CN103251419A - 用于手功能康复训练与评估的数据手套及其监测方法 - Google Patents

Abstract

本发明公开了一种用于手功能康复训练与评估的数据手套，所述数据手套还包括封装于手套内手背一侧的弯曲传感器组、封装于手套内手掌一侧的柔性压力传感器组，弯曲传感器组位于各指关节处，压力传感器组位于抓握物体时手与物体相接触的若干关键节点上，弯曲传感器组、压力传感器组的引出导线封装于手套内部经手背一侧汇聚到小臂外侧，并且与后续硬件处理电路相连。本发明穿戴性强，能够采集患者手部手指弯曲角度信息及手掌面压力信息，将其应用于虚拟环境下的手功能康复训练，并能给出肌力范围从无关节运动到能抗正常阻力运动不同等级下的量化评估结果。

Description

用于手功能康复训练与评估的数据手套及其监测方法

技术领域

本发明涉及一种医疗辅助仪器，具体涉及一种用于手功能康复训练与评估的数据手套及其监测方法。 

背景技术

当前针对由脑损伤而引起的肢体偏瘫的疗法很多，近年来亦出现了一些能够进行手部康复的机器人或数据手套。康复机器人及部分数据手套可以辅助患者完成手部的抓握等动作，但是缺乏相应的量化评估手段及方法，无法对患者康复状况给出客观评价。一些数据手套虽然能够采集到患者手部的部分信息，并用于虚拟现实环境下的沉浸式训练及量化评估，但都只针对手部运动的活度信息，即仅考虑了各手指可弯曲的角度及速度信息，并不能结合患者手部抗阻力运动能力信息作虚拟环境下的沉浸式训练，或给出抗阻力运动能力的客观评价。结合徒手肌力MMT分析标准，现有的用于手功能康复的数据手套只能对手部肌力等级为1到3级的患者进行虚拟环境下的康复训练及量化评估，对于肌力等级为3+到5级的患者则束手无策，无法进行虚拟环境下的康复训练，更无法给出康复效果的客观评价。 

从现代医疗和康复仪器设备的发展趋势来看，可穿戴技术已经成为生物医学工程领域关注的热点问题，在“准自然状态”下检测人体各种生理信息对于发现和治疗新的疾病具有重大的意义。当前一些手功能康复装置采用刚性机械结构，可穿戴性差，对患者活动带来不便，在此状态下采集的患者手部运动信息不能客观反映其真实状态，影响了对手部康复效果的客观评价。 

发明内容

本发明目的在于提供一种用于手功能康复训练与评估的数据手套及其监测方法，本发明穿戴性强，能够采集患者手部手指弯曲角度信息及手掌面压力信息，将其应用于虚拟环境下的手功能康复训练，并能给出肌力范围从无关节运动到能抗正常阻力运动不同等级下的量化评估结果。 

为了解决现有技术中的这些问题，本发明提供的技术方案是： 

一种用于手功能康复训练与评估的数据手套，所述数据手套还包括封装于手套内手背一侧的弯曲传感器组、封装于手套内手掌一侧的柔性压力传感器组，弯曲传感器组位于各指关节处，压力传感器组位于抓握物体时手与物 体相接触的若干关键节点上，弯曲传感器组、压力传感器组的引出导线封装于手套内部经手背一侧汇聚到小臂外侧，并且与后续硬件处理电路相连。 

对于上述数据手套，发明人还有进一步的优化实施方案。 

弯曲传感器组包括8～10个封装于手套内手背一侧，位于食指、中指、无名指及小拇指的掌指关节、近端指关节和远端指关节，大拇指的掌指关节和指关节等处的弯曲传感器。 

作为优化，所述压力传感器组包括12～15个封装在手套内手掌一侧，位于食指、中指、无名指及小拇指的近节指骨、远节指骨及基关节，大拇指远节指骨，拇指屈肌及小指屈肌等处的柔性压力传感器。 

