需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

一种适用于慢性中风患者的柔性可穿戴额外机器人肢体

2.8K 次观看

DOI:

10.3791/65917

2023年10月27日

本文内容

摘要

本方案介绍了一种灵活的可穿戴式冗余机器人肢体,专为协助中风患者手指康复而设计。该设计采用弯曲传感器,以实现无缝的人机交互。通过对健康志愿者和中风患者进行实验验证,结果凸显了本研究方案的有效性与可靠性。

摘要

本研究展示了一种灵活的可穿戴式额外机器人肢体,可帮助慢性中风患者进行手指康复及抓握动作。该创新性肢体的设计灵感来源于弯曲式气动肌肉以及象鼻尖端的独特特性,重点强调了轻量化结构、安全性、顺应性、防水性以及高输出-重量/压力比等关键因素。所提出的结构使机器人肢体能够执行包络式抓握和指尖抓握。人机交互通过一个柔性弯曲传感器实现,该传感器可检测穿戴者的手指运动,并通过阈值分割方法将其与运动控制相连接。此外,该系统具有便携性,适用于多种日常场景。为验证该创新的有效性,研究开展了包含六名慢性中风患者和三名健康志愿者的实际实验。问卷反馈表明,该设计机制在辅助慢性中风患者完成日常抓握活动方面具有巨大潜力,有望改善其生活质量及康复效果。

引言

根据先前的研究1,截至2019年,全球中风病例已超过1亿例。其中约三分之二的病例导致偏瘫后遗症,超过80%的重度偏瘫中风患者无法完全恢复手部和上肢功能2。此外,预计在未来几十年中,人口老龄化趋势将持续加剧,潜在的中风患者数量将显著增加。中风后持续存在的上肢功能障碍会严重影响日常生活活动(ADLs),而手功能康复已被临床公认为提高慢性中风患者活动能力与参与度的关键目标3

传统的电机驱动上肢机器人装置可提供较大的驱动力,但其刚性结构通常导致体积庞大且重量较高。此外,一旦发生故障,可能对人体造成不可逆的伤害。相比之下,柔性气动执行器在康复4、辅助5和手术应用6中已展现出显著潜力。其优势包括安全性高、重量轻以及固有的顺应性。

近年来,涌现出大量基于柔性气动执行器设计和开发的柔性可穿戴机器人,主要用于中风患者上肢的康复及康复后期辅助。这些机器人主要包括手部外骨骼7,8和附加式肢体9,10。尽管两者均应用于可穿戴机器人与康复领域,但前者直接与人体相互作用,可能对肌肉或关节产生约束;而后者则在不直接施加约束的前提下,补充人类的工作空间或运动能力11,12。基于伺服电机开发的可穿戴附加式机械手指已被用于辅助作业治疗师开展日常生活活动(ADLs)训练9,类似方法亦见于其他研究10。这两类机械手指为偏瘫患者康复辅助机器人的应用开辟了新的可能性。然而值得注意的是,这些机器人设计中采用的刚性结构可能在使用者舒适性与安全性方面带来潜在问题。已有研究提出一种柔软可穿戴机器人手套的设计、制造与评估方法13,该手套可用于功能性磁共振成像(fMRI)期间的手部康复及任务特异性训练。该手套采用硅胶弹性体制造的柔性气动执行器驱动手指关节运动,且设备具有磁共振兼容性,不会在fMRI图像中产生伪影。Yun等人提出了Exo-Glove PM,一种基于模块化组装方式的可定制柔性气动辅助手套14。该创新设计包含多个小型模块以及可调节的模块间距,用户可通过垫片根据自身指节长度定制手套,从而在无需专门制造的情况下最大化佩戴舒适性与性能表现。研究人员还提出由弹性体材料构成并集成作为气动网络的内嵌通道的柔性执行器15,此类执行器可产生弯曲运动,安全贴合人体手指的运动轨迹。此外,有研究团队开发了AirExGlove——一种轻量化、可适应性充气式柔性外骨骼装置16。该系统成本低廉,可适配不同手型尺寸,并已成功应用于不同程度肌肉痉挛的患者,相较于刚性连杆机器人系统提供了更符合人体工学且更灵活的解决方案。尽管上述研究在柔性可穿戴手部康复与辅助机器人领域取得了显著进展,但值得注意的是,目前尚无任何一种系统实现完全便携化以及人机交互控制。

