🤖 machine learning

Learning Varying Physical Therapist-Patient Interactions for Robot-mediated Upper Limb Task-Specific Training

本文提出了一种基于任务参数化高斯混合模型（TPGMM）的学习演示框架，旨在使康复机器人能够学习并泛化用于上肢特定任务训练的个性化物理治疗师-患者交互，并证明了其在不同任务条件下重现治疗师施加扭矩的有效性，其性能与查表法基准相比相当或略优。

原作者： Jia Quan Loh (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Vincent Crocher (Human Robotics Laboratory, Department of Mechanical Engineering, The Unive

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jia Quan Loh (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Vincent Crocher (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Marlena Klaic (Melbourne School of Health Sciences, The University of Melbourne), Denny Oetomo (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Ying Tan (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne)

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

中风后的运动功能恢复往往取决于患者练习特定、有意义动作的频率，例如伸手拿杯子或握住勺子。这种被称为“任务特定训练”的方法，在物理治疗师以恰到好处的力量引导患者肢体并根据患者需求进行实时调整时效果最好。虽然机器人长期以来一直被用于帮助患者重复这些动作数千次，但它们一直难以匹配人类治疗师那种细微且个性化的触感。目前的机器通常依赖于僵化的、预设的程序规则，无法适应特定患者独特的运动方式，也无法适应治疗师选择协助患者的具体方式。挑战在于，如何教会机器人理解并重现治疗师双手与患者身体之间复杂的物理对话，尤其是在任务发生轻微变化时，例如移动一个放置得更远的杯子或拿着不同的物体。

为了解决这个问题，墨尔登大学的研究人员开发了一种让机器人通过观察治疗师工作来学习这些交互的新方法。研究人员没有用固定的规则来编程机器人，而是让成对的物理治疗系学生进行角色扮演，一人扮演患者，另一人扮演治疗师。这位“患者”穿着一件配备了传感器的特殊套装，可以测量“治疗师”施加在他们的肩膀、上臂和前臂上的精确力量。他们执行了三种不同的日常任务——伸手拿杯子、用勺子舀食物以及从水壶中倒水——每种任务都包含距离、方向或重量的变化。目标是观察计算机是否可以通过观察仅仅几次这样的课程，然后预测在一种未见过的相同任务的新版本中，治疗师会施加多少力量。

研究人员测试了两种不同的教学方法。第一种是简单的查找表，它就像一个数字文件柜。它存储了练习过程中记录的每一次运动和力量。当被要求预测某种情况下的力量时，计算机只需在文件中搜索与其之前见过的最接近的匹配项，并复制该力量。第二种方法更为复杂，使用了一个统计模型来学习治疗师行为的潜在模式。这个模型不仅仅是记忆特定的例子；它理解了治疗师的力量如何随着患者手臂在不同位置移动而变化，从而使其能够在从未见过的任务变体中生成力谱图。

团队利用来自14对学生的数据对这两种方法进行了评估。他们发现，当机器人被要求重现训练期间见过的任务变体时，两种方法表现都很好，简单的查找表在捕捉治疗师触感的精细细节方面表现略好。然而，真正的考验在于当机器人面对一个完全新的任务变体时，例如一个放置在从未遇到过的距离处的杯子。在这些未见过的场景中，统计模型的表现更为优越。它比查找表更能准确猜测正确的力量，因为查找表由于无法在存储的文件中找到足够接近的匹配项而显得力不从心。有趣的是，研究人员发现，随着任务变得更加复杂，统计模型的泛化能力也随之提高，这表明运动越复杂，机器人就越能从理解底层模式而非仅仅记忆例子中获益。

尽管取得了这些成功，研究也强调了重要的局限性。机器人的预测并不完美；在新的情况下，它生成的力有时会稍微超出人类治疗师通常使用的范围。研究人员还注意到，实验依赖于学生扮演患者角色，这引入了比实际临床环境更多的变异性。此外，该系统是在离线状态下测试的，这意味着在研究过程中，机器人并没有在现实中与患者进行物理交互。作者指出，虽然统计模型在帮助机器人学习个性化治疗技术方面显示出潜力，但仍需更多工作将这种学习整合到能够安全引导患者进行康复的实际机器人系统中。研究结果表明，虽然机器人目前可能还无法完全取代人类的触感，但它们正朝着一个能够通过学习治疗师的演示并将其知识应用到各种独立练习动作中的未来迈进。

技术摘要：学习变化的物理治疗师-患者交互以用于机器人介导的上肢特定任务训练

问题陈述
上肢运动康复与任务特定训练（TST）及充足的治疗剂量呈正相关。虽然康复机器人可以通过受控、重复的治疗来增加剂量，但它们尚未展现出优于传统疗法的显著优势。这一局限性归因于两个主要因素：机器人无法准确表示个性化的治疗师-患者物理交互，以及在 TST 过程中缺乏练习多样性。目前的机器人干预通常依赖于预定义的物理人机交互（pHRI）方案（例如，按需辅助、阻力模式），这些方案无法捕捉到治疗师针对不同神经损伤程度患者所施加的细微且个性化的力量。此外，现有的用于机器人介导的物理人机交互（RHHI）的学习演示（LfD）方法通常仅侧重于重现已观察到的交互条件，缺乏在无需治疗师不断重新演示的情况下，向新任务变化（如不同的位置、速度或物体）进行泛化的能力。

