一种用于提升多功能假肢控制能力的结构化康复方案：一项案例研究

摘要

随着假肢技术的发展朝着实现自然控制的目标迈进，利用截肢者学习新运动技能的固有潜能可能有助于提升操作熟练度。本文描述了一种结构化的康复训练方案，该方案包含模仿、重复和强化学习策略，旨在改善多功能假肢的控制能力。

摘要

机器人系统的进步使得上肢假肢能够实现多功能运动。然而，这些复杂的系统要求上肢截肢者学习复杂的控制策略。人类具备通过模仿及其他学习策略掌握新动作的能力。本方案描述了一种结构化的康复方法，该方法包含模仿、重复和强化学习，旨在评估这种方法是否能够改善多功能假肢的控制能力。一名具有4年假肢使用经验的左前臂截肢者参与了本案例研究。所使用的假肢为带有腕部旋转功能的Michelangelo手，并额外增加了腕部屈伸功能，从而实现了更多样的手部运动组合。在接受结构化训练后，该受试者的南安普顿手功能评估量表得分从58分提高至71分。这表明，结合模仿、重复与强化学习的结构化训练方案可能在学习控制新型假肢手的过程中发挥积极作用。然而，仍需开展更大规模的临床研究以验证这些发现。

引言

在截肢患者中恢复手部功能是一项艰巨的任务。协调高技能的手部动作并非天生能力，人类需要经过多年学习才能掌握^1–5。在手部遭受创伤性丧失后，通过假肢手段复制这种功能并非易事，可能需要长期的学习过程。

假肢设计及其控制接口方法正经历快速的技术革新，旨在以自然的方式实现多功能控制。⁶ 为向截肢者提供更多功能，这些控制系统的复杂性显著增加。为确保这些系统得到精确控制，并减少新技术被弃用的情况，必须建立充分的训练方案。若该训练方案基于截肢者固有的学习策略，则更有可能取得成功。

视觉在学习手部运动过程中可能发挥重要作用。行为学研究表明，通过观察他人的动作⁷或利用视觉提示⁸，健全个体能够学习并协调新的运动。通过观察、理解及执行所观察到的动作这一过程，个体得以模仿他人的行为。特定的大脑皮层网络（可能包括镜像神经元系统，MNS）被认为构成了这一能力的神经基础，并可能在控制假肢肢体中发挥作用。^9–11

模仿的作用可能不仅限于执行已观察到的动作，还可能与运动神经元系统（MNS）共同作用，使个体能够执行尚未直接观察过、但可从观察者自身运动经验中推断出的动作。¹² 事实上，模仿可能并非一种与生俱来的能力，而是随着时间积累运动技能后形成的、更为熟练和复杂的行为表现。¹³ 研究表明，相较于仅仅想象动作，实际观察动作更能有效促进新任务的学习。¹⁴ 因此，模仿可能是一种对截肢者进行训练的实用方法，因为有证据表明，模仿是一种以目标为导向的过程¹⁵，其在康复环境中的目标是实现假手的有用功能。

康复研究已分别表明，视觉提示（例如假肢手的虚拟模拟）可在康复训练期间激励截肢者。¹⁶ 此外，采用分组范式进行重复训练已被证明能够促进上肢假肢控制的快速学习。¹⁷ 尽管已有研究证实，对于健全受试者而言，虚拟模拟在控制肌电装置方面与真实操控假肢手具有同等效果，¹⁸ 但其对截肢者的影响在采用标准化结局指标时仍不明确。最后，尽管目前已有针对上肢截肢训练的方案，但其中关于模仿在假肢控制学习过程中所起作用的讨论尚不明确。^19,20

本研究旨在探讨在结构化训练项目中，结合使用模仿、重复和强化是否对多功能假肢控制的学习具有积极影响。

本文报告了一例经桡动脉截肢患者接受多功 能假手使用训练的病例。该受试者此前已习惯操作传统的肌电假肢。通过视觉提示，包括模仿健康示范者的动作以及简单的计算机视觉反馈，该截肢者对其新设备的操作能力迅速得到改善。

