人工智慧技術在運動康復中的應用

www.wanfangdata.com.cn

人工智慧技術在運動康復中的應用_百度學術?

xueshu.baidu.com

什麼是人工智慧？

人工智慧（Artificial Intelligence，簡稱AI），是研究和模擬人類智能、智能行為及其規律，用人工的方法和技術，使計算機系統能模仿、實現和擴展人類的智力行為[1]。興起源於20世紀50年代的美國，一度與生物工程、空間工程並列稱為當代三大尖端科學工程，是頂尖科學家研究的重點領域。 AI在最初的自動推理、認知建模、機器學習方面技術已相當成熟，在神經元網路、自然語言處理、專家系統、智能機器人等方面的理論和應用上也取得不錯的進展和可喜成果。

實現AI技術主要有三個，一是知識模型化表示技術；二是機械推理技術，即利用推理、演繹和啟發式搜索的問題求解方法；三是有效組織和自動實現求解的智能系統的構造方法技術[2]。隨著AI技術改進，專家系統技術又實現了人工智慧從理論研究走向實際應用從一般思維方法探討轉入專門知識運用的轉變。還有人工神經網路（Artificial Neural Networks，ANN）對人腦系統的簡化、抽象和模擬，是由大量的處理單元（稱為神經元）廣泛地互相連接而形成的複雜網路系統（或稱為高度複雜的非線性動力學系統），具備人機功能的許多基本特性，採用ANN結構和方法可以解決傳統人工智慧研究以符號邏輯為基礎的所遇到的一些困難問題。ANN還有別的相似含義的稱呼，如連接主義機制（Connectionism）、並行分布處理PDP（Parallel Distributed Processing）和神經計算機（Neurocomputer）。

本文綜述了AI技術在運動康復研究、康複評以及康復治療或訓練等方面的應用，旨在為康復工作者提供更廣闊的工作思路和科研方向。

人工智慧在運動康復的積極作用

首先，AI為運動康復科研提供了更好的手段。

基於機器人任務導向的方法研究可提供更新穎的肌肉骨骼運動建模方法和提高對生理性能預測的準確性[3]，如圖1所示對人體運動三維軌跡的實時捕捉，傳統的康複測量技術無法達到這種精確度的運動人體建模，尤其是動態的運動重建。有了AI的應用，動態運動重建就可以通過控制模擬人類模型跟隨捕捉標誌實時軌跡實現[4, 5]。操作空間控制和實時模擬的技術可呈現人類在任何狀態下的運動表現機能，如圖2所示，對不同太極動作的人體的軌跡捕捉，就可以進行模擬人體太極動作的運動模型，這將大大提高了對中國傳統武術動作的科學分解和研究。由此可見， AI 的應用，不僅改善運動康復科研的技術手段，使人體模型的運動合成、分析更科學；更難能可貴的是，使得象太極拳這些傳統的運動康復手段也有了先進的研究手段。

其次，AI的應用使得康複評定更直觀和準確。

傳統的康複評定費時費力，分析數據處理繁雜，而AI用於康複評定則很好地解決這些問題。如上肢評定的智能設備是可穿在身上的慣性感測器，同樣可以評估康復患者受損的上肢運動控制，同時敏感檢測和分類是由在正常活動產生有多少次特定的手臂運動[6]，評估指標的數據可以立刻顯示，並與計算機連接，數據統計無縫連接，以此評估上肢康復進展和制定運動訓練計劃更為便捷。傳統的步態分析只利用簡單的工具，無法獲得很多相關參數只能做粗略分析。智能化的步態分析評定方法藉助計算機視覺技術，通過視頻感測器通過預處理、特徵呈現、特徵選擇以及分類模塊對來自移動身體測量模型步態特徵識別，行走的每一幀序列擬合的人體模型和參數，如運動軌跡、關節角度、臀部位置、肢體長度、身體部位和物理距離等[7]。步態識別作為一種依據人體走路步態進行身份識別的技術，具有易於採集、遠距離識別、難於隱藏等優點[8]，正逐步在智能監控、臨床醫學、康復治療、運動分析、智能人工腿設計、身份識別等眾多領域得到很好的應用[9]。

