康复机器人的人机交互控制技术研究进展
2021-11-30鲁守银袁鲁浩
鲁守银袁鲁浩
(1.山东建筑大学 机器人技术与智能系统研究院，山东 济南250101；2.山东建筑大学 信息与电气工程学院，山东济南250101)
0 引言
近年来，随着人口老龄化程度的日趋加深，脑卒中疾病及意外事故所引起的运动障碍患者显著增多[1]。现代康复医学和临床实践表明，有效的运动康复训练能够减缓患者运动功能残疾，加速脑卒中等患者运动障碍的康复进程。康复机器人可以帮助患者实现相关的运动功能训练，亦可帮助患者恢复或提高其运动功能、日常生活活动能力(Activities of Daily Living，ADL)以及生活质量(Quality of Life，QOL)。与传统医师康复治疗训练相比，康复机器人的训练过程更加平稳可控，既可保证运动训练的效率和强度，又可在康复过程中记录康复的实时数据，以便于医疗效果评价。康复机器人是缓解康复医疗资源紧张、提高康复运动训练水平的有效技术解决方案之一，具有很好的应用价值和社会意义[2]。因此，康复机器人技术应用研究获得了人们的广泛关注[3-6]。
针对运动障碍患者不同治疗训练方式的差别，根据机器人提供康复训练模式的不同，康复机器人可分为被动训练和主动训练两种。按照脑卒中患者三期康复治疗网[1]的规定，根据患者运动功能障碍情况及其患肢治疗过程的不同阶段，需要采取不同的治疗方案。被动康复训练主要适用于患者的康复初期，在这一阶段的患者一般肌力较弱，可能不具备自己运动的能力，此时需要由康复机器人带动患肢按照预定的活动路线或运动轨迹完成训练动作；在康复中后期，经过训练后，肌力得到了一定的恢复，此时患者可能更需要根据自己的意愿进行相关运动康复训练。这种根据患者自己运动意图，依靠患者自身力量或部分借助外力完成运动康复训练的方式，也称为主动康复训练。在主动康复训练过程中，通过患者的主动参与，将更加有助于促进肢体运动功能的恢复，即主动训练的康复效果较被动训练更为显著[2]。但是，与被动康复训练相比，由于需要感知患者的运动意图并据此控制机器人完成相应的运动轨迹或动作等，所以实现机器人主动康复训练将会更加困难[7]。
由于在康复训练过程中，康复机器人和患者肢体要进行运动意图的交互和直接的物理接触，所以康复机器人的控制复杂程度高，控制方式或控制系统的稳健性、柔顺性将直接影响到康复机器人的性能和康复效果。因此，开发更安全可靠、更有效的交互控制系统以提高康复机器人的性能和康复效果，是当前康复机器人应用研究道路上亟待解决的重要问题之一。
文章分析了机器人康复运动训练需求，给出了康复机器人系统的功能设计；综述了比例、积分、微分(Proportion Integral Differential，PID)控制、滑模控制、模糊控制、自适应控制等在被动训练康复机器人系统应用研究中的进展情况；重点介绍了目前在主动训练康复机器人系统中患者运动意图感知和人机交互控制技术的研究应用现状；探究了康复机器人交互控制的稳定性与安全性研究进展；讨论了康复机器人研究中有待进一步研究的问题，并展望了康复机器人的应用前景。
1 康复机器人需求分析及功能设计
目前，康复机器人主要面向肢体运动障碍患者，特别是由脑卒中引起的瘫痪患者。在脑卒中患者中，由于其肢体运动瘫痪的病变位置不同，瘫痪的肢体和严重程度也会有所不同，所以运动康复的治疗方案也不同。如上肢偏瘫患者的康复运动主要通过对上臂或手部的主动或被动康复训练，加强其肌肉组织的力度，实现臂部或手部的动作功能恢复或好转，以保证患者的日常生活质量。因此，上肢运动康复可采用臂部运动康复机器人或手部运动康复机器人；为了对踝关节、膝关节和髋关节等下肢关节运动障碍患者进行康复训练，可采用腿部康复机器人和踝关节康复机器人等下肢关节的康复训练，以维持其相关关节活动度、防止下肢肌肉痉挛，促进其受损的神经系统的结构和功能等在一定程度上组织再生，从而提高患者的康复程度[8]。
经过多年发展，康复机器人研究已经出现了很多技术成果，包括机器人本体机械设计、主动控制、柔顺性控制、治疗方案设计、康复治疗评价等很多单项技术已经开始在临床得到了应用。但是，在现有康复机器人整机系统的临床应用推广方面，还存在成本高、大规模推广难度大以及康复治疗效果有限等问题，特别是下肢康复机器人技术大规模临床应用的差距更大，尚有很多问题有待进一步探讨[9]。