本发明还提供了一种基于上述的用于手功能康复训练与评估的数据手套的监测方法，弯曲传感器可实时感知患者康复训练过程中手部各个关节角度变化，压力传感器实时检测抗阻力抓握训练过程中手掌面及手指的力学信息，依据徒手肌力MMT分析量表构建不同肌力等级下的虚拟现实环境进行沉浸式康复训练，在康复前期诱导患者进行手指活动范围即活度的训练，在康复中后期引导患者进行手部抗阻力运动的沉浸式训练，综合运用手指关节角度信息及手部力学状态信息，针对康复训练过程中手指运动活度、速度、抗阻力能力及手部协调能力等给出客观的量化评估结果。 

对于上述监测方法，发明人同样具有进一步的优化实施方案。 

针对需要进行抗阻力训练的患者，本数据手套可根据当前患者的肌力状态自动调整最大可测压力，具体监测流程如下： 

在每次进行康复训练，患者首先尽最大努力进行一次抗阻力抓握，本装 

置根据手掌面压力分布自动调整各个传感器对应的处理电路参数，使得 

各个压力传感器在本次训练中所需测量的压力在其最佳输入响应范围 

内，以达到最准确客观地反映患者手部力学状态的目的。 

本数据手套综合运用所采集的手指各关节弯曲角度信息及手掌面若干位点压力信息，可为0/1至5级肌力的量化评定提供完整的客观数据（本装置对0级及1级不予以区分），依据徒手肌力检查的MMT分析量表，徒手肌力为1至3级的患者，主要考察无阻力状态下，手部手指运动的活度，用无阻力抓握时手部各关节可达到的弯曲角度来反映，各关节可检测的弯曲角度为0～90°；肌力为3+至5级的患者，主要考察其手部抗阻力能力，用抓握 弹性物体时手掌面不同位点压力来反映，每个位点可检测压力范围为0～20N。 

徒手肌力检查MMT分析量表如下： 

更进一步，依据患者手部各关节的角度信息及物体抓握时手部压力信息，结合徒手肌力MMT分析标准，建立合适的虚拟现实环境用于不同肌力状态下的沉浸式训练，进行沉浸式训练的监测流程如下： 

针对1至3级肌力患者，主要采集患者手部各手指弯曲角度信息，建 

立虚拟现实环境引导患者在消除重力位或抗肢体重力下进行不同幅度 

不同速度的抓握运动，或抓握至不同目标位后姿势的维持。针对3+至 

5级肌力患者，主要检测手部压力信息，建立虚拟环境引导患者进行不 

同目标阻力下抓握运动，或抓握至目标阻力后肌力输出的维持。 

作为优化，本数据手套不仅考虑患者手部运动的活度及肌力情况，亦考虑患者进行手部操作时各手指及关节间的协调能力。本装置包含所采集的正常人手操作过程中手部各手指的运动轨迹及压力信息，建立了正常人手操作过程中手指空间运动及力量分布的动态模型。在患者进行康复训练及评价中，将患者训练过程中手部运动轨迹/力量与此动态模型作比对，找出各手指的运动轨迹/力量偏差，乘以各手指的最优权重后给出最终的协调能力量化评分。 

相对于现有技术中的方案，本发明的优点是： 

1.本发明分别采用弯曲角度传感器及柔性压力传感器检测手部指关节弯曲角度及手掌面压力分布信息，客观量化地反映了患者手部运动活度及抗阻力运动能力； 

2.本发明运用所提供的手部指关节弯曲角度及手掌面压力分布两种信息，依据徒手肌力MMT分析标准构建虚拟现实环境，适合从1到5不同等级肌力患者进行沉浸式训练，即本发明针对患者康复初期无明显手指运动到康复后期可抗正常阻力进行手操作，均建立了相应的虚拟环境下的康复训练方案； 

3.本发明运用所提供的手部指关节弯曲角度及手掌面压力分布两种信息，依据徒手肌力MMT分析标准建立了从1到5级完整的量化评估手段和方法，不仅在康复训练前期对患者手部的运动活度进行量化评估，亦可在康复中后期对患者手部抗阻力运动能力提出客观评价； 

4.本发明建立了正常人在无阻力或抗阻力情况下进行手操作时手各部运动及力学的动态模型，即手部的协调运动模型。将患者进行康复训练时手各部运动轨迹及力学状态与此模型作对比，给出患者手部协调运动能力的量化评估结果； 

