中风后和肌萎缩侧索硬化症（ALS）患者上肢运动功能障碍严重影响日常生活能力。近日，哈佛大学研究团队开发的基于ML的可穿戴机器人个性化控制对于上肢功能的辅助效果有了显著提升。相 成果发表于《Nature Communications》。
上肢运动功能障碍严重损害患者日常生活能力。尽管便携式可穿戴机器人能通过重力补偿辅助手臂运动，其实运用面临两大核心挑战：个体运动模式差异以及支撑-透明度权衡。
现有解决方案存在明显局限：基于表面肌电的意图识别需精密电极放置且易受汗液干扰；纯运动学控制难以动态响应用户意图；而团队前期开发的基于滞后效应的重力补偿模型虽能减轻手臂负重，却未实现闭环控制，且在降低手臂时仍产生较大阻力。本研究旨在突破上述瓶颈，通过开发个性化机器学习控制策略，最终在提升功能的同时保障运动自由度。
图1：软性可穿戴机器人概述及高级控制策略
（图片来自原文）
基于功能化导电聚合物的设计，研究团队设计了功能化聚苯胺基时序黏附水凝胶贴片。它可以实现心脏的同步机械生理监测和电耦合治疗，并牢固附着在心脏表面监测心脏的机械运动和电活动。
这项研究针对5名卒中后患者和4名ALS患者，本研究开发并验证了一种个性化机器学习控制策略，用于提升充气式软体肩部外骨骼对运动障碍患者上肢功能的辅助效果。核心创新在于融合意图识别模型与物理滞后模型，实现自适应辅助控制。
1.个性化意图检测模型
利用IMU运动学数据与柔性压缩传感器人机交互信号，构建轻量神经网络（IDM），实时解码肩部升降意图（UP/HOLD/DOWN）。
图2：基于未见运动数据的意图检测模型评价
（图片来自原文）
2.基于物理的滞后模型
基于Preisach模型预测维持肩部角度所需最小气压，校准耗时<5分钟/次。HOLD状态下气压降低16.7kPa（↓16.1%）而肩部下倾仅1.7°，实现支撑-透明度平衡。
3.实时控制集成
UP/DOWN意图触发角度偏移（±5°）实现预测性辅助。响应速度：DOWN方向378ms（较UP快120ms），降低手臂下放力31.9%。
图3：控制目标和实时控制器性能
（图片来自原文）
4.关键结果
相比基线控制器，多模态ML控制器显著降低了放下手臂所需的峰值力（平均减少 31.9%±2.6%）。显著增加肩屈伸活动度ROM+17.5°±4.6° 。显著增加肘屈伸 ROM +10.6°±2.4° 。显著增加腕屈伸 ROM +7.6°±2.7° 。ALS组在ROM改善方面获益显著大于中风组。在关节分离运动的下放阶段，躯干质心（COM）位移显著减少 -25.4%±6.2% 。在功能性任务的上抬和下放阶段，位移也显著减少（UP: -11.9%, DOWN: -12.9%）。参与者能更长时间地保持手臂抬高姿势（持续时间增加30.7%-179.5%），并能完成真实的ADLs。控制器在长时间使用后仍能提供动态辅助。
图4：改善上肢功能和运动质量柔性可穿戴机器人的ML控制
（图片来自原文）
本研究通过开发个性化多模态机器学习控制策略，首次实现IMU-压缩传感融合的意图检测模型（IDM）与物理滞后模型的闭环集成，成功解决可穿戴上肢机器人领域两大核心难题。为软体康复机器人提供个性化智能控制范式，推动辅助设备向轻量化、自适应方向发展，建立多维度运动质量评估体系（关节ROM+躯干代偿+手部效率），填补远端关节功能量化空白。作为辅助设备延长ALS患者上肢功能期，作为康复工具抑制卒中患者异常代偿模式，促进神经重塑。
参考文献：
James Arnold,Prabhat Pathak,Yichu Jin et al. "Personalized ML-Based Wearable Robot Control Improves Impaired Arm Function." Nature Communications, vol. 16, no. 1, 2 Aug. 2025, p. 4158, doi:10.1038/s41467-025-62538-8.
来源：BME康复工程分会
仅用于学术分享，若侵权请留言，即时删侵！
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：913607986
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