运动康复疗法对肢体运动障碍患者康复起着非常重要的作用。康复机器人是缓解目前运动康复医疗资源紧张、提高康复水平的一个重要技术解决方案，机器人辅助运动康复治疗具有非常重要的应用价值和社会意义。为配合或替代康复医护人员对患者进行康复治疗，康复机器人应具备如下主要功能[10]:
(1)康复机器人训练模式设计
康复训练方法是康复机器人系统设计的重要内容，运动障碍患者早期治疗方案一般是被动训练治疗方案，而中后期康复治疗主要采取主动训练方式，以激发患者中枢神经系统的恢复或重塑，从而恢复患肢运动功能。因此，在康复机器人功能设计时，应至少可以提供被动或主动康复训练两种训练模式中的一种模式，以辅助患者进行相应的康复训练。
(2)患者康复训练任务的运动轨迹控制
针对患者具体情况的不同，治疗方案也不同，其康复运动自由度数量及组合方式、运动方式(转动、移动、复合运动)、运动幅度、运动时间、运动频率、运动规律等康复运动形式多种多样，所以机器人的控制系统应能具备训练任务的运动轨迹控制功能，并驱动机器人带动患肢及其相关部位完成运动康复训练。
(3)康复训练过程中的实时力/力矩调节
不同患者或患者不同康复阶段，康复治疗方案不同，所采用的康复运动形式及其运动过程中的康复力/力矩也会有所变化。康复过程的力度差异可能会很大，如在脑卒中上肢运动障碍患者康复运动治疗早期，患者患肢无法自己活动，应以被动康复训练为主，主要完成肌力的运动训练。在这一阶段的康复治疗过程中，要求机器人要满足运动要求，在牵引、拖拽患者上臂时，机器人要能克服患肢阻力，带动患肢相关部位达到需要运动范围的各个位置，患者上肢处于被动跟随机器人运动的状态；在患者具备一定的自主活动能力可以进行半主动康复治疗阶段时，机器人驱动系统也可以提供较小的力或力矩，根据患者运动意图，由机器人跟随患者辅助其上臂运动；患者的上肢力量足够大时，为了强化上肢力量训练，机器人在随上肢运动时，需要提供一定的反向阻尼，促进上肢及神经系统的康复。
(4)机器人本体状态实时感知和运动控制
为了完成康复治疗方案的训练运动，机器人在工作过程中要能实时感知其各关节位移、速度、力/力矩等本体运动参数、患者运动意图和患者生理指标信息以及环境相关信息等，并基于上述相关信息，根据治疗方案的运动流程实现机器人实时运动控制，完成训练任务。
(5)充分的安全防护保障措施
由于康复机器人的服务对象是运动障碍患者，行动不便，因此机器人的安全性就更加重要。在硬件设计上，机器人机械设计和控制系统设计要充分考虑机械安全装置及足够的量程安全设置，并能根据机器人实时状态信息保证安全运行；在软件设计上，要考虑控制参数的极限阈值设置与调整，确保控制机械系统的运行安全；对于患者，也要考虑人体生理信号的实时监测，并制定患者生理信号出现异常时的处置预案；在突发事件时(比如停电)，机器人系统要有相应的处置预案。
(6)康复治疗信息智能处理功能
机器人在康复治疗过程中，应将患者治疗方案、患者生理指标、机器人本体状态等信息实时保存、记录，并具备一定的统计分析功能，以便于医师对患者康复情况进行定量分析。
(7)足够的人机交互能力
康复机器人需要将医师为患者制订的康复治疗方案中的训练流程转化为机器人能执行的动作，并辅助患者完成训练任务，因此机器人应具备与医师就治疗方案进行交互的功能；在治疗过程中，机器人应能根据患者的身体情况、患肢康复情况和运动意图来调节运动状态，所以机器人和患者之间应有充分的交互能力。
2 被动训练康复机器人控制技术
被动康复训练可适用于康复训练治疗全过程，特别是在患者肌力较弱、无法靠自身力量活动时，被动康复训练是康复治疗的主要方式。被动康复训练的主要目标是提高肌肉张力，恢复患肢的主动活动能力，并缓解肌肉痉挛可能给患者带来的身体伤害。在被动训练康复机器人控制技术方面，采用的控制技术不但涵盖了PID控制、滑模控制、模糊控制、自适应控制等，为了提高控制效果，还普遍采用了多种控制方法相结合的混合控制技术[6-11]。
对于被动训练康复机器人的控制问题，PID控制是最基本的控制方法。因为康复机器人一般采用电机驱动的、多自由度机电系统，其控制系统建模复杂，而PID控制具有不依赖于被控对象模型的特点，利用PID控制方法基本可以获得较为理想的控制效果。YU等[12]利用PID控制方法对其所研究的康复机器人实施了控制，并取得了较为理想的控制效果。为了达到更好的效果，许多学者还选择了将经典PID控制方法与其他控制方法相结合的控制方案[13]。
