZHONG M W,WANG X S,et al.Active Triggering of Pneumatic Rehabilitation Gloves Based on Surface Electromyography Sensors[J].PeerJ Computer Science,2021,7:e448.
[11]GUOSX,WANGZ,GUOJ.StudyonMotionRecognition for a Hand Rehabilitation Robot Based on sEMG Signals[C]//2019 IEEE International Conference on Mechatronics and Automation(ICMA).IEEE,2019:1061-1066.
[12]XU G Z,SONG A G.Adaptive Impedance Control Based on Dynamic Recurrent Fuzzy Neural Network for Upper-Limb Rehabilitation Robot[C]//2009 IEEE International Conferenceon Control andAutomation.IEEE,2009:1376-1381.
[13]PANG Z X,WANG T Y,LIU S,et al.An Iterative Learning Algorithm Based on RBF Neural Network in Upper Limb Rehabilitation Robot[C]//2021 IEEE 10th Data Driven Control andLearningSystemsConference(DDCLS).IEEE,2021:293-298.
[14]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.
[15]CAIS Q,CHENY,HUANGSY,et al.SVM-Based Classification of sEMG Signals for Upper-Limb Self-Rehabilitation Training[J].Frontiers in Neurorobotics,2019,13:31.
[16]YINZ,ZHENGJ,HUANGL,etal.SA-SVM-BasedLocomotion Pattern Recognition for Exoskeleton Robot[J].Applied Sciences,2021,11(12):5573.
[17]WU H F,HUANG Q,WANG D Q,et al.A CNN-SVM Combined Regression Model for Continuous Knee Angle Estimation Using Mechanomyography Signals[C]//2019 IEEE 3rd Information Technology,Networking,Electroni c and Automation Control Conference(ITNEC).IEEE,2019:124-131.
[18]尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,41(1):48-59.
[19]WANG P,ZHANG Q,LI L,et al.Deep Learning-Based Gesture Recognition for Control of Mobile Body-Weight Support Platform[C]//2018 13th IEEE Conference on Industrial Electronics andApplications(ICIEA).IEEE,2018:1803-1808.
[20]CHA B,LEE K H,RYUJ.Deep-Learning-Based Emergency Stop Prediction for Robotic Lower-Limb Rehabilitation Training Systems[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2021,29:1120-1128.
[21]RENJ L,CHIEN Y H,CHIA E Y,et al.Deep Learning based Motion Prediction for Exoskeleton Robot Control in Upper Limb Rehabilitation[C]//2019 International Conference on Robotics and Automation(ICRA).IEEE,2019:5076-5082.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/48623.html