大量研究已探讨了生物信号(如脑电图(EEG)17或肌电图(EMG)信号18)与人类意图之间的相关性。然而,在现有设备和技术条件的限制下,这两种方法均存在一定的局限性。侵入式电极需要对人体进行外科手术,而非侵入式电极则存在信号采集噪声高、可靠性差等问题。这些局限性的详细讨论可在相关文献中找到19,20。因此,针对柔性可穿戴冗余机器人肢体在便携性及用户友好型人机交互能力方面的研究探索仍具有重要意义。

本研究设计并制备了一种独特的柔性可穿戴式冗余机器人肢体,用于辅助慢性中风患者进行手指康复和抓握辅助。该机器人肢体具有重量轻、安全性高、顺应性强、防水性好以及出色的输出力与重量/压力比等特性。在保持便携性的同时,实现了包络抓握和指尖抓握两种抓握模式,并确保了用户友好的人机交互体验。本方案详细介绍了气动抓手及可穿戴结构的设计与制备过程。此外,提出了一种基于柔性弯曲传感器的人机交互方法,通过阈值分割实现便捷且用户友好的控制。上述各项性能均通过实际实验得到了验证。

本研究的主要贡献总结如下:(1)设计并制备了一种轻量化、友好且可穿戴的柔性冗余机器人肢体,适用于慢性中风患者。(2)基于柔性弯曲传感器,实现了一种可靠的人机交互方法。(3)通过真实环境实验验证了所提出机构与方法的有效性和可靠性,实验包括输出力测试,并涉及六名慢性中风患者。

访问受限。请登录或开始试用以查看此内容。

方案

本方案已获得华中科技大学同济医学院附属协和医院伦理审查委员会批准。选择在作者所在医院康复科门诊及住院部接受治疗、符合诊断标准且存在上肢功能障碍的患者作为受试者。根据Brunnstrom恢复阶段21评估患者的运动功能恢复情况,选取处于3-5阶段的患者参与实验。所有参与研究的患者均签署了书面知情同意书。该方案包括气动抓握器的模具设计、基于固化硅橡胶的气动抓握器制作工艺、便携式设备的集成,以及抓握意图检测的软硬件实现。除硅橡胶和普通织物外,所有可穿戴部件均采用3D打印技术制造(见补充编码文件1-5)。

1. 设计与制备气动夹持器

  1. 按照 图1A、B 所示组装预设计的模具22。然后使用热熔胶将玻璃纤维固定在模具中指定的位置,如 图1C 所示。确保使用热熔胶密封所有可能导致硅橡胶泄漏的潜在区域。
  2. 称取适量的硅橡胶组分A和组分B(按重量比9:1)(见材料表),并按指定比例混合。混合后,使用带有可变离心力的真空混合脱泡机,离心力由设备内部预设程序确定。混合完成后,立即如 图1D 所示将混合物注入已组装的模具中。
    注:可变离心力由真空混合脱泡机通过其内部预设程序控制(见材料表)。必须逐步增加离心力,以确保硅橡胶充分混合并去除所有夹带的气泡。
  3. 让模具静置约30秒,然后将其放入真空干燥器中约1分钟,使硅橡胶中的微小气泡逸出。从干燥器中取出模具,并整体放入设定为30 °C的恒温箱中固化12小时。
  4. 重复第二步所述操作,将混合后的硅橡胶注入 图1E 所示的模具中。接着,将脱模后得到的橡胶体(如 图1F 所示)放入已填充硅橡胶的模具中。将整个组件放入设定为30 °C的恒温箱中12小时,使硅橡胶完全固化。
  5. 将固化的硅橡胶体从模具中取出,并修剪掉多余的硅橡胶。至此,柔性夹持器的制备完成。
    ​注:腔体包含两组相互独立的气动网格。由于玻璃纤维与波纹结构之间的弹性模量存在显著差异,当充气时,气动夹持器会向内弯曲,从而实现包络抓取动作。指尖设计有类似象鼻的凸起结构,可实现指尖抓取动作。