由于滑模控制具有响应快、稳健性好和物理实现容易等优点，在机器人控制领域得到了广泛的应用。针对下肢康复机器人的末端轨迹跟踪问题，沈显庆等[14]采用双曲面正切函数的滑模控制器，对机器人末端进行直接控制，减弱了传统滑模控制存在的抖振问题，提高了误差收敛速度，实验结果也表明了双曲面正切函数滑模控制器的有效性。MADANI等[15]给出了一种模块化控制系统结构体系，利用快速终端滑模方法控制外骨骼完成了康复任务。李醒等[16]提出了一种基于数据驱动的无模型滑模控制方法，并以5自由度外骨骼上肢康复机器人为仿真对象，仿真实验证明了该方法的可行性。黄明等[17]通过基于代理的滑模控制方法，讨论了由气动肌肉驱动的2自由度可穿戴式康复机器人的腕关节康复训练位置控制问题。YANG等[18]针对5自由度外骨骼机器人系统建模不确定性和未知扰动的问题，设计了基于有限时间扰动观测器的非奇异快速终端滑模控制器，实现了关节角度的跟踪。
模糊控制是一种基于模糊逻辑推理的智能控制方法，可用于对难以建立精确数学模型的控制系统进行稳健性控制，特别是在非线性时变系统控制方面优势明显。JU等[19]设计了一种可以协助神经肌肉障碍患者进行康复训练的2自由度康复机器人系统，给出了一种可以跟踪运动轨迹并保持运动方向恒定力/力矩的模糊逻辑控制器。吴青聪等[20]研究了模糊滑模导纳控制方法，给出了基于上肢康复机器人平台的模糊滑模导纳控制算法，实验验证了所提控制方法的可行性。为了消除滑模控制方法产生的抖振现象，结合模糊控制技术和滑模控制技术，RAHMANI等[21]研究了一种7自由度外骨骼式上肢康复机器人，设计了一种新的快速模糊滑模控制器，保证了系统对外部干扰和未知动力学模型的稳健性。
自适应控制方法可以通过参数在线调整或估计，有效解决康复机器人控制系统存在的参数不确定或参数变化未知等问题。王峰等[22]基于自适应控制算法开发了机器人控制系统，实验结果验证了机器人系统轨迹跟踪控制的可行性。梁旭等[23]通过自适应模糊逼近器对人与机器人系统动态不确定性进行估计，设计了自适应模糊控制器，经过多组对比实验验证了自适应控制器的有效性。
3 主动训练康复机器人控制技术
在被动训练阶段，只需要机器人带动患肢沿着预定的运动轨迹活动即可，机器人运动轨迹是预先设定的，在被动训练治疗过程中，患者只是被动参与。但在主动训练康复阶段，为了提高康复效果和患者参与训练的积极性，需要机器人按照患者运动意图提供主动训练康复运动[23]。因此，为了提高患者在机器人辅助训练过程中的参与度，需要机器人与患者之间加强交互，并根据所感知的患者运动意图来控制机器人关节的活动，从而带动患肢进行康复训练运动。与被动训练相比，主动康复训练的控制问题难度更大，主要需要解决如下几个方面的问题:(1)患者运动意图的感知技术；(2)人机交互控制技术；(3)控制系统安全稳定问题；(4)人机交互模式问题。
3.1 感知技术
主动训练过程中，实时有效的感知技术是保证康复机器人训练效果的首要条件。通过感知系统，机器人可以获取患者主观运动意图，然后再结合感知系统检测到的机器人自身状态信息及相应的控制策略，从而实现机器人与患者的主动训练康复运动。
感知系统要求既能感知患者和机器人本体的状态信息，还要能够帮助实现患者与机器人的信息交互和物理交互。感知系统是形成闭环机器人控制系统，保证机器人系统控制精度的主要组成部分，也是保证利用力、位置等信息反馈实现机器人系统柔顺控制的必要环节。另外，通过感知系统所获取的相关评估信号也是康复机器人性能评估标定的主要指标。
目前，机器人感知系统比较成熟的感知技术包含了人机运动信息和人体生理信息等感知技术。康复机器人感知系统所用的传感器可分为物理信息传感器和生理信息传感器。物理信息传感器主要用于康复训练过程中人机交互运动的位置、力等物理信息感知；生理信息传感器主要用于患者的肌电或脑电信息等生理信息的感知。
3.1.1 运动信息感知技术
在机器人康复运动训练过程中，人机交互运动信息主要包括位置(速度、加速度)信息和力信息。目前，检测运动信息的物理量信息传感器主要包括位置传感器、角位移传感器、加速度传感器、力传感器等。传感器设备种类较多，如位置传感器就有光电编码器、磁编码器、霍尔传感器、电位计等多种传感方式。其中，光电编码器、电位计等位置/角位移传感器等可安装在康复机器人的某些关节电机内部或电机旋转轴上，用于检测关节位置/角度运动信息等。李剑锋等[24]研制的踝功能康复机器人安装了绝对式编码器，检测其3个运动关节的角位移和角速度的信息，为机器人的轨迹跟踪提供了反馈控制信息；CHIRI等[25]将霍尔传感器安装在关节旋转轴上，不但用来测量肢体旋转关节的角位移，还充当了限位开关，保证了机构旋转关节的活动范围。
