突破传统束缚：基于新算法的 FES 辅助骑行康复训练，开启高效康复新征程

为解决传统 FES 刺激模式确定方式及控制算法的问题，山东省第三医院的研究人员开展基于踏板山丘建模和 PSO - BP - PID 控制算法的 FES 辅助骑行康复训练研究。结果显示该方法能稳定训练。推荐阅读，共探康复新思路。

　　

在医学康复领域，有两种情况特别让人揪心，那就是中风和脊髓损伤。这俩可是损伤中枢神经系统的 “罪魁祸首”，常常导致患者偏瘫或截瘫。中风作为急性脑血管疾病的临床表现，发病和致残的概率都高得吓人。偏瘫不仅让患者行动不便，连身体的代谢功能和组成都跟着 “捣乱” 。脊髓损伤也不 “示弱”，它会造成患者部分或完全瘫痪，影响神经元信号传递和调节，进而使自主、感觉、神经肌肉骨骼以及运动等功能都出现问题。

为了帮助这些患者，医学家们想到了功能性电刺激（FES）技术。这个技术就像是给瘫痪肌肉注入 “活力”，利用低频率的电脉冲让它们动起来，产生像走路、抓东西、站立这些动作，从而改善或恢复患者瘫痪肌肉的功能。FES 辅助骑行康复训练就是其中一种方法，能让肢体无力的患者在三轮车或固定骑行训练器上锻炼。

不过，传统的 FES 骑行刺激模式在踏板效率方面有不少 “麻烦”。以前找适合每个患者的刺激模式，主要靠物理治疗师反复试验，就像 “碰运气” 一样，治疗师的经验对效果影响很大。这样不仅浪费患者的康复时间，还会给患者和医护人员带来不小的负担。另外，传统刺激模式很难让患者长时间保持稳定的训练速度，一些用实时肌电图（EMG）驱动 FES 系统的研究，又会被 FES 产生的干扰信号污染 EMG 信号。而且，自适应闭环控制方案里常用的 PID 控制算法也有缺陷，容易陷入局部最优解，收敛速度还慢。

为了解决这些难题，山东省第三医院的研究人员展开了深入研究，并在《Scientific Reports》期刊上发表了名为 “Functional electrical stimulation-assisted cycling rehabilitation training based on pedal hill modeling and PSO-BP-PID control algorithm” 的论文。研究人员提出了一种基于踏板山丘建模的方法，以最大扭矩效率为优化目标来建立最佳刺激模式，还设计了一种结合粒子群优化（PSO）算法、反向传播（BP）神经网络算法和比例积分微分（PID）控制的复合算法的新模型。他们发现，这个设计的自适应控制器能让患者在训练时更稳定地以预期速度骑行，有效延长了患者连续训练的时间，还让训练速度更稳定。这一成果为偏瘫或截瘫患者的康复训练带来了新的希望，有望提高康复训练的效果和效率 。

研究人员在研究过程中用到了好几个关键技术方法。首先是建立数学模型，包括下肢骑行动力学模型和肌肉动力学模型。通过这个模型，研究人员可以深入了解患者在蹬踏运动时人体与系统的相互作用原理。其次是设计刺激模式，以人体工作效率为优化目标，综合考虑多种因素来调整刺激强度，找到最佳刺激模式。最后是设计控制器，将 PSO 算法和 BP 神经网络结合来优化 PID 控制器，让它能更好地调整刺激信号，适应患者的个体差异 。

下面咱们来看看具体的研究结果。

• 建立数学模型：为了研究患者蹬踏运动时人体与系统的相互作用，研究人员建立了由下肢骑行动力学模型和肌肉动力学模型组成的系统动力学模型。
  • 下肢骑行动力学模型：在 FES 骑行训练中，肌肉收缩产生的关节扭矩能驱动下肢各部分运动。研究人员把蹬踏运动看作单自由度系统，通过建立运动学模型来确定下肢各部分的相对位置。以左腿为例，他们根据几何关系列出方程组，经过一系列复杂计算，得出了各杆角度之间的关系，以及角速度和角加速度的表达式。最后，运用拉格朗日方法和虚功原理算出了曲柄扭矩 。
  • 肌肉动力学模型：电刺激会激活肌肉纤维，肌肉纤维的激活程度就是肌肉激活度。研究人员用 Hill - Huxley 模型来描述肌肉收缩过程，根据这个模型，肌肉激活度跟脉冲宽度有关。同时，肌肉力又跟肌肉激活度、肌肉长度和速度有关，研究人员还考虑了肌肉的被动属性，像被动阻尼力矩和被动刚度力矩，最终得出了作用在膝关节上的总外力矩的运动方程 。
  