不僅單項的康複評定技術可以人工智慧化，與運動障礙相關的某些疾病的診斷，如腦癱，也可以通過結合人工智慧和專家系統的設計原理與方法，進行診斷與康復治療。採用運動檢測儀器測量腦癱患者的運動姿態數據，構建腦癱的人體模型，這樣就可以建立基於人工神經網路的腦癱運動功能診斷系統的總體構架，實現對腦癱的診斷[10]。另外通過神經網路的訓練實現從體征數據到體征評價的非線性映射，實現對腦癱患者的運動功能進行評價。

再次，AI在運動康復技術的應用解放了治療師，使康復治療更輕鬆。

AI在運動康復治療技術的應用涉及了兩類關鍵技術，即腦機介面（Brain-Computer

Interface，BCI）和結合運動想像（Motor Imagery，MI）技術。兩者的結合的優點是可以智能技術激發患者參與的主動性。BCI是不依賴於大腦外周神經與肌肉組成的正常輸出通路的通訊控制系統，連接大腦與外部環境之間的鴻溝[11, 12]。如圖3所示，人們可以藉助BCI直接通過腦來表達想法或操縱設備， 而不需要語言或動作[13]，有效增強身體嚴重殘疾的患者與外界交流或控制外部環境的能力[14-16]。而運動想像能夠促進受損傷的運動傳導通路修復或重建，使部分處於休眠狀態的突觸蘇醒過來並擔當起代償的作用。將BCI技術應用於腦卒中患者的運動康復治療[17, 18]，可激發患者的主動運動意願，同時，將患者運動想像與實際運動統一起來，有助於改善康復療效。標準的BCI程序步驟包括:信號採集、預處理、信號增強、特徵提取、分類和控制介面[19]。有學者就設計面向手臂運動康復的MI-BCI在線系統，以實現利用手臂屈伸運動想像腦電信號的識別結果實時控制機械臂的屈伸運動[20, 21]，以實現患者主動參與康復的設想。另外需要神經康復的運動障礙的患者，如帕金森病、肌張力障礙和特發性震顫等可以利用人機交互技術制定更個性化的神經康復方案[22]。

康復機器人把智能控制與人體運動相結合，上、下肢運動相結合，肢體關節聯動相結合，可承受高強度工作，可重複標準化運動，更有效地促進功能康復[24]。通過皮膚表面處的sEMG信號測量，可以獲取反映肌肉運動狀態的神經肌肉系統的電活動[25]，採用肌電信號實現了基於人體運動意圖控制的康復訓練[26]；有學者就從多通道sEMG信號中提取能表徵不同上肢動作模式的信號特徵[27]，通過模式分類器識別出目標動作模式，進而實現上肢康復訓練機器人的運動控制[25]。上肢機器人不僅可同時進行臂部和手部的康復訓練，而且還能分開使用，實現基於主動運動意圖的人-上肢康復機器人交互控制。康復機器人優化了控制功能及康複評價等關鍵技術問題，最終形成一種輔助或替代醫師完成患肢康復訓練及評價的特種機器人系統[28]。

如果說康復機器人起到了強化人體功能的作用的話，那麼人體外骨骼系統則是實現人體力量增強和感官延伸的作用。人體外骨骼系統是一種穿戴在操作者身體外部的，融入了先進控制、信息、機械等技術的人機電系統，可對患者的運動意圖識別、進行人體-外骨骼機器人系統的閉環控制、系統構建，旨在實現人體-外骨骼系統的協調控制，為下肢外骨骼機器人的臨床應用奠定一定的基礎，最終希望能為下肢運動功能損傷患者的恢復提供有效的康復治療手段[29]。國內外的學者分別嘗試了通過採集大腿肌肉EMG信號、利用ANN技術實現人與外骨骼交互力，對人體進行了被動與主動訓練取得了比較好的效果[30, 31]。利用外骨骼機器人可能徹底解決人工手動減重訓練強度難以保證、精度不夠、訓練數據難以反饋等問題，並將理療師從繁重的體力勞動中解放出來[32]。外骨骼人機智能技術還逐漸實現柔化的進化，在感知、決策以及執行層面上實現人機交互的有機耦合，其柔性特點體現在擬人化 「可穿戴」，其在運動形式和運動自由度分布上保持一致，以使穿戴者與柔性外骨骼的運動保證一致性[33]。柔性多維力觸覺感測器的物理特性類似於人類皮膚一樣的柔性，可以覆蓋在任意的載體表面，並測量多維度的信息，感知目標對象的性質特徵[34]。利用類皮膚觸覺感測器收集的觸覺信息，智能機器人不僅可以可靠地抓取目標物體，還可以感知目標物體的輕與重、軟與硬、形狀、溫度等[35]，快速準確地完成對外界環境的信息感知與獲取任務[35, 36]。