除了位置/角位移传感器外，为了更好地感知患者身体相关部位的姿态，加速度计、弯曲度传感器、陀螺仪、数据手套等感知装置或技术也得到了广泛的应用。其中，弯曲度传感器、陀螺仪及加速度计等传感器与位置/角位移传感器类似，主要是安装在机器人的活动关节上用来检测患者的运动状态。一般情况下，陀螺仪和加速度计两者经常综合使用。加速度计可安装在待测物的水平面上，由于重力作用，待测物体转动时加速度计的敏感轴会产生转动，加速度也会产生变化，从而可以体现待测物体的姿态变化。陀螺仪可用来检测待测物体的动态角速率，通过对角速率积分从而得到待测物体的姿态角度。ESQUENAZI等[26]采用陀螺仪检测患者姿态，通过计算获得患者的质心活动轨迹和步态特征，实现了机器人辅助患者行走的功能。为了降低陀螺仪和加速度计的测量误差，减少传感器数据融合得到姿态数据的漂移现象等噪声干扰，可以考虑利用滤波算法对姿态数据的噪声和漂移进行校正处理，以提高其测量精度[27]。
在康复机器人主动训练过程中，人机交互的力信息是非常重要的感知信息，力信息主要是指由于人体上下肢肌肉收缩所形成的作用于机器人关节机构的力，也称为交互力。可以通过将力传感器安装在机械结构中进行交互力的测量，也可通过人机交互系统动力学建模进行估计。康复机器人进行交互力的信息检测时，常用的力传感器主要有多维力传感器、电容式力传感器、应变式力传感器、压阻式力传感器、触觉传感器、电子皮肤等。但在进行交互力测量时，一般需要借助机器人的机械结构才能实现，所以力信息的获取较为复杂，不如人体生理信号检测方便灵活，所以这也限制了基于交互力的康复机器人控制方式的应用[28]。相比于人体生理指标信息，力信号测量的准确性和可靠性更高，同时也能更好地反映患者的主管运动意图，因此基于交互力信息的康复机器人控制性能更加可靠。
3.1.2 基于表面肌电信号的感知技术
现有的康复机器人主要通过人机交互力信息来获得患者的主观运动意图，但由于交互力信息的滞后性和康复训练过程中主观运动意图建模困难，因此基于交互力感知技术尚不能很好地解决人机交互控制的安全柔顺性问题。基于人体肌电信息的康复机器人交互控制也是目前的研究热点之一。肌电信号(Electromyogram，EMG)来源于人体运动神经元，能够反映出人体骨骼肌的激活状态，是中枢神经系统支配的肌肉神经控制信号。肌电信号大约先于骨骼肌收缩100 ms产生[29]，通过人体肌电信号获得患者的运动意图，可以很好地提高患者在康复训练过程的主动参与程度。
表面肌电信号(surface Electromyography，sEMG)是骨骼肌的肌纤维运动单元动作产生的电位变化信息[30]，可以将电极贴合在相应的皮肤表面来获取该部位的肌电信息，在一定程度上表征神经肌肉的活动情况[31]。由于sEMG信息电信号微弱，所以在测量时具有很大程度的不稳定性，对于同一个人同一个动作所采集到的肌电信号都可能不同。所以，如何提取肌电信号特征是进行基于肌电信号的交互控制首先要解决的问题。目前，常用的提取sEMG信号特征的方法主要有频域法、时域法和时频域法等。常用的频域法包括倒频谱分析、功率谱估计等特征计算方法；时域法主要有均值、绝对值积分、均方根、过零点率、平方和等方法；时频域法目前较常见的有小波变换法和维格纳分布[9]方法。
表面肌电信号具有如下特点:信号获取较为简便，不需要较为复杂的机械结构；传统力传感器检测到的力信息是所有肌肉群作用下的肢体运动情况，表面肌电信号可以反映特定肌肉群的电活动程度，可以获得对肢体的运动意图进行更加细致的感知；基于表面肌电信号的交互控制灵活，可实现健肢对患肢的主从控制；表面肌电信号比常规检测到的力信号灵敏度高，对于患肢自主活动能力较弱的患者，使用表面肌电信号检测患者主观运动意图更为合适。目前，肌电信号已广泛应用于康复治疗过程中。肌电信号的检测一般是通过在人体皮肤表面粘贴一组贴片电极来测量表面肌电信号，并经过放大、滤波等信号处理后，可判断出各肌肉的活动程度，从而识别出人体患肢的动作模式并控制康复机器人的运动。单一通道的肌电信号只能反映某些特定肌肉的活动情况，为了获取患者主观运动意图，一般情况下最好基于多块肌肉电信号的活动情况，才能较为可靠地获得患者主观运动意图[32]。
在康复训练过程中，如何通过肌电信号识别出患者的主观运动意图，是康复机器人人机交互控制的关键所在。丁其川等[33]介绍了肌电信号判别患者主观运动意图的方法有离散动作模态分类、关节连续运动量估计及关节刚度/阻抗估计，并介绍了基于sEMG的主观运动意图识别技术现状。