方案

本研究遵循赫尔辛基宣言，经当地研究伦理委员会批准。在研究开始前，向参与者详细解释了研究内容，使其有充分时间考虑是否自愿参加本研究，并通过知情书面同意确认参与。

注：一名27岁男性参与了本研究。该受试者视力正常，为左侧肘下截肢者，且为经验丰富的假肢使用者（累计使用假肢4年）。在开展本研究之前，他日常使用的假肢为一款4通道肌电控制假手，配备腕部旋转功能，每日使用12至15小时，已持续使用15个月。该受试者的右手曾接受过外科手术重建，但无其他躯体或神经功能障碍。

1. 研究设计

1. 将研究分为两个阶段进行：初次使用阶段和结构化训练后的使用阶段。
   注意：这是为了分别在训练前后进行受试者自身的对比。
2. 确保这两个阶段至少相隔三个月，以便将其视为相互独立的实验。
3. 在每个阶段开始时，为受试者安装定制的接受腔和假肢。确保所使用的假肢硬件和控制算法与本方案材料部分所述一致。确保受试者在两个阶段之间的间隔期内无法使用该定制假肢。
4. 根据本方案中“初次使用阶段”和“结构化训练阶段”部分所述步骤对患者进行训练。在每个阶段开始时，校准假肢硬件，并利用采集的校准数据实现假肢的实时控制。
5. 完成初次使用阶段和结构化训练阶段后，采用南安普顿手功能评估程序（Southampton Hand Assessment Procedure, SHAP）对受试者的表现进行评估²³。将SHAP评分与基线数据进行比较，基线数据使用受试者常规假肢获得（在任一训练阶段之前采集）。

2. 材料

1. 为受试者安装定制的接受腔。根据制造商的说明连接市售假肢。在假肢手上配备可实现主动腕关节屈曲、伸展和旋转的原型组件。这使得受试者能够以3.5个自由度（DoFs）控制假手（表1）。
   注意：本实验中使用了Michaelangelo假手（见材料列表）。其他具备腕关节旋转、屈曲和伸展功能并配有标准抓握功能的终端装置也同样适用。
2. 在残肢周围等距放置八个原始信号电极，以采集肌电信号，并使用板载解码系统以1,000 Hz的采样率进行信号采集，模数转换深度为10位。根据供应商的技术规范，在电极内部完成初始滤波和放大处理。使用个人计算机（PC）进行主要信号处理，该计算机通过无线连接与数据采集硬件通信，并控制假肢。
   注意：本研究中所使用的表面肌电电极及板载解码系统（AxonBus）来自Otto Bock公司。其他厂商生产的类似设备亦可适用。无线连接采用蓝牙方式，其他通信方式也可替代使用。

3. 控制算法

1. 采用一种能够实现多自由度（DoF）同时且比例控制的控制算法²¹。本研究中使用的算法为两阶段决策范式，从而实现基于上下文的运动估计。
2. 在系统训练完成后（系统包含所有可控制的单自由度运动），记录输入的肌电信号（EMG）。
3. 在第一阶段，基于新计算的EMG特征向量与训练数据之间的马氏距离（Mahalanobis distance），评估预期运动的内在维度信息，并判断用户意图执行的是精细的单自由度（1-DoF）运动还是较粗略的双自由度同时运动（2-DoF）。
   注意：特征向量 x 到类别 i 的马氏距离，其中类别均值向量为 µ_i，协方差矩阵为 Σ_i，其计算公式为：
   
   如 Amsuess et al 所述，新计算的特征向量被映射到高维空间，变换后的点与任一已训练类别点之间的马氏距离被用作新颖性度量²¹。通过经验确定的距离阈值，可判断该运动是否为新颖运动（即2-DoF）或非新颖运动（即1-DoF）。
4. 在第二阶段，根据前一阶段的判断结果，选择两个并行估计器之一——一个用于处理顺序运动（SEQ-E），另一个用于处理同时运动（SIM-E）——以向假肢提供控制信号。
   注意：SEQ-E本质上是一种基于共同空间模式（CSP）的比例估计器（i.e., 依据肌肉收缩强度）²¹，而SIM-E则为线性回归器，可同时驱动腕部的两个自由度。

