自2018年被诊断出患有肌萎缩侧索硬化症（ALS）以来，凯特·尼茨亲身体会着基本行动能力被逐渐剥夺的过程。"我的手臂最多只能抬到90度，然后就会因乏力而垂下，"这位39岁的患者说道，"用原本的主力右手进食或做重复动作都很困难，现在我基本上变成了左撇子。"（注：ALS俗称"渐冻症"，是一种渐进性神经退行性疾病，会导致运动神经元死亡，患者逐渐丧失运动能力）

像尼茨这样患有肌萎缩侧索硬化（ALS）等神经退行性疾病或曾经历中风的患者，常伴有肩部、手臂或手部运动功能障碍，导致其无法独立完成刷牙、梳头、进食等日常活动。

过去几年，哈佛大学（Harvard）生物工程师团队持续研发出一款柔性可穿戴机器人，不仅能帮助行动障碍者获得行动辅助，甚至能通过强化治疗手段助其重获行动能力。

然而，没有两个人的动作方式完全相同。身体动作具有高度个性化特征，对行动不便者而言尤其如此，这使得设计出适用于众多不同人群的设备变得异常困难。

事实证明，机器学习的进步能创造更具个性化的体验。约翰·保尔森工程与应用科学学院（SEAS）的研究人员与麻省总医院及哈佛医学院的医学科学家合作，对其可穿戴机器人进行了升级，使其能精准响应用户的个体化动作。这项改进赋予设备更个性化的辅助功能，可为用户日常活动提供更优质、更可控的支撑。

《自然-通讯》（Nature Communications）发表的这项研究由保罗·梅德工程与应用科学教授（Paul A. Maeder Professor of Engineering and Applied Sciences）康纳·沃尔什（Conor Walsh）主导，其实验室致力于为行动障碍者开发以人为本的辅助机器人设备。六年来，沃尔什实验室与马萨诸塞州总医院神经康复诊所（Massachusetts General Hospital Neurorecovery Clinic）主任、中风与神经康复专家戴维·林博士（Dr. David Lin），以及马萨诸塞州总医院神经临床研究所（Massachusetts General Hospital Neurological Clinical Research Institute）联合主任、渐冻症专家萨布丽娜·帕加诺尼博士（Dr. Sabrina Paganoni）展开合作——两位专家均为论文合著者——共同开发具有临床实用性的患者辅助设备。

帕加诺尼（Paganoni）表示："这是一次卓有成效的合作，因为沃尔什博士（Dr. Walsh）的团队从第一天起就同时兼顾临床医生和患者的视角。这种协作模式使我们能够从最初的原型设计和研究方案阶段就开始共同推进。"

尼奇（Nycz）于2018年经帕加诺尼（Paganoni）推荐加入SEAS研究团队，当时距离她33岁生日仅剩一周时被诊断出肌萎缩侧索硬化症（ALS）。她已为该设备的多个迭代版本提供数据支持和用户测试，包括最新搭载个性化运动反馈功能的版本。"我坚信科技和设备能够提升ALS患者的生活质量…我认为这款机器人有助于实现这个目标，"她表示。

普拉巴特·帕塔克（Prabhat Pathak，左）与詹姆斯·阿诺德（James Arnold）在实验室演示可穿戴机器人。| 图片来源：哈佛大学（Harvard）

搭载机器学习模型的软件更新

该论文描述了驱动该设备软件的一次重大更新。该设备由一个搭载传感器的背心组成，其手臂下方连接着一个可充放气的气囊，通过膨胀与收缩为虚弱或受损的肢体提供机械辅助。

研究人员采用了一种机器学习模型，通过追踪运动和压力的传感器来学习用户试图执行的动作，从而为个体用户个性化定制辅助水平。

在该设备的早期版本中，研究人员发现当机器人辅助抬起用户手臂后，使用者难以自主完成下压动作——该版本仅具备运动追踪功能。论文共同第一作者、研究生詹姆斯·阿诺德（James Arnold）解释道："部分使用者残留的肌力不足以纠正机器人产生的任何操作偏差。"

在新版本中，除了机器学习模型，团队还整合了先前开发的基于物理学的模型——该模型能估算运动过程中支撑手臂所需的最小压力值。这种双模型结合使机器人的辅助更具人性化，在进食饮水等基础任务中能提供更精细的协助。通过融合两种模型，机器人可根据学习到的用户常规运动模式，实时动态调整辅助力度强度。

用户测试

在与马萨诸塞州总医院（Massachusetts General Hospital）临床研究人员的合作中，工程师们对包括尼茨（Nycz）在内的九名志愿者进行了设备测试——其中五名曾经历中风，四名患有肌萎缩侧索硬化症（ALS）。

帕加诺尼（Paganoni）表示："对于渐冻症患者而言，最重要的考量因素包括舒适性、易用性以及设备适应其特定需求和运动模式的能力。个性化定制对于提升功能独立性和生活质量至关重要……该设备有望显著改善上肢功能，增强日常生活活动能力，并减少代偿性动作。"

研究结果显示，基于个体用户运动数据训练的机器人能以94%的准确率识别用户肩部动作。与早期版本相比，使用者手臂下放所需的力量减少了约三分之一。用户在肩、肘、腕关节处展现出更大的活动范围，减少了对身体倾斜或扭转的代偿需求，整体动作变得更加精确高效。

该研究的共同第一作者、博士后研究员普拉巴特·帕塔克（Prabhat Pathak）解释说，过去对可穿戴机器人的研究主要关注单一关节或单一临床评分来评估患者运动。"我们的创新之处在于采用高精度动作捕捉系统（类似于电影拍摄中使用的技术）来模拟日常生活活动。我们分析了每个关节运动的细微变化，并评估患者是否能更高效地完成各项任务。"

尼奇表示，多年来见证该设备不同版本的迭代令人欣慰，她还注意到自己提出的一些反馈意见在新版本中得到了体现。

她说："他们做得非常出色，真正将参与者融入其中。他们并非只是坐在实验室里摆弄机器人，我能感受到他们是真正在与我互动。我没有感觉自己像实验室里的小白鼠或是机械运转中的齿轮。"

该机器人可以帮助行动不便的人士完成进食和饮水等日常活动。 | 图源：哈佛大学（Harvard）

适用于多种人群

研究人员指出，他们的设备可适用于多种上肢功能障碍人群。虽然中风患者通常侧重于通过逐步恢复力量和运动功能进行康复训练，但肌萎缩侧索硬化症（ALS）属于进行性退化疾病，这意味着该设备可能仅作为运动辅助工具更具价值。在美国国家科学基金会（National Science Foundation）技术、创新与合作伙伴关系理事会下属的"融合加速器计划"（Convergence Accelerator）持续支持下，该团队正在持续改进这项技术，以期未来能让用户在家中独立使用该设备。

编者按：本文转载自哈佛大学约翰·保尔森工程与应用科学学院（Harvard John A. Paulson School of Engineering and Applied Sciences）。