3.1.3 基于脑电信号的感知技术
人类大脑是由众多神经元组成的，人们的思维活动就是这些神经元之间相互联系的反应，这些反应是通过人体大脑皮质中枢神经系统的神经元细胞电生理活动来实现的。人们的思维活动也会引起神经系统神经元的活动变化，影响神经元的电活动特性，从而反映为脑电信号(Electroencephalogram，EEG)发生了相应的变化。脑电信号是大脑皮质锥体细胞突触在活动时产生的离子交换而形成的电波信号，是神经元细胞之间传递信息时产生的生物电信号。
脑电信号的传统分析方法主要包括时域分析、频域分析和谱分析等，近年来，随着非线性动力学和神经网络的深入研究及广泛应用，人工神经网络和非线性动力学分析等脑电信号分析方法也得到了广泛的关注[34]。
(1)时频分析法
早期脑电信号分析方法是在时域信号中直接提取其特定波形特征的信息，常用的分析方法主要有波形参数分析和波辨识、峰值检测、直方图分析、自回归模型(Autoregressive model，AR)、相关分析、方差分析等时域分析方法。相对于时域描述，脑电信号的频域表示更加的简单直观，所以有很多脑电信号的研究结果是在频域下得到的，如阶比谱分析、包络分析、频谱分析、全息谱分析、倒频谱分析等方法都是常用的频域分析方法。
时频分析方法则兼有上述两种方法优点，可在时域上将信号的频率特性展示出来，在描述脑电信号的局部频率及其幅值特性方面具有明显优点。
(2)高阶谱分析法
高阶谱分析方法是对功率谱分析法的推广，也是脑电信号分析的一种常用方法。由于脑电信号不是单纯的高斯分布，所以采用二阶谱分析时，可能会丢失部分非线性高阶信息，影响脑电信号分析效果。因此，针对随机的非高斯过程的脑电信号，采用高阶谱分析法可以从更高阶概率描述随机信号，获得包含偏离分布程度、信号相位等更多的非线性信息。另外，在理论上高阶谱对高斯噪声有更好的抑制能力，可提高脑电信号参数估计的可靠性。
由于高阶谱计算量随阶数的增加而更加复杂，所以脑电信号高阶谱分析法一般情况下采用双谱分析法，其可以挖掘出常规脑电图无法显示的深层次隐含信息。刘海红等[35]基于不同注意力状态下的几组脑电信号，采用双谱分析法研究了双谱切片特征值，结果表明不同脑电部位的信号在相同意识状态下的非线性耦合特性存在差异性，体现了双谱分析在脑电分析中的潜在价值。
(3)非线性分析法
近年来的研究结果表明，如把脑电信号视为系统输出，则人类大脑神经系统是一个复杂的非线性动力学系统[36]。随着脑电信号非线性动力学的发展，洛伦兹散点图、李雅普诺夫指数、关联维数、复杂度、奇异谱等非线性方法在脑电信号分析中得到广泛应用，非线性动力学已成为研究大脑和脑电信号的有效技术手段[34]。
(4)人工神经网络方法
人工神经网络常被简称为神经网络，是对人类大脑思维功能进行抽象、对人脑神经网络进行模拟的一种并行计算模型，是由大量的节点(或神经元)相互连接而形成的复杂网络。人工神经网络结构主要包括网络输入层、网络隐藏层和网络输出层。早期人工神经网络的隐藏层较少，所以结构一般较为简单，随着隐藏层的增多以及多种网络结构模型的提出，目前逐渐出现了很多类型的神经网络模型，其中卷积神经网络模型在脑电信号的分析领域中得到较为广泛的应用[37]。
除了上述4种类脑电信号的分析方法外，其他的一些脑电信号研究方法如基于经验模态分解与随机森林的脑电信号分类法[38]等，也在很大程度上拓展了脑电信号分析方法的研究应用，对于研究大脑功能机理也起到了很大的推动作用。
3.2 人机交互控制技术
在康复机器人进行主动康复训练过程中，为了给患者提供一个有效的康复训练环境，安全可靠的人机交互控制系统是关键要素之一[39]。人机交互控制系统需要根据康复训练任务要求，将感知系统获得的患者运动意图和机器人的实时状态信息作为反馈信息，采取一定的控制策略，构建人机交互闭环控制系统，实现机器人的安全可靠控制。安全可靠的人机交互控制技术，是康复机器人实现康复训练的首要条件，直接影响主动康复训练中患者的参与程度及机器人康复训练功能的实现，在很大程度上直接影响了康复机器人的功能和康复效果。
3.2.1 基于运动信号的交互控制
运动信号主要是指在患肢训练过程肢体活动时，通过相应传感器采集获得的肢体关节等部位的位置、角度、力等运动信息，基于运动信号的控制可分为位置/力控制和阻抗控制，其中位置/力控制又可分为位置控制、力控制、力位混合控制等多种交互控制方式。