4. 软件框架

注意：本研究中使用的软件框架可处理假体硬件与嵌入式控制算法之间的通信，同时还提供了直观的辅助训练工具，有助于最大化受试者的训练效果。

1. 以极坐标图形式显示从 8 个等距放置的电极采集的肌电（EMG）信号的均方根（RMS），该极坐标图表示 EMG 振幅随电极位置的变化。这种可视化反馈可方便监测前臂横断面上 EMG 的空间分布。利用此设置，用户的每一种动作均可在极坐标图中产生独特的模式²²，该模式可被保存并用于训练特定手势的可重复性。
   注意：该框架支持以标准模式识别方式采集 EMG 数据²³。对每个 EMG 通道，计算 40 毫秒内的均方根值，公式如下：
   
   从而获得每个集成时间窗内的观测值。
2. 在初始校准阶段，采集每种预期动作的最大长期自主收缩（MLVC）值。通过使用示教者的手部动作示范，并结合语音和视觉指令，提示受试者执行目标动作，持续 5 秒。
3. 校准完成后，向受试者呈现一组梯形提示信号。这些力廓线包含设定在校准最大值 30%、60% 和 90% 的平台期。
4. 在每次试验中，指导受试者通过调节所提示动作的用力水平，使红色指针沿提示轨迹移动（图 1）。指针的垂直位置对应于全部八个通道的 RMS 值之和。将每次试验的持续时间设为 5 秒，其中平台期位于中间 3 秒。

5. 初始实验阶段

注意：在初始训练阶段，参与者此前从未接触过本研究中所采用的假肢控制方案。

1. 不要向参与者提供任何正式的临床培训，仅需说明残肢的8种动作（其中一种为静息状态）可用于控制计算机屏幕上的视觉目标。这些任务类似于假肢控制中经典的模式识别方法所使用的任务²³，而本研究中的参与者对这些方法已有约60小时的先前经验。
2. 在屏幕上以文字和静态图片的形式显示所需执行的动作，并配合视觉提示进行（图1）。
3. 向参与者展示其肌电信号（EMG）激活模式，这些模式对应于八个特定且唯一的极坐标图（图2）。
4. 使用听觉指令鼓励参与者遵循视觉提示。若在结构化训练环节中使用听觉指令，则必须保持完全一致。
5. 在不同手臂位置（放松位、向前伸展位、交叉位）下重复执行任务三次，以增强系统训练效果。需注意共有8种不同动作和3个力度等级，当所有手臂位置均覆盖后，系统训练输入总计为72个独立样本。
6. 完成上述步骤后，在进行SHAP结局评估之前，允许参与者练习实时控制。
7. 确保参与者在初学者阶段结束后，无法再接触定制假肢及控制算法。

6. 结构化培训课程

1. 在初次训练 session 三个月后，进行一次结构化训练 session。
2. 将该 session 按照以下有序步骤进行（图 3）：
   1. 模仿阶段：指导参与者实时直接模仿示范者所执行的八个目标动作（表 1），每个动作持续执行 3 秒。
   2. 重复阶段：要求参与者将已模仿的动作重复 10 次，使每个动作持续 30 秒。
   3. 强化与计算机系统训练阶段：让参与者开始与计算机的视觉反馈进行交互，设置与初次训练 session 完全相同，确保这两个阶段之间无任何差异。
   4. 假肢控制阶段：在完成结局评估之前，要求参与者练习对定制假肢的实时控制。
3. 在模仿阶段，将参与者以与示范者呈 45° 角的位置就座，并确保其能够完全且无遮挡地观察到示范者的手部动作，且示范手应与参与者受影响的一侧相对应，在所有动作过程中均保持此视角（图 4）。此时，参与者不应接收到任何来自计算机屏幕的视觉提示。
4. 在重复阶段，当参与者执行动作时，示范者应观察每个动作所对应的极坐标图所表示的肌电（EMG）活动（图 4）。一旦示范者确认参与者能够为每个动作产生独特且可重复的 EMG 激活模式，即要求参与者在无任何视觉提示的情况下将每个动作重复 30 秒。
   注：共有 8 个独特的动作——其中七个动作（前臂旋前/旋后、腕屈/伸、手张开、钥匙握、精细捏）需要肌肉激活，第八个动作为无动作状态，代表稳定的放松状态。
5. 在完成强化与计算机系统训练后，向参与者呈现其八个动作的视觉反馈，其显示方式与初次训练 session 中完全一致，对应于计算机屏幕上八个独特且特定的极坐标图（图 3）。为优化表现，要求参与者在观察实时极坐标图及叠加记录动作的情况下执行各个动作，以加强学习，通常每个动作需进行 2–4 次尝试。一旦确认参与者已具备能力，即可完成与初次训练 session 中完全相同的任务。