  
• 刺激模式：研究人员参考现有的 FES 骑行刺激模式，以人体工作效率为优化目标来设计刺激模式。他们先输入人体尺寸、实验装置尺寸等基本参数，然后把这些参数代入下肢动力学模型，得到下肢各部分的运动状态，再结合肌肉动力学模型计算有效力矩和膝关节力矩，这样就能算出运动时的肌肉输出扭矩和平均肌肉能量消耗。最后通过计算能量效率，调整刺激强度，找到最佳刺激模式。他们选择 100° 作为刺激角度间隔，用公式来计算 FES 骑行中的瞬时工作效率 。
• 控制器设计：为了实现 FES 骑行的稳定，研究人员使用 PID 控制器来调整刺激信号 PW。考虑到传统 PID 算法的不足，他们用 PSO 算法来优化 BP 神经网络的连接权重矩阵，提高学习收敛速度，避免陷入局部最优解。
  • PID 控制器：PID 控制器由比例、积分和微分三个环节组成。比例环节能快速反映偏差信号，通过负反馈产生控制效果；积分环节用来消除静态误差，提升系统性能。但对于复杂的实际控制对象，传统调整方法效果不太好 。
  • PSO - BP - PID 控制器：PSO - BP - PID 控制系统的基本结构包括期望骑行速度 u (t)、电刺激器的脉冲宽度 v、实际骑行速度 Y 和速度误差 e (t)。PSO 算法把粒子看作优化问题的潜在解，通过公式和来更新粒子的速度和位置。BP 神经网络让输出层的三个神经元对应 PID 结构的三个参数，通过调整层间权重系数来控制 PID 系数的输出 。
  
  
• 实验：研究人员精心准备了实验。他们设计了脚踝 - 足矫形器，把患者下肢固定在踏板上，用改装的自行车作为实验平台，通过惯性传感器获取曲柄角度，用电脑以 200Hz 的频率收集数据，患者通过电脑 USB 接口控制电刺激器，采用脉冲宽度调制（阈值 - 饱和），刺激频率恒定为 20Hz，振幅不变，通过刺激强度维持蹬踏节奏。
  • 受试者：研究人员从山东省第三医院招募了 6 名受试者，涵盖了健康人、脊髓损伤患者和中风患者，且中风患者的 NIHSS 评分在 1 - 6 分。所有受试者都没有严重的认知或沟通问题，并且都签署了知情同意书。每个受试者都进行了三次试验，分别是无电刺激器实验（传统训练）、固定电刺激脉冲宽度实验（固定脉冲宽度训练）和用设计的控制器控制刺激脉冲宽度实验（自适应控制训练），每次实验持续 30 分钟，两次实验之间间隔一天，避免肌肉疲劳 。
  • 性能指标：研究人员用均方根误差（RMSE）来衡量跟踪精度，公式是，用绝对误差（AVE）波动来衡量速度波动，公式是，还计算了训练持续时间和停止次数 。
  
  
• 结果：研究人员对实验结果进行了分析。从图中可以看出，使用自适应控制方案的受试者骑行速度更稳定。数据也显示，在电刺激条件下，均方偏差很小，FES 参与时，骑行训练的速度均方偏差也较小，且自适应控制条件下的偏差依次减小。不过，健康受试者在传统条件下速度波动更小。在训练时间方面，固定脉冲宽度电刺激条件下的有效骑行时间比传统骑行时间长，自适应控制电刺激条件下的有效骑行时间又比固定脉冲宽度电刺激条件下的长，但有一名中风患者在自适应控制条件下骑行实验提前结束 。

综合研究结果和讨论部分来看，这次研究意义重大。研究人员发现，患者下肢运动越差，FES 自适应控制器的控制效果越好。和其他研究相比，他们的研究稳定性更好，RMSE 比其他研究低。研究的一大亮点是提出了基于患者特征的自动刺激定时方法，能根据患者需求动态获取刺激模式。另外，FES 自适应控制方法也很实用，能根据患者康复训练速度自动调整辅助刺激脉冲宽度，还容易在其他系统中应用。不过，研究也有一些不足，比如样本量小，可能无法反映更大或更异质人群的真实效果，建模方法需要识别更多参数，要做更多预备实验。未来的研究可以加强和医疗机构的合作，获取更大、更多样化的数据集，优化模型，让它在保证准确性的同时更轻便，便于在终端设备上应用。这项研究为 FES 辅助骑行康复训练提供了新的思路和方法，为患者的康复带来了新的可能 。