5.本发明可根据患者当前抗阻力运动能力自动调整柔性压力传感器电路的最佳压力输入范围。特别是针对刚能抗微弱阻力进行手部运动的患者，本发明通过对柔性传感器电路参数的自动调整，可检测患者手部抗阻力运动能力的微弱的变化； 

6.本发明采用一般弹性布料制作，且传感器均具有柔性，可弯曲，通过在手套内的合理布局，可使患者在进行手部康复训练过程中几乎没有任何机械阻力，实现在“准自然状态”下检测手部运动信息。 

附图说明

下面结合附图及实施例对本发明作进一步描述： 

图1为本发明实施例中数据手套的压力传感器手掌面分布图； 

图2为本发明实施例中数据手套的弯曲传感器手背面分布图； 

图3为本发明实施例中柔性压力传感器模拟处理电路示意图； 

图4为本发明实施例中压力传感器处理电路压力-输出电压关系图； 

图5为本发明实施例中弯曲传感器模拟处理电路示意图； 

图6为本发明实施例中单片机对数字电位器的控制电路； 

图7为本发明实施例中压力传感器压力输入范围自动调整流程图； 

图8为本发明实施例中数据手套信号采集及传输示框图； 

图9为本发明实施例中虚拟现实环境下的沉浸式康复训练。 

具体实施方式

以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。 

实施例： 

本实施例描述了一种用于手功能康复训练与评估的数据手套及其监测方法，如图1、图2所示，所述数据手套还包括封装于手套内手背一侧的弯曲传感器组、封装于手套内手掌一侧的柔性压力传感器组，弯曲传感器组位于各指关节处，压力传感器组位于抓握物体时手与物体相接触的若干关键节点上，弯曲传感器组、压力传感器组的引出导线封装于手套内部经手背一侧汇聚到小臂外侧，并且与后续硬件处理电路相连。 

如图1所示，所述压力传感器组包括12～15个封装在手套内手掌一侧，位于食指、中指、无名指及小拇指的近节指骨、远节指骨及基关节，大拇指远节指骨，拇指屈肌及小指屈肌等处的柔性压力传感器。 

如图2所示，弯曲传感器组包括8～10个封装于手套内手背一侧，位于食指、中指、无名指及小拇指的掌指关节、近端指关节和远端指关节，大拇指的掌指关节和指关节等处的弯曲传感器。 

柔性压力传感器为INTERLINK ELECTRONICS公司的Force Sensing Resistors，所采用的模拟处理电路如图3所示，其中R1代表柔性压力传感器的等效电阻，R2代表一阻值可调节电阻，VREF为参考电压，则输出电压为： 

$V_{\mathrm{OUT}}=-V_{\mathrm{REF}}\frac{R_2}{R_1}$

此模拟处理电路的输入-输出，即压力-电压关系曲线如图4所示，其中 参考电压VREF为-5V。 

弯曲传感器采用spectrasymbol公司的flex sensor，所采用的模拟处理电路如图5所示，其中R1代表弯曲传感器的等效电阻，R2代表一阻值固定的电阻，VREF为参考电压，则输出电压为： 

$V_{\mathrm{OUT}}=V_{\mathrm{REF}}\left(\frac{R_1}{R_1+R_2}\right)$

压力传感器压力输入范围的可调节性 

由图4压力传感器处理电路的输入压力-输出电压关系曲线可以看出，通过控制电阻R2的值可以调节压力传感器的线性响应范围。本装置选用intersil公司的数字控制电位器X9C103，其阻值大小为10KΩ，具有100个均匀的可调档位，5V电压供电，单片机通过3个普通I/O口即可对其进行控制，其端口INC，   

和   

分别和430单片机的3个I/O口相连，用作片增量控制，片选控制和阻值变化方向控制，端口V_H/R_H和R_W，/V_W间等效为图3中的电阻R2，如图6所示，通过此电路即可实现单片机对图3中电阻R2阻值大小的控制，进而实现对压力传感器压力输入范围的调节。 