AI在運動康復應用的未來展望

未來我們的健康還可以在環境智能（Ambient Intelligence ，AmI）技術的合理應用下，穿戴智能感測器設備連續地監測健康狀態，診斷任何可能的健康狀況，並且還可以作為自己的私人健康顧問給予必要的諮詢，以改變不良的生活方式促進健康，並保持和醫生的密切聯繫，這種人工智慧技術尤其契合老年人家庭運動康復的實際需要[37, 38]。這種設備以非常微型的形式嵌入衣服的纖維，以令人甚至察覺不到的方式監控健康，如不健康的飲食或經常外出吃飯的行為的提醒等等。這些看似遙不可及的科技應用將會出現在不久的將來。另外老齡化的社會已經到來， AI技術可在視頻化溝通、陪伴型機器人、個人應急反饋安全系統技術解決獨居老年人的社會疏離問題，認知矯正和遠程控制系統解決認知障礙問題等[39]，當然還需要政府、社會網路的支持與共同努力，才能創造老齡宜居的環境。

參考文獻

[1] 李陶深. 人工智慧[M]. 第1版. 重慶: 重慶大學出版社, 2002.

[2] 馬玉書. 人工智慧及其應用[M]. 山東青島: 石油大學出版社, 1998.

[3] Khatib O, Demircan E, De Sapio V, et al. Robotics-based Synthesis of Human Motion[J]. J Physiol Paris, 2009,103(3-5):211-219.

[4] Park H, Shiratori T, Matthews I, et al. 3D Trajectory Reconstruction under Perspective Projection[J]. Int J Comput Vis, 2015:1-21.

[5] Demircan E, Sentis L, De Sapio V, et al. Human Motion Reconstruction by Direct Control of Marker Trajectories[M]//Lenar?i? J, Wenger P. Springer Netherlands,

[6] Biswas D, Cranny A, Rahim A, et al. On the data analysis for classification of elementary upper limb movements[J]. Biomedical Engineering Letters, 2014,4(4):403-413.

[7] Lv Z, Xing X, Wang K, et al. Class Energy Image Analysis for Video Sensor-Based Gait Recognition: A Review[J]. Sensors (Basel), 2015,15(1):932-964.

[8] 張家山. 基於簡單場景的步態識別系統研究與實現[D]. 武漢理工大學通信與信息系統, 2013.

[9] 石欣. 基於壓力感知步態的運動人體行為識別研究[D]. 重慶大學控制理論與控制工程, 2010.

[10] 劉凱. 基於神經網路的腦癱肢體運動功能診療系統[D]. 重慶大學控制理論與控制工程, 2008.

[11] Hernández Arieta A, Kato R, Yu W, et al. The Man-Machine Interaction: The Influence of Artificial Intelligence on Rehabilitation Robotics[M]//Lungarella M, Iida F, Bongard J, et al. Springer Berlin Heidelberg, 2007:221-231.

[12] Lee J. Brain–computer interfaces and dualism: a problem of brain, mind, and body[J]. AI & SOCIETY, 2014:1-12.

[13] Wu Z. Brain-machine interface (BMI) and cyborg intelligence[J]. Journal of Zhejiang University SCIENCE C, 2014,15(10):805-806.

[14] 王新光, 鄒凌, 段鎖林, 等. 腦機介面技術的研究與進展[J]. 中國組織工程研究與臨床康復, 2008(39):7722-7724.

[15] 沈敏. 腦-機介面技術綜述[J]. 重慶郵電大學學報(自然科學版), 2007(S1):147-150.

