康复医学中先进技术的综合评述：从可穿戴传感器到人工智能驱动的康复系统

《IEEE Sensors Reviews》：A Comprehensive Survey on Advanced Technologies Introduced for Rehabilitation

本文系统综述了康复医学领域引入的先进技术，重点探讨了可穿戴传感器（如sEMG、ECG、EEG）、信号处理算法（如ICA、EMD、小波变换）以及机器学习（包括深度学习）在康复评估与干预中的应用。研究揭示了这些技术在实现家庭远程康复、个性化治疗及客观评估方面的巨大潜力，有助于减轻医疗系统负担并改善患者康复效果，为未来智能康复系统的发展指明了方向。

　　

在经历重大事故或疾病后，许多患者会面临部分或全部心智或身体功能的丧失，康复治疗在此过程中扮演着至关重要的角色。然而，传统的康复方法通常依赖于医生或物理治疗师的定期现场评估，这不仅给医疗系统带来沉重负担，也限制了患者获得持续、便捷康复服务的机会。尤其在全球新冠疫情背景下，医疗资源紧张、患者前往医疗机构困难等问题愈发突出，使得家庭远程康复的需求变得前所未有的迫切。幸运的是，近年来微电子、信号处理、无线通信以及人工智能技术的飞速发展，为解决这些难题提供了新的可能。

为了全面梳理康复领域的技术进展，一篇发表在《IEEE Sensors Reviews》上的综述文章应运而生。这项研究由来自澳大利亚、意大利、法国等多国研究机构的资深学者合作完成，旨在为研究人员、工程师和医生提供一份关于康复系统中使用的最新方法和技术的全面指南。文章重点关注了康复系统中引入的先进技术，通过分析现有系统的优缺点，支持初始研究或项目，并鼓励年轻研究人员和生物医学公司投资和探索新技术，以期参与全球范围内减少患者痛苦和帮助医疗中心工作的努力。

研究人员在开展这项综述研究时，主要运用了以下几项关键技术方法：首先，通过系统性的文献检索（利用Scopus、Web of Science等数据库）对2007年至2024年间与可穿戴传感器（如sEMG、ECG、EEG、PPG、IMU）及机器学习在康复中应用的出版物进行了量化统计分析。其次，详细回顾和分类了各种硬件传感器和设备，包括其工作原理、系统架构（如无线sEMG系统WiSE）以及在具体康复场景（如基于sEMG的机器人手套、脑机接口控制的机器人手臂）中的应用实例。第三，深入探讨了针对不同生物医学信号（ECG、EEG、EMG）的先进信号处理算法，如盲源分离（Blind Source Separation）、经验模态分解（Empirical Mode Decomposition, EMD）、独立成分分析（Independent Component Analysis, ICA）和小波变换等在去噪、特征提取中的作用。最后，系统阐述了经典机器学习和深度学习模型在康复评估、活动识别、预后预测等方面的应用流程（包括数据预处理、特征提取、分类/回归）及性能评估指标。

可穿戴传感器与系统

文章指出，可穿戴医疗设备能够在不干扰患者正常活动范围的情况下，对患者的日常活动进行监测，这对于家庭康复场景至关重要。近年来，由于电路集成和小型化的进步，用于康复目的的可穿戴传感器的研究迅速增长。生理信号通过各种传感器采集，如心电图（ECG）、脑电图（EEG）、表面肌电信号（sEMG）、光电容积脉搏波（PPG）和惯性测量单元（IMU）等。

sEMG信号因其非侵入性、易于采集的特点，非常适合用于监测人体姿势和身体表现。例如，WiSE系统是一种超轻无线传感节点，能够采集、处理并高效传输sEMG和惯性数据至基站。sEMG传感器在康复机器人（如外骨骼、机器人手套）的控制中发挥着关键作用，例如通过检测健康手部的开合来引导瘫痪手的运动。此外，融合sEMG与其他信号（如ECG、近红外光谱NIRS、肌动描记法MMG）的多模态传感器也成为研究热点，能提供更全面的肌肉功能评估。