(1)位置/力控制方式
位置控制康复机器人主要是指进行主动训练时，康复机器人带动患肢根据预定的运动轨迹活动，辅助患者完成训练任务。这种控制方式主要以运动轨迹的误差或运动速度的误差作为控制对象，使机器人跟踪预定轨迹进行运动，从而使机器人带动肢体沿着预设轨迹活动进行康复训练。CEMPINI等[40]研制了外骨骼式手部康复机器人，采用位置闭环控制方式实现了对机械手的运动控制。张林灵等[41]针对上肢康复机器人位置控制问题，研究了运动方向信息处理系统，滤除了运动过程的抖动，提高了机器人位置控制准确性，保证了机器人康复训练过程的安全性和舒适性。
力控制是指基于传感器检测获得的患者肢体产生的力/力矩信息，对与患者接触的机器人执行器末端或关节作用力/力矩所做的控制，如IQBAL等[42]研制的外骨骼机器人就采用了力反馈控制系统。力控制以患者和机器人之间的交互力作为控制对象，使机器人可以根据患者运动意图进行相应的运动，从而帮助患者完成康复训练任务。王昱等[43]针对上肢康复机器人，设计了融合视觉反馈的触觉反馈系统，研究分析了基于力跟踪的康复机器人上肢训练的效果。AGARWAL等[44]针对外骨骼康复机器人，采用力/力矩信号作为前馈信号的PID控制，在不引起振荡的情况下减少延时，实现了扭矩的迅速产生，得到了较好的期望转矩轨迹。力/力矩信息可通过机器人结构中安装的力/力矩传感器直接测量，也可通过人机系统的动力学模型获得。力/力矩信号是对患者主观运动意图的直接反映，因此基于力信号的交互控制较为可靠稳定。
力位混合控制是指根据位置的偏差和力/力矩的偏差作为反馈信号对康复机器人进行控制，从而控制机器人实现人机交互，辅助患者完成主动康复训练。JONES等[45]针对外骨骼式的康复机器人，采用了力和位置2类信息作为反馈控制信号，实现了外骨骼机器人的实时控制，保证了机器人康复训练过程的控制精度和系统安全性。王晓峰等[46]设计了基于无模型自适应的康复机器人主动训练控制方法，以交互力矩为输入，结合机器人末端点和参考轨迹相对位置、补偿力的信息，设计了阻抗控制器调节各关节预定速度，并结合无模型自适应、离散滑模趋近律的速度控制器，完成了机器人各关节的速度跟踪。
(2)阻抗控制
阻抗控制是对机器人期望机械阻抗实施控制，此概念在1985年就被提了出来[47]，是刚性控制和阻尼控制的推广。康复机器人的阻抗控制技术可分为基于力/力矩和基于位置的阻抗控制两类。
在基于力/力矩的阻抗控制中，力/力矩控制回路作为内环回路，根据实际位置信号调整所需的力/力矩，从而实现期望的力/力矩阻抗。而基于位置的阻抗控制系统的内环回路是位置控制回路，根据反馈的力/力矩信息实时调整期望的运动轨迹。在机器人应用中，基于力/力矩的阻抗控制需要精确的系统动力学模型，并且对系统的不确定性以及时变参数的变化非常敏感，其优点是控制器的响应带宽较高[48]。所以，对于机器人建模精度较差的系统，可以使用自适应/稳健轨迹跟踪方法保证跟踪误差的精度。同时，由于常用的伺服电机控制系统一般都具有位置/速度控制模式，针对康复机器人的位置控制系统，采用基于位置的阻抗控制技术比较容易实现，这种算法较为成熟，性能也较为稳定，因此基于位置的阻抗控制得到了更加广泛的实际应用[49]。
基于阻抗控制技术的机器人系统力控制和位置控制不需要在力控制子空间和位置控制子空间之间切换，阻抗控制可通过控制机器人末端执行机构的运动和接触力之间的关系，达到动态行的理想控制效果，所以阻抗控制技术可实现康复机器人的主动柔顺，尽可能地降低机械机构与患者肢体间的对抗程度，可为患者带来一个更加舒适、安全的人机交互，减少患肢再次被伤害的可能性。在采取阻抗控制的机器人系统中，可以利用位置、速度、加速度的误差作为反馈信号。HUSSEIN等[50]针对康复机器人步态训练，基于阻抗控制技术设置了基于速度误差的柔顺偏离窗口，以患者脚底和脚踏板之间的作用力作为反馈信号，控制窗口内训练步态的速度。
3.2.2 基于肌电信号的交互控制
基于肌电信号的控制方法也可以提供根据患者主观运动意图的控制策略[51]。表面肌电信号可从驱动肢体关节动作的肌肉提取，蕴含了肌力和关节角加速度等很多信息，可为辅助患者康复训练的机器人多模态控制策略提供交互信息，并且由于肌电信号比肢体关节实际动作超前产生，可为机器人运动的预测提供信息，也可补偿机器人系统动力学模型计算所造成的时间延迟。因此，基于表面肌电信号的康复机器人控制成为了人机交互控制中的常用方法之一，也成为了机器人运动康复的一种主动训练方式之一。