[16] 楊立才, 李佰敏, 李光林, 等. 腦-機介面技術綜述[J]. 電子學報, 2005(07):1234-1241.

[17] Chen M, Liu Y, Zhang L. Classification of Stroke Patients』 Motor Imagery EEG

[18] Zhang H, Liang J, Liu Y, et al. An Iterative Method for Classifying Stroke Subjects』 Motor Imagery EEG Data in the BCI-FES Rehabilitation Training System[M]//Sun F, Hu D, Liu H. Springer Berlin Heidelberg, 2014:363-373.

[19] Nicolas-Alonso L F, Gomez-Gil J. Brain Computer Interfaces, a Review[J]. Sensors (Basel), 2012,12(2):1211-1279.

[20] 梅意城. 基於腦機介面技術的手臂康復研究[D]. 北京工業大學控制工程, 2014.

[21] 崔燕. 基於運動想像腦電的手臂運動功能康復研究[D]. 北京工業大學控制科學與工程, 2013.

[22] Broccard F, Mullen T, Chi Y, et al. Closed-Loop Brain–Machine–Body Interfaces

[23] Shih J J, Krusienski D J, Wolpaw J R. Brain-Computer Interfaces in Medicine[J]. Mayo Clin Proc, 2012,87(3):268-279.

[24] Zhang Y, Fang J, Xie L. Design of rehabilitation robot with combined movement of arms and legs[J]. Journal of Shanghai Jiaotong University (Science), 2014,19(6):718-720.

[25] 程祥利. 上肢康復訓練機器人的肌電控制研究[D]. 山東大學, 2013.

[26] 吳軍. 上肢康復機器人及相關控制問題研究[D]. 華中科技大學, 2012.

[27] Xie H, Guo T, Bai S, et al. Hybrid soft computing systems for electromyographic signals analysis: a review[J]. BioMedical Engineering OnLine, 2014,13(1):1-19.

[28] 李醒. 五自由度上肢康復機器人訓練系統的研究[D]. 東北大學, 2012.

[29] 范淵傑. 基於sEMG與交互力等多源信號融合的下肢外骨骼康復機器人及其臨床實驗研究[D]. 上海交通大學, 2014.

[30] 郭朝. 基於分子馬達的骨骼肌生物力學原理及其在外骨骼機器人人機力交互中應用[D]. 上海交通大學, 2012.

[31] Jali M H, Izzuddin T A, Bohari Z H, et al. Joint Torque Estimation Model of sEMG Signal for Arm Rehabilitation Device Using Artificial Neural Network Techniques[M]//Sulaiman H A, Othman M A, Othman M F I, et al. Springer International Publishing, 2015:671-682.

[32] 馮治國. 步行康復訓練助行腿機器人系統[D]. 上海大學, 2009.

[33] 張佳帆. 基於柔性外骨骼人機智能系統基礎理論及應用技術研究[D]. 浙江大學, 2009.

[34] 徐菲. 用於檢測三維力的柔性觸覺感測器結構及解耦方法研究[D]. 中國科學技術大學檢測技術與自動化裝置, 2011.

[35] 王菲露. 基於神經網路方法的三維力柔性觸覺感測器陣列解耦研究[D]. 中國科學技術大學檢測技術與自動化裝置, 2014.

[36] 黃英. 基於壓力敏感導電橡膠的柔性多維陣列觸覺感測器研究[D]. 合肥工業大學測試計量技術及儀器, 2008.

[37] Roda C, Rodríguez A, López-Jaquero V, et al. A Multi-Agent System in Ambient Intelligence for the Physical Rehabilitation of Older People[M]//Bajo J, Hernández J Z, Mathieu P, et al. Springer International Publishing, 2015:113-123.

[38] Benettazzo F, Iarlori S, Ferracuti F, et al. Low Cost RGB-D Vision Based System to Support Motor Disabilities Rehabilitation at Home[M]//Andò B, Siciliano P, Marletta V, et al. Springer International Publishing, 2015:449-461.

[39] Piau A, Campo E, Rumeau P, et al. Aging society and gerontechnology: A solution for an independent living?[J]. The journal of nutrition, health & aging, 2014,18(1):97-112.

推薦閱讀：