基于行为信号的上肢康复任务参与度量化：虚拟现实与机器人整合系统的创新研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Quantifying User Engagement during an Upper Limb Rehabilitation Task

本文针对脑卒中后上肢机器人康复中患者参与度难以实时量化与调节的关键问题，提出了一种整合虚拟现实(VR)的机器人辅助系统。研究通过调节轨迹形状复杂度(ηLDJ)和力噪声干扰水平(σnoise)来调制任务难度，并利用生理(GSR、PD)和行为(眨眼、注视)信号估计参与度，以游戏参与度问卷(GEQ)为基准。结果表明，行为信号比生理信号更能有效预测参与度，并确定了11秒的最佳评估时间窗口。研究验证了参与度峰值符合Csikszentmihalyi的流理论，为开发能自适应调节难度以优化患者参与度的康复系统奠定了基础。

　　

在脑卒中后的康复治疗中，机器人辅助疗法结合虚拟现实(VR)技术因其能提供重复性强、强度高且沉浸感好的训练而备受关注。然而，康复的成功不仅依赖于系统化的训练方案，更关键在于患者的主动参与和投入程度。临床研究证实，提升患者的参与度(engagement)对康复效果至关重要，因为高度的注意力集中能增强与运动功能恢复相关脑区的神经活动，从而可能促进神经可塑性(neuroplasticity)。尽管意义重大，但如何在实际治疗过程中有效量化并实时调节患者的参与度，一直是个棘手难题。现有的方法如患者参与康复问卷(PPRQ)依赖主观自述，无法用于在线调整治疗参数；而基于生理信号如脑电图(EEG)、心电图(ECG)等方法虽能客观测量，但EEG易受噪声干扰、设置繁琐，生理信号更多反映的是唤醒度(arousal)而非纯粹的参与度。因此，开发一种能够非侵入、可靠地量化参与度，并能据此动态调整康复训练难度的自适应系统，成为康复工程领域的一个重要研究方向。

为了攻克这一难题，研究人员开发了一套创新的VR-机器人整合系统，用于上肢康复训练中的参与度量化与调制。该系统主要采用了几个关键技术方法：1) 系统整合与空间校准：将平面机器人末端执行器与HTC Vive VR系统精确集成，确保虚拟环境与物理机器人工作空间1:1对应，实现沉浸式线追踪任务。2) 任务难度调制：通过改变追踪轨迹的形状复杂度（以对数无量纲急动度η_LDJ量化）和在机器人导纳控制模型中注入Perlin噪声（以噪声标准差σ_noise控制）两种参数来动态调整任务挑战度。3) 多模态数据采集：同步采集生理信号（皮肤电反应GSR、瞳孔直径PD）和行为信号（眨眼率BR、眨眼持续时间BD、注视-笔尖距离GPD），并以游戏参与度问卷(GEQ)得分作为参与度的主观基准。4) 参与度估计模型：采用留一主体交叉验证的岭回归(Ridge Regression)模型，基于提取的信号特征预测连续参与度水平，并创新性地通过滑动窗口分析确定最佳评估时段。研究招募了20名健康右利手受试者进行实验。

IV. 实验结果

A. 参与度调制

通过分析归一化GEQ得分与任务难度参数的关系，发现参与度随挑战度变化呈倒U型曲线。在无噪声干扰的Jerk实验中，参与度随形状复杂度η_LDJ增加呈线性上升。而在结合噪声的Noise-Jerk实验中，参与度与噪声水平σ_noise的关系则更符合二次函数拟合，呈现明显的倒U型，峰值出现在中等难度水平。当同时考虑η_LDJ和σ_noise时，参与度可用一个关于挑战度（G = 0.26η_LDJ+ 1.18σ_noise）的高斯函数很好地建模（R2 = 0.76, RMSE = 0.18），表明存在一个最优的挑战度水平使参与度最大化。

生理信号（GSR均值、标准差、PD均值、变异系数）的热图显示其随η_LDJ和σ_noise单调递增，与唤醒度相关性强。而行为信号（BR、BD、GPD）的热图则显示出与GEQ得分相似的鞍形分布，且与GEQ得分的相关性显著强于生理信号（BD: r = -0.33; GPD: r = -0.27; BR: r = -0.21）。

B. 参与度估计

基于行为变量（BR, BD, GPD）建立的岭回归模型，在留一主体交叉验证下，能有效预测参与度，平均绝对误差(MAE)为0.73（占归一化GEQ得分范围的22%），平均相关系数(CC)为0.42。通过滑动窗口分析发现，从试验开始后15秒启动、持续11秒的时间窗口所提取的特征能最准确地估计参与度（CC最高可达0.64）。模型性能对不同形状和受试者的依赖性较小，表明其具有良好的泛化能力。

C. 流理论

研究通过以试验次数作为技能水平的代理变量，将估计的参与度建模为挑战度和试验次数的函数。拟合结果（Q = 0.92e^{-(G - 0.53T - 1.71)2/2}- 0.39）显示，获得最大参与度所需的挑战度水平随试验次数（技能）增加而增加，其热图中的白色条带直观地验证了这一关系，与Csikszentmihalyi的流通道理论预测完全一致，即当任务挑战度与用户技能水平相匹配时，参与度（流状态）达到峰值。

本研究证实了利用行为信号（特别是眼动相关指标）进行非侵入式参与度估计的可行性和优越性。行为指标（眨眼率、眨眼持续时间、注视-笔尖距离）与参与度的相关性显著高于传统生理指标，且其随任务难度变化的模式（倒U型）与主观参与度报告一致。研究不仅成功地将实验数据与流理论相结合，验证了“挑战-技能”平衡对优化参与度的核心作用，还通过精细的窗口分析找到了实时评估参与度的最佳时间窗口。这些发现为开发能够实时监测患者参与度并自动调整任务参数以维持最佳流状态的自适应康复系统提供了关键理论依据和技术支持。尽管本研究对象为健康受试者，且存在主观标签、任务特异性指标等局限性，但它为未来在临床人群中进行纵向研究、结合多模态信号实现个性化康复奠定了坚实基础，有望最终通过提升患者参与度来改善脑卒中上肢康复的长期效果。