7. 假体控制

1. 使用每次会话的训练数据集来校准和调整假体，以实现实时控制。
2. 最初仅允许受试者通过顺序比例控制方式操控假体，i.e., 每次仅执行一个动作，设备运动速度与肌肉收缩程度成正比。
3. 当全部八种动作均能以可重复且可靠的方式完成时，切换至比例同步控制模式，允许多个腕部动作同时进行。
4. 让受试者练习简单任务，例如拿起一个瓶子并将其侧放（尝试2次即足够）。在进行结果评估前给予一段休息时间。本研究中，初学会话需休息2小时，结构化会话需休息24小时。

8. 结果测量

1. 在初学状态和结构化训练阶段，均采用SHAP评估上肢整体功能，该方法可密切监测与日常生活活动（ADL）密切相关的手部及上肢功能。SHAP中执行的任务包括操作轻质和重物，以及诸如用刀切割物体或解扣子等日常生活活动任务。SHAP已通过验证，可用于病理性及假肢手功能的评估。²⁴
   注意：本研究选择该测量方法，是因为该受试者此前一直由其临床团队常规使用此结局指标进行随访。

结果

在测试前8个月，临床工作人员测量到该参与者使用日常假肢时的基线SHAP得分为81。SHAP得分为100代表健全手部功能²⁴。在初次使用更先进假肢控制系统时，该参与者的总体SHAP得分为58。然而，在3个月后，除结构化训练外未再接触新系统的情况下，该参与者使用相同先进系统时的SHAP得分提升至71（表2）。

当将总体SHAP评分分解为各项功能评估时，观察到该参与者在所有功能组（球形抓握、力量抓握、指尖抓握、侧方抓握和伸展抓握）中的表现均良好，仅三脚架抓握除外。然而，改善最显著的是伸展功能，这是新型控制方案和假肢所提供的功能，而其传统假肢并不具备（图5）。这可能也促进了球形抓握的改善，其表现经过结构化训练后优于基线水平或初始训练阶段。此外，涉及腕部与手部联合动作的复杂日常生活活动（ADL）动作，例如水罐和纸盒倒水动作，在使用先进假肢系统完成结构化训练后执行效果最佳。

...

讨论

本研究结果表明，对于该受试者而言，结构化训练有助于在单次训练中提升对多功能假手的控制能力。本研究所采用的结构化训练方案结合了模仿、重复以及强化训练，针对的是该受试者使用传统假手无法完成的手部动作。

尽管该受试者在使用传统假肢时SHAP测试得分更高，但值得注意的是，他在过去15个月中每天通常佩戴该装置12至15小时。根据基线SHAP评分的记录可以明显看出，经过很长的学习期后，他已经学会并适应了其传统假肢。在已充分适应传统假肢的情况下，切换至多功能手时所遇到的困难，体现在“初试”阶段表现的显著下降中。这一现象是可预期的，因为已有证据表明，当个体学习新的运动技能时，会建立起执行这些动作的内部模型²⁵。当这种内部模型受到某种形式的干扰时（例如更换为需要新的控制输入方式的新假肢），原有学习带来的后效需要一定时间才能消退，同时新的内部模型才能逐步建立²⁶。尽管如此，仅经过一次结构化训练，该受试者在SHAP测试中的部分任务表现即超过了其常规装置，并且总体得分接近使用传统假肢时的水平。如本方案第6节所述，采用结构化训练可能是促使受试者实现熟练控制的关键步...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
米开朗基罗手	Otto Bock Healthcare Products GmbH, A	8E500=L-M
AxonRotation	Otto Bock Healthcare Products GmbH, A	9S503
腕屈肌	Otto Bock Healthcare Products GmbH, A		原型单元
AxonMaster	Otto Bock Healthcare Products GmbH, A	13E500
电极	Otto Bock Healthcare Products GmbH, A	13E200=50AC
剪式栅电极载体	Otto Bock Healthcare Products GmbH, A		原型单元
采集软件	Otto Bock Healthcare Products GmbH, A		原型单元
碳纤维轴	Otto Bock Healthcare Products GmbH, A		原型单元