2. 组装可穿戴柔性额外机器人肢体

注意:可穿戴式冗余机械肢体包括微型气泵、气阀、单片微计算机、气动夹持器、电源、柔性弯曲传感器、可穿戴手套以及用于气动和电气连接的配件(参见材料表),如图2所示。

  1. 在裁缝的协助下精心手工制作可穿戴手套。确保根据佩戴者的反馈和裁缝的经验进行多次迭代与改进。
  2. 使用3D打印部件固定气动抓手,并用胶带将其安装在手套的适当位置。
  3. 将三个柔性弯曲传感器(见材料表)按照图3所示嵌入手套中,分别置于食指、中指和无名指上,与手指背面保持对齐。使用数据采集卡记录传感器信号。
  4. 放大传感器信号并将其传输至Arduino(见材料表)。在Arduino23中采用滑动窗口和最小二乘滤波方法处理这些信号。将处理得到的估计值作为意图检测的基准数据。
  5. 将气泵、气阀、控制板和电源等组件放入背包中以提高便携性。穿戴效果的示意图请参见图4

3. 检测抓握意图

注意:当佩戴者的手指产生运动时,传感器反馈信号会相应发生变化。其工作原理是,当传感器元件弯曲程度增大时,电路中的电阻随之增加。图5展示了某一位志愿者手指运动过程中柔性弯曲传感器记录的信号值。三条曲线分别对应安装在三个手指上的传感器所获取的信号。偏瘫患者通常手指活动能力受限,但该传感器仍能够检测到显著的变化。

  1. 采集手指运动过程中传感器变化的范围和模式数据。根据检测到的传感器信号幅值选择合适的阈值,以控制泵的启动。指导参与者在其活动范围内自由活动手指。将阈值确定为传感器反馈信号峰值与谷值的平均值。
    注意:当传感器信号超过设定阈值时,泵开始工作,随着手指进一步弯曲,气压随之增加;相反,当手指弯曲角度减小,传感器检测到的信号低于阈值时,气阀将压力释放至零,气动抓手随之松开。
  2. 要求使用者观察气动抓手的状态,判断停止充气及停止进一步弯曲手指的合适时机。
  3. 重复上述测试,以确定合理的阈值,并熟悉该设备的使用方法。

4. 使用健康志愿者测试设备

  1. 招募三名上肢运动功能正常的健康志愿者参与研究,以验证原型装置的穿戴效果和抓握性能。
  2. 将气动抓握装置的最大气压设置为 100 kPa。指导参与者进行手指的屈伸动作。让参与者穿戴原型装置,并采用前述方法对不同形状的物体进行抓握与释放实验。
  3. 收集穿戴者关于使用体验的反馈,并根据其建议调整穿戴方案。
    ​注:如图6所示,参与者成功利用该原型装置包络并抓握了不同尺寸的圆柱形物体。此外,他们还完成了对矩形块状物体的指尖抓取任务。

5. 患者的康复与抓握辅助

  1. 由专业医疗人员根据Brunnstrom恢复阶段21评估患者的运动功能恢复情况。仅允许处于第3至第5阶段的患者参与康复训练或日常辅助实验。
  2. 招募六名慢性偏瘫患者,以验证原型装置的可靠性和有效性。指导患者独立佩戴手套(不包括背包部分),并在其能力范围内活动手指,以校准阈值参数。
  3. 在康复阶段,鼓励患者进行多种抓握任务以锻炼手指肌肉。让患者坐在桌边,使用该原型装置完成一系列抓取动作,包括抓握水瓶、香蕉、立方体和牙刷。
  4. 实验结束后,要求患者根据个人体验填写相关调查问卷(补充文件1),评估以下六个方面的主观感受:对系统功能的信心;操作的简便性;穿戴的便利性与舒适性;对康复的成效与实用性;对日常生活的帮助效果与实用性;仍需改进的方面。
  5. 采用1至5分制对各项内容进行评分,其中1分为强烈不同意,5分为强烈同意。记录数据,并根据问卷结果分析原型装置存在的问题及可能的改进方向。
    注意:这不仅增加了康复训练的趣味性,也提高了患者参与康复过程的积极性。对于已达到病情稳定状态但仍难以完成手指抓握动作的患者,可借助该机械肢体辅助完成日常生活所需的某些抓握操作。

访问受限。请登录或开始试用以查看此内容。

结果

输出力实验
图7 清晰展示了我们驱动器的结构设计与尺寸,并提供了横截面示意图。该驱动器包含两组不同的腔室,每组包含五个优雅弯曲的气室。值得注意的是,在驱动器末端,我们巧妙地集成了一种突出结构,形似象鼻尖端,显著扩大了驱动器的抓取范围。