在每次开始训练前，需要患者进行一次尽最大力的抓握，本装置可自动调整各个压力传感器的压力输入范围，其控制流程图如图7所示。在每次康复训练前，调节X9C103输出电压到最大值后引导患者进行一次最大力的抓握并维持，采集各个传感器模拟电路的输出电压，如果电压小于4.5V，则记录X9C103的状态，即其档位后引导患者手部放松，然后开始本次康复训练。若采集到的电压大于4.5V，则减小X9C103的输出电阻直至传感器模拟电路输出电压小于4.5V。 

模拟信号的采集和传输 

本装置采用的单片机为TI公司的MSP430F149，***模块包含有串口通讯模块及ADC模数转换模块，配合模拟选通开关，可方便实现本装置所需的多导信号的采集与传输。选择PL-2303芯片用于实现单片机与PC机的USB通讯，本装置的信号采集及传输示意图如图8。 

正常人手部运动模型的建立 

本装置不仅能够单独考察各个手指关节的弯曲角度或手掌一侧各个传感器位点的压力大小，而且能够考察手部运动过程中各个手指的协调性，并依此进行康复训练及康复评价。 

针对手部运动活度，m名正常人在无阻力情况下依一定节奏进行n次抓握运动，并同时采集手部各关节角度，这样共产生mn次的数据。考察中指掌指关节角度   

排除掉   

在一次抓握过程中没有达到50°的数据后，共保留了N次的数据。以   

为“时间”，2°角为“时间间隔”，对其他各个关节角度进行“采样”，即分别确定当   为0°，2°，4°，……，48°，50°时其他各个关节角度的大小，记为

其中k＝0°，2 °，4°，……，48°，50°，1＝l，2，…、M_flex(M_flex为弯曲传感器个数)，r＝l，2，…，N，则建立正常人手部无阻力运动模型为: 

其中   

其反映的是在无阻力抓握情况下，当中指掌指关节到达某一定角度时，其他各关节所应到达的角度范围。定义

为第1个弯曲传感器所采集信息的归一化协调性权系数，其中   

显然，当某一传感器处采集的弯曲角度信息在每次抓握过程中离散程度越大，说明其对协调性的评价 影响应该越小，权系数越小；反之亦然。 

针对手部抗阻力运动能力，主要考察各手指用力是否均匀恰当，依然以正常人用力抓握弹性物体时手掌面压力分布作为参考。m名手功能正常的受试者依一定节奏抓握n次弹性小球，并同时采集手掌面各个位点的压力信息，共产生mn次的数据。考察中指掌指骨处压力F_ref排除掉F_ref在一次抓握过程中没有达到1Kg的数据后，共保留了N次的数据。以F_ref为“时间”，50g压力为“时间间隔”，对其他各个关节角度进行“采样”，即分别确定当F_ref为50g100g，150g，…，950g，1O0Og时其他各个位点压力的大小，记为   

其中k=50g，100g，150g，…，1000g，1＝1，2，…M_force(M_force为压力传感器个数)，r＝1，2，…，N则建立正常人手部无阻力运动模型为： 

${\stackrel{\‾}{F}}_{k,1}\±{\mathrm{\δ}}_{k,l}$

其中    ${\stackrel{\‾}{F}}_{k,1}={\mathrm{\Σ}}_{r=1}^N{F}_{k,1}^r,$ ${\mathrm{\δ}}_{k,1}^2=\frac{1}{N}{\mathrm{\Σ}}_{r=1}^N{(F_{k,1}^r-{\stackrel{\‾}{F}}_{k,l})}^2.$ 其反映的是在有阻力抓握情况下，当手掌面中指掌指骨处压力达到某一值时，其他各位点所应到达的压力范围。类似于ω_l的定义，此处针对压力信息建立归一化权系数μ_l。 

虚拟现实环境下的沉浸式训练 

能够结合手指弯曲角度信息及手掌面压力分布信息进行虚拟现实环境下的沉浸式训练是本装置的一大特色，其可以增加康复训练的趣味性和主动性，显著提高康复训练的效果。上位机应用软件由C#编写，虚拟现实环境下的模型由Unity制作，图9所示为开发的针对手部康复训练的游戏“投篮 手”。针对肌力等级从1级到5级的患者，在应用软件中设计了不同训练任务下的虚拟环境，分别训练患者手部的运动活度及抗阻力运动能力。可针对单根手指的运动功能进行训练，亦可针对手部的整体协调性进行训练。 