人体肌肉群的激活情况可由表面肌电信号反映，并且通过对患者表面肌电信号的分析，可以得到患者的运动类型、力量大小等主观意图，所以采用患者表面肌电信号作为控制信号的机器人运动控制也体现了患者的主观运动意图，从而可以达到患者通过机器人辅助实现患肢进行运动康复的目的。
针对偏瘫患者的运动康复训练，可以根据患肢的患病程度采取不同的交互控制策略。对于健肢活动自如的患者，可以通过健肢控制患肢进行相关的运动康复训练，也可以利用患肢的肌电信号作为控制信号设计机器人的交互控制器。这样就使得患者能主动收缩患肢的肌肉，能通过患者主观意识的练习来促进患肢肌力及神经功能的康复。对于较为严重的偏瘫患者，其患肢肌肉可能已严重萎缩，可以通过重建肌肉相关神经来进行控制，从而使严重瘫痪的患者也可通过表面肌电信号进行运动康复训练。ZHANG等[52]研究了基于肌电信号的上肢康复机器人肩肘复合运动模式识别与控制方法，开发了一种表面肌电信号采集系统，利用表面肌电信号的特性干扰动作模式，采用肌电积分法确定目标运动的起点和终点，实验验证了机器人系统的目标运动识别率和相应的反应速度的有效性。
3.2.3 基于脑电的交互控制
对于肌肉萎缩严重的患者来说，肌电信号采集是比较困难的，所以运用脑电信号可能是一个比较好的替代方法。脑电信号可以直接反应患者的主观运动意图，且实时性强，可以更为快速地识别运动意图。20世纪90年代末，CHAPIN等[53]为了确定运动皮层神经元是否可以用于实时设备控制，通过实验进行了验证，结果表明利用脑皮层神经元信号可以用于机器人手臂运动控制，这些结果为瘫痪病人的机器人运动康复提供了可行性。
目前，脑电信号的获取方式主要包括植入式和非植入式。其中，植入式脑电信号获取方式的优点是采集的信号空间分辨率高、信噪比高，包含的信息丰富，便于提取到较为精确可靠的控制信号，而缺点是电极植入手术具有较大的风险，有可能给患者带来另外的伤害，所以多数患者可能是不愿意接受的。非植入式脑电信号采集方式主要采集的是患者头部表皮的脑电图信号，从而实现大脑和外部世界基于脑电信号的信息沟通，其缺点是脑电图信号抗干扰能力差。
由于脑电信号能真实反映患者的主观运动意图，所以对于无法采集肌电信号的肢体瘫痪患者可以通过脑电信号来识别其运动意图，从而控制康复机器人实现自主康复运动训练，这为该类患者提供一种不需要肌肉系统也能够与外界环境进行运动意图交互的新渠道[54]。运动康复训练可以加快脑卒中瘫痪患者大脑皮层运动功能恢复，也可通过外界刺激诱导患者备用或新生神经环路形成，也可强化原来正确的神经环路或修正错误的神经环路[55]。运用脑电信号对患者进行思维训练可以促进其神经可塑性，对于脑卒中瘫痪患者运动功能恢复具有非常重要的意义。基于脑电信号的康复机器人交互控制，就是采集能够表达患者运动思维的脑电信号，进行特征分析，基于模式分类结果实现患者运动意图的识别，再利用这些识别结果作为康复机器人的控制指令，控制机器人带动患者进行运动康复训练，促进患者的运动康复。
利用脑电信号交互控制技术关键是设计有效的脑机接口(Brain Computer Interface，BCI)。脑机接口是指人脑神经与外部设备间建立的直接连接通路，是一种人脑神经思维信息与外部设备进行信息交互和功能整合的技术。脑机接口为开发一种利用大脑信号控制的新交流机制提供了机会，其可以不依赖于外周神经-肌肉系统来实现直接的意图表达或控制操作，这种技术对那些运动障碍的人非常有帮助[54-55]。通过脑机接口技术就可以开发出利用脑电信号的控制装置，可以帮助肢体运动障碍严重患者、语言交流障碍患者与外部环境进行信息交互。
根据功能，脑机接口可分为:(1)只能单向获得大脑的信息；(2)只能向大脑单向输入信息；(3)能够与大脑双向交流信息。目前，关于脑机接口技术的应用研究主要集中在只能单向获得大脑信息的脑机接口技术[56]。HOCHBERG等[57]利用四肢瘫痪患者的侵入式脑电信号成功地实现了机械臂的运动控制。但是，侵入式的脑机接口由于涉及开颅、将探针植入灰质等操作，存在很大的人身安全隐患，不可避免地会造成一些神经元细胞的坏死，具有较大的危害性。并且电极植入时间久了，可能会在电极周围的脑细胞中出现疤痕组织，影响后续的脑电信号接收。在半侵入式的脑机接口中，需要将电极植入到大脑的颅骨内部，处于脑膜外而非灰质内，所测得的脑电信号比非侵入式测量的信号更清晰，具有更好的精度和灵敏度。