ECG传感器对于心脏事件（如缺血性心脏病发作）或心脏手术后康复患者的远程健康状态监测至关重要。例如，Wealthy系统和MultiSense CardioPatch等原型系统集成了ECG、心音和加速度计传感器，用于远程心脏监测。无线ECG设备也已应用于手术室环境，简化了医师的连接和监测任务。

EEG传感器在监测康复活动、诊断神经发育障碍（如自闭症谱系障碍ASD）以及脑机接口（BCI）/脑机接口（BMI）系统中具有重要价值。例如，有研究提出用BCI/BMI系统通过EEG信号控制上肢机器人手臂。REINVENT系统则整合了低成本的EEG和EMG传感器与头戴式虚拟现实（VR）显示器，在神经肌肉信号表明有运动企图时（即使没有实际动作）提供神经反馈。

PPG信号因其无创、低成本、易于采集的特性，常被用于监测心率、血氧饱和度等参数，在长期肺康复等场景中应用。有研究开发了用于连续测量血氧饱和度的PPG传感器原型，以及用于手势和力量水平分类的腕带式PPG传感器。

IMU（惯性测量单元）结合加速度计、陀螺仪等，被广泛用于测量人体速度、加速度、角速度和方向，在步态分析、帕金森病监测或中风后评估等康复场景中非常流行。

可穿戴设备与额外训练

集成了机器学习的可穿戴设备在物理治疗领域日益受到重视。这些设备通过收集用户的生理信号，并应用机器学习算法对数据进行分析，可用于情感状态分类、临床评分估计、运动恢复过程跟踪等。例如，通过支持向量机（SVM）等算法对基于2维情感模型的情感状态进行分类，能达到很高的准确率。这类设备为临床康复评估和远程康复提供了准确、客观、有效的解决方案。

可穿戴设备在康复中的应用具有诸多优势，包括连续监测、远程监控和个性化反馈。一些公司如MindMaze、Neofect、Rehabtronics和Bionik等正在开发用于康复的可穿戴设备，这些设备通常需要特定的训练，以便治疗师学会解读数据并指导治疗决策，同时也需要患者依从和参与。

信号处理方法与技术

生物医学信号处理是康复系统实现其功能的核心。文章通过统计发现，该领域的研究活动非常活跃，出版物数量呈快速增长趋势。

对于ECG信号，其噪声可能来自传感器、电路或其他肌肉活动。除了使用陷波滤波器消除外部电源引起的工频干扰外，还采用了ICA、自适应盲信号处理、盲源子空间分离、奇异值分解（SVD）、小波和经验模态分解（EMD）等方法来去除伪影（如电外科设备ESU产生的干扰）和噪声。

EEG信号可用于诊断神经退行性疾病和多种脑部疾病，并广泛应用于BCI系统。处理EEG信号时，常使用ICA去除伪影和噪声，然后通过带通滤波、时域/频域/时频域（如Morlet或Bump小波）特征提取，再结合SVM、KNN（K-近邻）、LDA（线性判别分析）等分类器进行模式识别，用于控制康复系统（如手指康复系统）。还有研究利用EEG进行听觉注意力解码，以帮助听力设备在多人同时说话的场景下聚焦目标说话人。

肌电信号（EMG），特别是表面肌电信号（sEMG），在康复机器人（如外骨骼）的控制中至关重要。例如，有研究将随机森林（Random Forest）分类器与完备集合经验模态分解（Complete Ensemble EMD, CEEMD）和小波特征提取相结合，用于sEMG模式识别，分类准确率约达94%。ICA和谱曲线描述符也被用于从噪声多通道sEMG中提取有价值的肌肉信息。SVM、KNN和LDA等分类器已被用于中风康复中手部动作的肌电模式识别。

前庭电刺激（GVS）作为一种非侵入性脑刺激（NBIS）方法，在神经康复领域显示出潜力，可用于治疗双侧前庭功能减退（BVH）等疾病。GVS过程中，可结合EEG等脑成像技术来研究大脑活动，并通过盲源分离等方法清理EEG信号。