为评估软体气动执行器的输出力,进行了一系列静态抓取实验。选用单个重量分别为 20 g、50 g、100 g、200 g 和 500 g 的砝码。执行器在适当定位并充气后,随其弯曲并包络砝码而向上提起,以评估是否发生滑脱。实验结果如图8所示,其中图8A-C表示指尖抓取的实验结果,而图8D-F展示包络抓取的实验结果。

访问受限。请登录或开始试用以查看此内容。

讨论

本研究介绍了一种创新的、灵活可穿戴的冗余机器人肢体,旨在协助慢性中风患者进行手指康复和抓握任务。该机器人系统注重便携性,兼具包络抓握和指尖抓握功能。系统集成了柔性弯曲传感器,以实现用户友好的人机交互控制。静态抓握实验验证了所设计机构在两种不同抓握模式下的抓握能力。研究还开展了偏瘫患者的实验,以确认抓握功能并评估用户体验,展示了该机器人在辅助慢性中风患者康复及抓握活动中的应用潜力。

在本研究背景下,关键实验步骤可简要总结如下:(1)在将硅胶注入模具的过程中,必须保持最佳的注射速度。注射过快可能导致产生过多气泡,而注射过慢则可能影响硅胶的流动性。(2)硅胶注入后,可使用真空泵去除硅胶内部的微小气泡。但需谨慎操作,避免长时间暴露于真空泵下,否则可能导致硅胶溢出。(3)为确保所制备驱动器运动的均匀性,必须高度对称地固定玻璃纤维。(4)实验前必须仔细检查驱动器的气密性以及相关设备(包括气泵)的安全性,以确保电路不存在短路风险。(5)由于患者之间病情存在较大差异,且因性别不同导致手部尺寸差异显著,因此必须生产多种尺寸的手套,以满足个体化需求。

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本工作受国家自然科学基金(项目编号:U1913207)和华中科技大学学术前沿青年团队计划资助。作者感谢上述基金会的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
空气压缩机XinweichengF35L-JJ-24V为气动夹爪提供气源
Arduino EmakefunMega 2560单片机/数据采集卡
扩展板Mujin集成外部设备
柔性传感器Spectra SymbolFlex Sensor 2.2柔性弯曲传感器
电源YisennengYSN-37019200供电
PU快插接头ElecallPU-6PU管连接接头
PU管BaishehuiZDmJKJJy气路连接
硅橡胶WackerELASTOSIL M4601 A/B气动夹爪的材料
恒温箱Ruyi101-00A恒温以加速硅胶固化
真空干燥器FujiwaraPC-3进一步脱泡
真空搅拌脱泡机SmidaTMV-200T充分混合硅胶并脱除气泡
电磁阀SMCNTV1030-312CL控制气压