非侵入式的脑机接口一般布置在头皮外，虽然得到的脑电信号是低质量的，但是可以避免手术给患者带来的危害。因此，非侵入式的脑机接口在实际应用中仍然是最为优选的方式，也是目前最成熟的脑机接口技术。非侵入式脑机接口常用方法是运动想象法，从脑电信号中提取运动意图的方法是让受试者想象自己的左右手或身体某部位运动，根据大脑控制身体相关部位运动的神经区域提取出的脑电信号分析识别出不同激活度信息。这种基于运动想象的脑电信息分析方法在康复机器人交互控制领域得到了非常广泛的应用[58]。
目前，基于脑电信号的机器人交互控制研究主要集中在离线的分类识别和回归分析，只是说明了基于脑电信号进行康复机器人交互控制的广泛应用前景，但是要想达到实际应用的程度，还有一定的距离。所以，实时的机器人脑机接口交互控制还面临着很多的挑战，即(1)采集的实时脑电信号不具备离线研究所用脑电信号的数据完整性，识别准确性肯定也会受到影响；(2)需要保证基于脑电信号的交互控制实时性，这不但要求基于脑电信号进行患者运动意图识别，更重要的是如何保证基于当前脑电信号进行运动意图的预测；(3)在实际应用中，针对真正无法进行任何思想沟通交流的患者，如何确认其大脑想象的肢体运动意图的准确性等，都是要进一步考虑的问题。
4 交互控制的稳定性与安全性
在康复机器人辅助患者进行运动康复的过程中，机器人和患者之间的物理交互是必不可少的，因此如何保证交互过程中的安全问题是首先要解决的问题之一。同时，由于机器人系统存在动力学不确定性，且人机物理交互过程也经常发生一些动作冲突，所以现有的康复机器人交互控制闭环系统的稳定性问题还是很难解决的一个问题。
为了提高外骨骼康复系统与患者交互过程中的灵活性，AGUIRRE-OLLINGER等[59]提出了一种新的下肢外骨骼控制方法，通过增加一个由低通滤波角加速度乘以负增益组成的反馈回路来模拟惯性补偿提岀一种对惯量进行补偿的闭环控制器，实验表明该控制器可以使患者获得稳定的关节活动频率。针对患者与外骨骼机器人交互系统中的不确定性和非线性问题，基于模型参考自适应阻抗控制，BI等[60]建立了基于位置控制内环的人机交互动力学模型，提出了一种外骨骼康复机器人交互力控制方法，并依据李雅普诺夫稳定性理论进行了自适应控制器设计，实验验证了该方法在外骨骼式手部康复训练机器人非线性人机交互力控制的有效性和稳健性。
针对康复机器人与患者进行直接物理交互可能导致的系统稳定性问题，许多研究人员采取一些创新的控制技术开展了大量的研究工作，也取得了很多有价值的研究成果。YU等[61]采用一种新型紧密型串联弹性驱动器，提出了一种步态康复机器人的交互控制策略，给出了该控制器下闭环系统稳定性的理论证明。MENDOZA等[62]针对康复机器人辅助治疗系统，提出了一种改进的基于波的双侧遥操作方案，保证了遥操作器的稳定性。LI等[63]基于无源性判据和绝对稳定性判据，研究了双用户触觉遥操作系统与三边触觉系统的稳定控制结构，并就绝对稳定性判据和无源性判据的保守性进行了证明。KASHIRI等[64]采用李雅普诺夫方法研究了柔性关节机器人系统的稳定性、无源性以及系统全局渐近收敛性问题，提出了一种将虚质量融入位置控制模式中的控制方法，实验表明当任务执行过程中存在较大位置误差时，系统仍然具有较为理想的阻尼响应性能。
5 展望
最近几年来，各种各样的康复机器人不断涌现，为了保证机器人的安全稳定运行，很多学者或技术人员采取了多种多样的人机交互控制技术，也取得很多富有成效的研究成果。但是，从现有的科技文献来看，康复机器人的人机交互控制仍然存在许多有待进一步研究的技术问题:(1)如何评价机器人康复训练效果?这是涉及考虑采取什么样的人机交互控制策略的前提条件。由于患者的个体差异性及其训练策略的不同等，康复机器人训练效果评价标准也很难统一，因而如何设计合理的机器人和患者之间的交互控制策略也就具有很大的挑战性。(2)如何精准地感知患者的运动意图?康复机器人的目的是辅助患者进行康复训练，因此为了保证机器人的康复训练效果，精准、稳定地感知患者的运动意图是进行康复机器人的交互控制的前提条件。(3)如何保证机器人的安全稳定性?由于机器人和患者之间存在紧密的物理交互，因此机器人的稳定性问题是人机交互控制必须解决的关键问题之一，否则有可能存在对患者二次伤害的隐患。
总之，随着康复机器人相关技术的快速发展，不久的将来必将会有安全稳定、更加有效的康复训练机器人走进医院、社区、家庭，造福更多的患者。