复杂系统往往整合多种生物医学信号（如EEG、ECoG、 electroneurography、EMG）来解码运动意图，进而控制假肢等人工肢体。这类系统通常包括信号采集、滤波增强、特征提取、解码器训练和意图预测等步骤。

虚拟现实（VR）和信号处理的结合为家庭远程康复监控系统提供了支持。例如，利用Microsoft Kinect等系统定制VR平台，让患者进行物理和认知康复训练（exergames），系统生成日志报告供治疗师评估。物联网（IoT）技术也被用于设计远程护理解决方案（如ReMoVES系统），对采集的生物医学信号进行预处理（如样条插值、非线性滤波）和特征提取，以提供康复过程中的反馈。

基于机器学习的康复

与传统依赖视觉观察和临床测量的康复方法相比，机器学习（包括经典机器学习和深度学习）能够利用其强大的信号和数据分析能力，为康复过程提供辅助，特别是在家庭或远程康复场景下，提供实时测量和指导。

经典机器学习流程包括数据收集、信号采集、预处理、特征提取和分类。生理信号来自ECG、PCG（心音图）、EMG、EEG、IMU等传感器。预处理阶段使用滤波器（如自适应维纳滤波、递归最小二乘滤波）去除噪声和干扰。特征可以从时域或变换域（如傅里叶变换、小波变换）提取，并使用特征选择技术（如Student‘s t检验、最大相关最小冗余）进行筛选。分类器则包括SVM、随机树、随机森林等。

深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），近年来得到广泛应用。CNN适用于图像、谱图等网格状数据，RNN则擅长处理具有时间依赖性的序列数据（如ECG、PCG信号）。Transformer架构因其注意力机制也在序列数据处理中受到关注。模型性能通过灵敏度、特异性、准确率、受试者工作特征曲线下面积（AUC-ROC）等指标评估，并可利用可解释性AI工具进行结果解读。迁移学习、数据增强和生成式AI可用于解决医疗数据有限和过拟合问题。

机器学习在康复中的应用研究在新冠疫情期间出现激增。具体应用包括：用于上肢康复的智能可穿戴机器人外骨骼，通过检测运动意图来调整治疗；利用EMG信号驱动上肢假肢控制，提高鲁棒性和可靠性；基于联邦学习的共识模型用于中风后评估，在保护隐私的同时降低数据维度；基于临床和患者报告结果预测康复成功率；活动分类和跌倒检测等老年人护理应用；强化学习用于脑机接口解码器的在线连续学习；Transformer神经网络用于下肢外骨骼机器人的步态预测等。数字孪生（Digital Twins）方法通过创建患者的虚拟副本，有望实现个性化康复。

机器学习算法的训练依赖于标记数据，但医疗领域通常面临标记数据有限的问题。表2列出了一些可用于康复机器学习训练的开源数据集。

尽管机器学习在康复中潜力巨大，但也存在一些担忧和挑战，包括训练数据多样性不足可能导致偏见、过拟合、信号变异性和运动伪影影响模型泛化能力、社会对AI决策的担忧需要人类监督和透明问责、以及患者隐私和保密性的伦理问题等。

综上所述，这项全面的综述研究清晰地表明，先进技术，特别是可穿戴传感、智能信号处理和人工智能，正在深刻改变康复医学的面貌。通过实现远程监控、家庭康复、个性化治疗和客观评估，这些技术有望显著减轻医疗系统的负担，改善患者的康复体验和效果，并降低医疗成本。尽管在数据隐私、算法鲁棒性和临床整合方面仍存在挑战，但该领域的研究势头强劲，未来有望通过持续的技术创新和多学科合作，为全球日益增长的康复需求提供更高效、便捷和个性化的解决方案。随着微电子、通信和AI技术的不断进步，智能、精准、人性化的康复系统将成为未来医疗健康领域的重要发展方向。