参考文献

  1. Feigin, V. L., et al. Global, regional, and national burden of stroke and its risk factors, 1990-2019: A systematic analysis for the global burden of disease study 2019. The Lancet Neurology. 20 (10), 795-820 (2021).
  2. Nakayma, H., Jørgensen, H. S., Raaschou, H. O., Olsen, T. S. Compensation in recovery of upper extremity function after stroke: The copenhagen stroke study. Archives of Physical Medicine and Rehabilitation. 75 (8), 852-857 (1994).
  3. Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
  4. Al-Fahaam, H., Davis, S., Nefti-Meziani, S., Theodoridis, T. Novel soft bending actuator-based power augmentation hand exoskeleton controlled by human intention. Intelligent Service Robotics. 11, 247-268 (2018).
  5. IEEE International Conference on Robotics and Automation (ICRA). Thalman, C. M., Hsu, J., Snyder, L., Polygerinos, P. 2019 International Conference on Robotics and Automation (ICRA), , IEEE. 8436-8442 (2019).
  6. Miron, G., Plante, J. S. Design principles for improved fatigue life of high-strain pneumatic artificial muscles. Soft Robotics. 3 (4), 177-185 (2016).
  7. IEEE International Conference on Robotics and Automation (ICRA). Yun, Y., et al. 2017 IEEE International Conference on Robotics and Automation (ICRA), , IEEE. 2904-2910 (2017).
  8. Tran, P., Jeong, S., Herrin, K. R., Desai, J. P. Hand exoskeleton systems, clinical rehabilitation practices, and future prospects. IEEE Transactions on Medical Robotics and Bionics. 3 (3), 606-622 (2021).
  9. Dynamic Systems and Control Conference. Ort, T., Wu, F., Hensel, N. C., Asada, H. H. Dynamic Systems and Control Conference, , V002T027A010 American Society of Mechanical Engineers. (2023).
  10. Hussain, I., et al. A soft supernumerary robotic finger and mobile arm support for grasping compensation and hemiparetic upper limb rehabilitation. Robotics and Autonomous Systems. 93, 1-12 (2017).
  11. Yang, B., Huang, J., Chen, X., Xiong, C., Hasegawa, Y. Supernumerary robotic limbs: A review and future outlook. IEEE Transactions on Medical Robotics and Bionics. 3 (3), 623-639 (2021).
  12. Tong, Y., Liu, J. Review of research and development of supernumerary robotic limbs. IEEE/CAA Journal of Automatica Sinica. 8 (5), 929-952 (2021).
  13. Yap, H. K., et al. A magnetic resonance compatible soft wearable robotic glove for hand rehabilitation and brain imaging. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 25 (6), 782-793 (2016).
  14. Yun, S. S., Kang, B. B., Cho, K. J. Exo-glove pm: An easily customizable modularized pneumatic assistive glove. IEEE Robotics and Automation Letters. 2 (3), 1725-1732 (2017).
  15. IEEE International Workshop on Intelligent Robots and Systems (IROS). Polygerinos, P., et al. 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems, , IEEE. 1512-1517 (2013).
  16. IEEE International Conference on Soft Robotics (RoboSoft). Stilli, A., et al. 2018 IEEE International Conference on Soft Robotics (RoboSoft), , IEEE. 579-584 (2018).
  17. Zhang, D., et al. Making sense of spatio-temporal preserving representations for eeg-based human intention recognition. IEEE Transactions on Cybernetics. 50 (7), 3033-3044 (2019).
  18. IEEE International Workshop on Robot and Human Communication (ROMAN). Sirintuna, D., Ozdamar, I., Aydin, Y., Basdogan, C. 2020 29th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), , IEEE. 1280-1287 (2020).
  19. 2020 10th Annual Computing and Communincation Workshop and Conferenece (CCWC). Mahmud, S., Lin, X., Kim, J. H. 2020 10th Annual Computing and Communication Workshop and Conference (CCWC), , IEEE. 0768-0773 (2020).
  20. Asghar, A., et al. Review on electromyography based intention for upper limb control using pattern recognition for human-machine interaction. Proceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine. 236 (5), 628-645 (2022).
  21. Naghdi, S., Ansari, N. N., Mansouri, K., Hasson, S. A neurophysiological and clinical study of brunnstrom recovery stages in the upper limb following stroke. Brain Injury. 24 (11), 1372-1378 (2010).
  22. Ru, H., Huang, J., Chen, W., Xiong, C. Modeling and identification of rate-dependent and asymmetric hysteresis of soft bending pneumatic actuator based on evolutionary firefly algorithm. Mechanism and Machine Theory. 181, 105169(2023).
  23. Qin, L., Wu, W., Tian, Y., Xu, W. Lidar filtering of urban areas with region growing based on moving-window weighted iterative least-squares fitting. IEEE Geoscience and Remote Sensing Letters. 14 (6), 841-845 (2017).
  24. Liu, S., et al. A two-finger soft-robotic gripper with enveloping and pinching grasping modes. IEEE/ASME Transactions on Mechatronics. 26 (1), 146-155 (2020).
  25. Tawk, C., Sariyildiz, E., Alici, G. Force control of a 3D printed soft gripper with built-in pneumatic touch sensing chambers. Soft Robotics. 9 (5), 970-980 (2022).
  26. Zuo, W., Song, G., Chen, Z. Grasping force control of robotic gripper with high stiffness. IEEE/ASME Transactions on Mechatronics. 27 (2), 1105-1116 (2021).
  27. Watanabe, T., Morino, K., Asama, Y., Nishitani, S., Toshima, R. Variable-grasping-mode gripper with different finger structures for grasping small-sized items. IEEE Robotics and Automation Letters. 6 (3), 5673-5680 (2021).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签