训练任务可按照当前患者手部功能状态分为四种，分别为：模式I-无阻力状态下单根手指的活度训练；模式II-无阻力状态下手部的协调性训练；模式III-阻力状态下单根手指的抗阻力能力训练；模式IV-阻力状态下手部的协调性训练。结合游戏“投篮手”分别对上述四种训练任务进行阐述。在模式I下，训练前可选择特定的手指关节及训练目标，在训练过程中数据手套仅拾取特定手指关节弯曲角度信息用于对游戏模型进行控制。例如在一定时间内，患者某特定手指关节角度需弯曲到指定角度并维持到时间结束，“投篮手”才能将篮球投入篮框，否则篮球将不能接触篮框。类似地，在模式III下，数据手套仅拾取特定手指上压力信息用于控制游戏模型。患者只有在一定时间内使压力达到一定大小并维持，才能将篮球投入篮框，否则篮球将无法接触篮框。在模式II，我们以右手为例，以中指弯曲角度为“时间轴”对其他各指弯曲角度进行采样，找出与所建立正常人手部运动模型间的偏差，并将拇指食指偏差及小拇指无名指偏差分别求平均后进行比较。若两者均大于0，说明中两者运动均超前于中指，篮球碰墙壁后弹回；若前者小于（大于）0，后者大于（小于）0，则球像左（右）侧偏出；若均小于0，则球不能碰触篮框。在模式IV下，将模式II下的角度信息换为压力信息对游戏进行控制，过程相同。 

针对手部肌力的量化评定方法 

由于本装置采用了弯曲传感器和柔性压力传感器，可以检测手部关节弯曲角度和手掌面压力信息，故可以完成MMT量表中肌力从1级到5级的量化评定。 

针对各个手指活度，本装置可在每次康复训练过程中记录患者手部各关节角度信息，并在康复训练结束时给出本次训练中每个手指关节在尽力伸展或握紧时所能达到并维持的角度，并以此作为每个指关节运动活度的客观量化评价。 

对于无阻力状态下手部运动的协调性，本装置在每次康复训练过程中记录患者手部各关节角度信息，并以中指掌指关节角度为“时间轴”对其他关 节角度值进行“采样”，记为α_k，1，其中k＝0°，2°，4°，……，48°，50°，l＝1，2，…M_flex(M_flex为弯曲传感器个数)。则手部整体无阻力运动的协调性评分为：   

显然，此评分越低说明手部各关节整体协调性越好。 

对于每根手指所能抗的阻力，本装置可在每次康复训练过程中记录患者手部各手指上位点的压力信息，并在康复训练结束时给出本次训练中每个手指在尽力握紧时所能达到并维持的压力，并以此作为每个手指抗阻力运动能力的客观量化评价。 

对于阻力状态下手部运动，特别是各手指用力的恰当性，本装置在每次康复训练过程中记录患者手部各手指上位点的压力信息，并以中指掌指骨压力为“时间轴”对其他各位点压力值进行“采样”，记为P_k，1其中k＝50g，100g，150g，…，1000g，1=1,2，…，M_force(M_force为压力传感器个数)。则手部抗阻力运动时手部用力协调性评分为：     ${\mathrm{\Σ}}_{l=1}^{M_{\mathrm{force}}}{\mathrm{\μ}}_l\left|{\mathrm{\Σ}}_{k\∈\left\{\begin{array}{ccccc}50g,& 100g,& 150g,& ...,& 1000g\end{array}\right\}}\frac{(F_{k,1}-F_{k,1})}{{21\mathrm{\δ}}_{k,l}}\right|.$ 同样，此评分越低说明手部在进行有阻力运动时整体协调性越好，越均匀恰当。 

上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。 

Claims (8)

1.一种用于手功能康复训练与评估的数据手套，其特征在于，所述数据手套还包括封装于手套内手背一侧的弯曲传感器组、封装于手套内手掌一侧的柔性压力传感器组，弯曲传感器组位于各指关节处，压力传感器组位于抓握物体时手与物体相接触的若干关键节点上，弯曲传感器组、压力传感器组的引出导线封装于手套内部经手背一侧汇聚到小臂外侧，并且与后续硬件处理电路相连。

