基于Transformer的神经康复交互能量预测：提升人机交互安全与个性化康复新策略

《IEEE Transactions on Neural Networks and Learning Systems》：Transformer-Based Approach for Predicting Transactive Energy in Neurorehabilitation

本文针对机器人辅助神经康复中人机交互(pHRI)的安全与个性化需求，创新性提出“交互能量(transactive energy)”概念，并开发了一种基于Transformer的深度学习模型，用于预测踝关节康复机器人在交互过程中的势能变化。研究通过实验验证了该模型在轨迹跟踪控制与零阻抗控制两种模式下均能准确预测能量交互，为基于能量的个性化康复控制策略提供了新思路，显著提升了康复训练的安全性与有效性。

　　

随着机器人技术与人工智能的深度融合，智能机器人在医疗康复领域展现出巨大潜力，特别是在帮助行动障碍患者恢复运动功能方面。机器人辅助康复已成为现代康复医学的重要组成部分，其中踝关节康复机器人因其能够针对复杂踝关节结构提供精准辅助而备受关注。踝关节复合体(Ankle Joint Complex, AJC)作为支撑人体重量的关键部位，具有内翻/外翻(IN/EV)、背屈/跖屈(DO/PL)和内收/外展(AD/AB)三个旋转自由度(DOF)。全球每年有超过1500万新发卒中病例，约5000万卒中幸存者伴有踝关节功能障碍，如足下垂、踝阵挛、痉挛等，这促使机器人辅助踝关节康复技术迅速发展。

然而，传统康复机器人控制方法主要基于坐标的机器人速度和外力监测，在非结构化环境中易受传感器噪声影响，且难以适应患者个体化需求。特别是在物理人机交互(pHRI)过程中，如何精确管理人与机器人之间的能量交换以确保安全性和个性化适应性，成为当前康复机器人领域面临的重要挑战。能量传递的估计是一个复杂过程，传统控制方法如PID控制、模糊逻辑控制等在处理能量动态变化时存在局限性，缺乏对非线性、时序性交互数据的有效处理能力。

针对这一难题，Naveed Ahmad Khan等研究人员在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了题为"Transformer-Based Approach for Predicting Transactive Energy in Neurorehabilitation"的研究论文，创新性地提出了"交互能量(transactive energy)"概念，并开发了基于Transformer的深度学习模型来预测康复过程中的能量交互动态。

为了深入探究交互能量在康复过程中的作用机制，研究人员开展了一项系统性的实验研究。他们采用了一种先进的并联踝关节康复机器人(Parallel Ankle Rehabilitation Robot, PARR)，该机器人由Prashant K. Jamwal等人开发，采用并联机构和气动肌肉执行器(PMAs)设计，能够提供踝关节康复所需的三个旋转自由度。该机器人具有出色的运动范围和力矩容量，如外翻/内翻运动范围达26°，力矩容量达96 Nm；背屈/跖屈运动范围达46°，力矩容量达120 Nm。

研究团队招募了5名轻度卒中后功能障碍患者(4男1女，年龄28-52岁，卒中后4-6个月)，在获得机构研究伦理委员会(IREC)批准后，进行了严格的实验验证。实验设计了两种控制模式对比：轨迹跟踪控制模式(机器人主导运动)和零阻抗控制模式(患者主动参与)。每种模式下，患者分别进行15分钟的被动运动和15分钟的主动运动，通过线性电位器、力传感器等设备记录执行器位移、力和关节角度等数据。

研究的关键技术创新在于提出了完整的数学框架来描述交互能量动力学。通过雅可比矩阵H(θ)建立关节空间速度与笛卡尔空间速度的映射关系，定义了系统的总能量ê_total，包括动能?、重力势能Φ_g、基于方向的势能Φ_θ和基于关节位置的势能Φ_ξ。这些能量分量共同构成了交互能量的理论基础，为能量预测提供了数学依据。

研究人员开发的Transformer模型采用了多头自注意力机制，能够有效处理时序数据并捕捉长期依赖关系。模型输入包括欧拉角θ_n=(α_n,β_n,γ_n)和执行器长度ξ_i=[l₁,l₂,l₃,l₄]，通过嵌入层将特征映射到64维空间，经过4个Transformer块处理，最终输出势能预测值Φ_ξ和Φ_θ。模型使用均方误差(MSE)作为损失函数，采用Adam优化器进行训练，在1000个epoch内实现了快速收敛。

Transformer模型评估结果表明，该模型在两种控制模式下均表现出优异的预测性能。训练损失在轨迹跟踪控制模式下为0.0013，在零阻抗控制模式下为0.0021，显著优于传统的循环神经网络(RNN)和卷积神经网络(CNN)模型。模型能够准确捕捉能量变化的细微波动，为康复过程中的能量管理提供了可靠的技术支持。

交互能量分析显示，在不同控制模式下能量传递特征存在显著差异。在轨迹跟踪控制模式下，机器人主导运动，势能Φ_ξ和Φ_θ的值较高，分别维持在0.3-0.5焦耳和0.55-1焦耳范围，表明机器人需要消耗更多能量来引导患者完成规定动作。而在零阻抗控制模式下，由于患者主动参与，势能值相对较低，体现了患者与机器人之间的能量协同。

能量与工作量关系研究进一步揭示了不同模式下的康复特性。在轨迹跟踪控制模式下，患者对机器人做功的平均值仅为0.1031焦耳(标准差0.0962)，总做功量为3.9767焦耳，表明患者参与度较低。而在零阻抗控制模式下，患者做功显著增加，平均值达0.5024焦耳(标准差0.3861)，总做功量为9.9249焦耳，反映了患者主动参与程度的提升，这对于促进神经肌肉恢复和肌肉强化具有重要意义。

执行器长度对势能影响的分析表明，在不同控制模式下，执行器长度变化对势能Φ_ξ产生不同影响。在轨迹跟踪控制模式下，中等到较大长度范围内观察到较高的Φ_ξ值，反映了机器人对运动的较强控制。而在零阻抗控制模式下，所有执行器的Φ_ξ值均较低，体现了患者主动参与带来的能量分布变化。

本研究通过系统性的实验验证和理论分析，建立了基于Transformer的交互能量预测框架，为神经康复领域提供了重要的方法论创新。研究的核心价值在于将能量管理概念引入康复机器人控制，通过精确预测和优化能量交换过程，实现了康复训练的安全性和个性化平衡。

该研究的实际意义体现在多个层面：首先，为临床康复提供了可量化的能量评估指标，使治疗师能够根据患者具体情况调整康复策略；其次，通过促进患者主动参与，有助于加速神经功能恢复进程；最后，为康复机器人的智能化发展提供了新的技术路线，推动了个性化康复方案的实现。

未来研究方向包括进一步扩展能量模型，考虑环境人工势能和重力势能等因素，开发基于能量的控制器来优化人机交互。这些发展将有助于建立更加完善的能量管理框架，最终实现康复效果的最大化和患者安全的最优化。