方法论
作者提出了一个框架，旨在通过少量的演示来学习并泛化跨越不同任务条件的个性化治疗师-患者交互。

交互建模： 物理交互被定义为一个向量 $\gamma_t$ ，包含患者关节位置 ( $q_t$ )、速度 ( $\dot{q}_t$ ) 以及治疗师施加的关节力矩 ( $\tau_t$ )。目标是学习一个映射函数 $g_{a,e}$ ，将特定治疗师-患者对 ( $a$ ) 和特定任务 ( $e$ ) 的患者运动学映射为治疗师的关节力矩。
提出的框架 (TPGMM)： 核心贡献是使用了任务参数化高斯混合模型 (TP-GMM)。
- 坐标系变换： 演示被变换为多个任务相关的参考坐标系（例如，任务的起点、中间点和终点）。在本研究中，这些坐标系是通过特定的关节运动学配置（关节位置和速度）而非笛卡尔空间来定义的。
- 学习过程： 在每个参考坐标系中使用期望最大化（EM）算法学习高斯混合模型（GMM）。随后使用高斯乘积将这些模型组合成一个缩减后的 GMM。
- 回归： 对于新的任务变化，模型根据由新任务点定义的新的参考坐标系对学习到的 GMM 进行调节。随后使用高斯混合回归（GMR）根据患者当前的关节运动学来估计治疗师施加的力矩。
基准测试 (查找表/Look-Up Table)： TPGMM 方法与基于 Luciani 等人研究的查找表 (LUT) 方法进行了对比。LUT 方法通过在关节运动学空间中基于欧几里得距离检索最近邻的演示，并对生成的力矩应用低通滤波器。
实验设置：
- 参与者： 招募了 14 对物理治疗专业的学生（分别扮演治疗师和患者）。
- 任务： 执行了三个特定任务的练习（伸手拿杯子、使用餐具、倒水）。每个任务包含三种具有不同损伤程度（FMA-UE 评分分别为 8、32 和 56）的患者人格（Persona），以及涉及距离、方向或容量变化的六种变体。
- 数据采集： 使用可穿戴传感器系统（XSENS 动作捕捉系统和三个安装在肩部、上臂和前臂上的 6 自由度力/力矩传感器）记录关节运动学和交互力矩。
- 评估： 模型在四个变体上进行训练，并在两个未见过的变体（泛化测试）和训练变体中的留出试验（验证测试）上进行测试。性能通过归一化平均重建误差 ( $\epsilon_n$ )、归一化峰值力矩差异 ( $\Delta\tau_{peak}$ ) 和覆盖率 ( $C_n$ ) 进行衡量。

核心贡献

交互的泛化： 本研究展示了一种方法，能够从少量演示中学习治疗师-患者交互剖面，并将其泛化到未见的任务变化（不同的任务点和条件）中，解决了当前 RHHI 文献中往往只能重现已知条件的不足。
用于力矩预测的 TPGMM： 特别应用 TPGMM 将患者关节运动学映射到高维关节空间中的治疗师施加的关节力矩，而非仅仅是末端执行器的位置。
实证比较： 在涉及变化的患者人格和任务复杂度的上肢康复背景下，对统计泛化模型 (TPGMM) 和直接检索方法 (LUT) 进行了严格的比较。

结果

验证 (已见变体)： TPGMM 和 LUT 均成功重建了处于治疗师行为变异范围内的交互。相比 TPGMM，LUT 方法在捕捉精细细节（峰值力矩）方面表现出略好的保真度。
泛化 (未见变体)： 两种方法产生的重建结果虽然与实际的治疗师交互略有偏差，但仍保持在预期的行为边界内。
- TPGMM 性能： 在未见变体的情况下，TPGMM 在重建误差 ( $\epsilon_n$ ) 和覆盖率 ( $C_n$ ) 方面表现出比 LUT 具有统计学意义的微弱优势。
- 任务复杂度效应： 在关于任务复杂度的观察中发现了一个反直觉的结果。在验证情况（已见变体）下，随着任务复杂度增加（从 Persona 1 到 3），两种方法的性能均有所下降。然而，在泛化情况（未见变体）下，随着任务复杂度增加，两种方法的性能均显著提升（误差降低，覆盖率提高）。
局限性： 两种方法都未能完美捕捉峰值力矩细节（ $\Delta\tau_{peak}$ 仍然较高），这表明在泛化能力与精细交互保真度之间存在权衡。

意义与主张
本文声称，所提出的 TPGMM 框架为实现机器人介导的 TST 提供了一种可行的方法，能够跨越不同的练习条件保留个性化的治疗师-患者交互。通过学习物理交互的“潜在特征”，该系统减少了治疗师需要针对每个新任务变化不断进行重新演示的需求。

作者在临床适用性方面保持了审慎的态度。他们承认本研究是使用扮演患者和治疗师的物理治疗专业学生进行的，并且使用了与真实临床交互不同的受限传感器设置（三个接触点）。此外，该框架是在不受约束的运动学数据上进行离线评估的。因此，本文并未声称具备即时的临床疗效，而是指出所提出的方法适用于此类场景，并值得进一步与实际的康复机器人系统相结合，并通过针对中风患者的试点研究来验证其实际临床效果。这项工作是实现机器人适应动态且个性化的人类治疗特性的初步尝试。

技术摘要：学习变化的物理治疗师-患者交互以用于机器人介导的上肢特定任务训练

类似论文