2.根据权利要求1所述的用于手功能康复训练与评估的数据手套，其特征在于，弯曲传感器组包括8~10个封装于手套内手背一侧，位于食指、中指、无名指及小拇指的掌指关节、近端指关节和远端指关节，大拇指的掌指关节和指关节等处的弯曲传感器。

3.根据权利要求1所述的用于手功能康复训练与评估的数据手套，其特征在于，所述压力传感器组包括12~15个封装在手套内手掌一侧，位于食指、中指、无名指及小拇指的近节指骨、远节指骨及基关节，大拇指远节指骨，拇指屈肌及小指屈肌等处的柔性压力传感器。

4.一种基于上述的用于手功能康复训练与评估的数据手套的监测方法，其特征在于，弯曲传感器可实时感知患者康复训练过程中手部各个关节角度变化，压力传感器实时检测抗阻力抓握训练过程中手掌面及手指的力学信息，依据徒手肌力MMT分析量表构建不同肌力等级下的虚拟现实环境进行沉浸式康复训练，在康复前期诱导患者进行手指活动范围即活度的训练，在康复中后期引导患者进行手部抗阻力运动的沉浸式训练，综合运用手指关节角度信息及手部力学状态信息，针对康复训练过程中手指运动活度、速度、抗阻力能力及手部协调能力等给出客观的量化评估结果。

5.根据权利要求4所述的用于手功能康复训练与评估的数据手套的监测方法，其特征在于，针对需要进行抗阻力训练的患者，本数据手套可根据当前患者的肌力状态自动调整最大可测压力，具体监测流程如下：

在每次进行康复训练，患者首先尽最大努力进行一次抗阻力抓握，本装置根据手掌面压力分布自动调整各个传感器对应的处理电路参数，使得各个压力传感器在本次训练中所需测量的压力在其最佳输入响应范围内，以达到最准确客观地反映患者手部力学状态的目的。

6.根据权利要求4所述的用于手功能康复训练与评估的数据手套的监测方法，其特征在于，本数据手套综合运用所采集的手指各关节弯曲角度信息及手掌面若干位点压力信息，可为0/1至5级肌力的量化评定提供完整的客观数据（本装置对0级及1级不予以区分），依据徒手肌力检查的MMT分析量表，徒手肌力为1至3级的患者，主要考察无阻力状态下，手部手指运动的活度，用无阻力抓握时手部各关节可达到的弯曲角度来反映，各关节可检测的弯曲角度为0~90°；肌力为3+至5级的患者，主要考察其手部抗阻力能力，用抓握弹性物体时手掌面不同位点压力来反映，每个位点可检测压力范围为0~20N。

7.根据权利要求4或6所述的用于手功能康复训练与评估的数据手套的监测方法，其特征在于，依据患者手部各关节的角度信息及物体抓握时手部压力信息，结合徒手肌力MMT分析标准，建立合适的虚拟现实环境用于不同肌力状态下的沉浸式训练，进行沉浸式训练的监测流程如下：

针对1至3级肌力患者，主要采集患者手部各手指弯曲角度信息，建立虚拟现实环境引导患者在消除重力位或抗肢体重力下进行不同幅度不同速度的抓握运动，或抓握至不同目标位后姿势的维持；

针对3+至5级肌力患者，主要检测手部压力信息，建立虚拟环境引导患者进行不同目标阻力下抓握运动，或抓握至目标阻力后肌力输出的维持。

8.根据权利要求4所述的用于手功能康复训练与评估的数据手套的监测方法，其特征在于，本数据手套不仅考虑患者手部运动的活度及肌力情况，亦考虑患者进行手部操作时各手指及关节间的协调能力；

本装置包含所采集的正常人手操作过程中手部各手指的运动轨迹及压力信息，建立了正常人手操作过程中手指空间运动及力量分布的动态模型；

在患者进行康复训练及评价中，将患者训练过程中手部运动轨迹/力量与此动态模型作比对，找出各手指的运动轨迹/力量偏差，乘以各手指的最优权重后给出最终的协调能力量化评分。

Images