一种通过可变幅度解码实现自供电的传感臂，用于交互式康复监测

《Chemical Engineering Journal》：A self-powered sensing arm enabled by variable-amplitude decoding for interactive rehabilitation monitoring

　　

Lingji Kong|Zheng Fang|Zutao Zhang|Bendong Xiong|Yun Yang|Hao Cao|Hongye Pan|Ting Yang

西南交通大学机械工程学院，中国成都，610031

摘要

康复训练监测对于上肢运动障碍患者的功能恢复至关重要。然而，传统的手动评估方法缺乏精确的反馈，而主流的机器人辅助系统在智能交互与低功耗便携性之间难以取得平衡。在这里，我们提出了一种自供电传感臂（SPS-Arm），该臂通过变幅解码技术实现交互式康复训练监测，集成了两个用于肘部屈伸和旋前旋后的混合自供电旋转传感器。每个传感器都采用了一种混合机制：电磁发电机提供289.6毫瓦的功率，而变幅摩擦电纳米发电机专门用于感知，能够实现2°的角分辨率。通过解码变幅摩擦电信号，传感器能够准确监测旋转方向、角度和速度，表现出优异的线性（R2 > 0.999）和高精度（速度误差<1.95%，角度误差<3.3%）。基于这种传感能力，我们开发了一个多模式交互式康复训练监测系统，支持活动范围评估、辅助-主动-阻力训练、基于游戏的交互、AI驱动的身份识别和虚拟现实轨迹交互。通过深度学习，该系统在身份识别和轨迹识别方面的准确率分别达到了98.22%和96.23%。演示和临床初步研究为SPS-Arm在实现可持续、智能和沉浸式康复训练监测方面的可行性和应用潜力提供了初步证据。

引言

由神经系统疾病（例如中风）、骨科疾病（例如关节炎）和手术损伤引起的上肢功能障碍会严重损害肘部运动，导致神经肌肉协调性、肌肉力量和关节活动范围（ROM）下降[1]，[2]。持续的康复训练对于功能恢复至关重要，因为重复的运动练习可以促进神经连接的重建和加强[3]，[4]，从而改善ROM、关节稳定性和肌肉表现[3]，[4]。然而，传统的康复评估仍然严重依赖治疗师的经验和手动观察，这使得难以提供实时、定量和标准化的反馈，尤其是在家庭或长期康复场景中。

先进的机器人辅助系统已经出现，以应对这些监测挑战[5]，[6]。这些系统结合了多种传感器（例如力和角度传感器）[7]，[8]，[9]，[10]，[11]、人工智能（AI）[12]，[13]，[14]，[15]，[16]和虚拟现实（VR）[17]，[18]，[19]，[20]，[21]技术，提供精确的反馈和丰富的交互模式。然而，这些系统通常复杂且昂贵，并且依赖于外部电源[22]，[23]，[24]，[25]，[26]，[27]。这种对电源的依赖限制了它们作为家庭或远程康复训练监测的便携设备的应用[28]，[29]。

自供电传感技术，特别是摩擦电纳米发电机（TENGs）[30]，[31]，[32]，[33]，[34]，[35]，作为一种有前景的解决方案出现，因为它们减少了传感器的功耗，并允许进行便携、持久的康复训练监测[36]，[37]，[38]，[39]，[40]，[41]，[42]，[43]，[44]。摩擦电传感器被集成到外骨骼设备中用于感知和监测，在各种最近的上肢和下肢外骨骼设备中得到了展示[19]，[45]。此外，能量收集器从康复运动中收集动能，作为外骨骼系统的额外能源，为信号收集和传输、数据处理、人机界面和VR界面等模块提供动力[46]，[47]。这种集成也反映并应用于可穿戴设备，如智能手杖[48]和混合下肢系统[45]。然而，现有的自供电康复训练监测设备仍然存在明显的性能限制（表S1）[10]，[19]，[45]，[49]，[50]，[51]，[52]。它们的能量收集能力通常有限，且无法同时实现高角度分辨率（例如4°到30°）、可监测参数（方向和角度）和多功能性（例如AI识别或VR模式）。

在这里，我们介绍了一种通过变幅解码技术实现交互式康复训练监测的自供电传感臂（SPS-Arm）（图1a和S2）。SPS-Arm集成了两个自供电旋转传感器，用于监测肘部屈伸（传感器FE）和旋前旋后（传感器PS）（图S3）。旋转传感器包含两个关键模块：电磁发电机（EMG）和变幅摩擦电纳米发电机（V-TENG）。EMG收集人体运动能量，显示出作为辅助电源的潜力，而V-TENG用于捕捉肘关节的运动以进行训练监测。EMG的最大功率为289.6毫瓦，足以稳定地为蓝牙温度传感器供电。V-TENG采用变幅电极配置，具有2°的优异角感知分辨率、33.36分贝的信噪比（SNR）和低至9毫秒的响应时间。基于这种传感能力，我们首先构建了一个动态解码平台，能够准确测量120转/分钟和120°范围内的旋转运动的方向、角度和速度，表现出良好的线性（R2 > 0.999）和高精度（速度误差<1.95%，角度误差<3.3%）。我们还开发了一个多模式交互式康复训练监测系统，支持ROM评估、辅助-主动-阻力训练、基于游戏的交互、AI驱动的身份识别和VR轨迹交互。通过深度学习，该系统在身份识别和轨迹识别方面的准确率分别达到了98.22%和96.23%。演示和临床初步研究初步验证了SPS-Arm在实现可持续、智能和沉浸式康复训练监测方面的可行性和应用潜力。

章节片段

系统设计和机制

自供电旋转传感器使用刚性组件，以确保与刚性外骨骼系统的兼容性。与柔性传感器相比，虽然刚性结构在质量上有所牺牲，但提供了更高的结构稳定性和系统适应性。旋转传感器可以轻松集成到SPS-Arm中，用于监测肘部屈伸和旋前旋后。在外骨骼的固定下，肘关节的三维运动被转换为

讨论

本研究提出了一种通过变幅解码技术实现交互式康复训练监测的自供电传感臂。通过集成基于EMG的能量收集和基于V-TENG的运动感知，该系统实现了2°的感知分辨率、33.36分贝的信噪比、9毫秒的响应时间和289.6毫瓦的EMG峰值功率，支持高保真的肘部运动监测和辅助能量收集。基于这些传感单元，SPS-Arm能够实现ROM

参与者和临床初步研究

共有15名志愿者参与了SPS-Arm在康复训练监测中的性能评估。评估包括ROM评估、辅助-主动-阻力训练和基于游戏的交互演示、收集肘部运动数据以进行身份识别和轨迹识别、VR轨迹交互模式的演示以及临床初步研究。所有涉及人类参与者的实验均符合相关

CRediT作者贡献声明

Lingji Kong：撰写 – 审稿与编辑，撰写 – 原始草稿，概念化。Zheng Fang：撰写 – 审稿与编辑，撰写 – 原始草稿。Zutao Zhang：资金获取，概念化。Bendong Xiong：可视化，软件。Yun Yang：验证，软件。Hao Cao：撰写 – 原始草稿，软件。Hongye Pan：监督，概念化。Ting Yang：方法论，调查。

代码可用性

支持本研究结果的代码可在向相应作者提出合理请求后获得。

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了中国国家自然科学基金（项目编号：52575313）；四川省科技项目（项目编号：2025YFCY0002、2025ZYD0061、2025YFNZH0022、2025YFNZH0023、2026YFHZ0232）；以及成都市科技项目（项目编号：2026-YF08-00027-GX）的支持。