演讲全文>>
下图照片中是一位24岁的小伙子,他在一次车祸中受了重伤,虽然抢救过来了,但留下了偏瘫的毛病,现在只有一只手和一只脚能够动。
他跟他的老奶奶一起生活在一个山村里。每天清晨,80多岁、80多斤的老奶奶要扶着140多斤的孩子在乡村的小道上走半个多小时,目的就是让他能保持行走的能力。然后每天晚上还要给他做一会按摩、活动血液。
看到这样的照片,我的心情是非常沉重的。因为这仅仅是中国残疾人现状的一个缩影。
上图是中国残联统计的2010年的数据。2010年中国的残疾人大概有8502万,其中有29%有肢体残疾。残疾严重地改变了他们的生活,影响了他们的生活方式,甚至使他们失去了生活自理的能力。
这是一个很庞大的人群,那么他们有没有康复的希望呢?
关注康复机器人:临床康复医疗的重要手段
我们先分析一下致残的原因。这大概可以归结为几类,除了像刚才说的意外,还有很大的一类是疾病。比如卒中就是一种造成身体残疾的重要疾病,而我国正是全球卒中的第一大国。
卒中其实就是平时说的中风。中国平均每12秒就有一例新发的卒中,而其中75%会留下残疾。这个比例远远高于美国,是他们的2.5倍。
这一方面是我国的医疗水平还有待提升,另一方面是想表达,其实这一人群还是有很大的康复空间的,这给我们带来了希望。
那为什么中国的卒中会有这么高的致残率呢?核心原因就是康复医师太少。因为像卒中疾病,它需要长时间的运动康复。运动康复是非常非常有效的手段,但是需要的时间非常长,通常是以月,甚至年来计算的。
而我国的康复医师在医师中的总占比只有不到0.5%,相当于每25万人才能对应一位康复医师,那这些患者怎么可能有充分的治疗时间呢?从而造成贻误治疗时机的后果,也造成了终身残疾。
那没有康复医师怎么办?
国家人口普查数据表明,人口增长的下降可能是不可逆的趋势,所以只能寄希望于技术,寄希望于机器人,来帮助人类做这样的康复。
举个例子,美国上市了一种下肢的助力系统“ReWalk”。下面视频中的患者是一位截瘫患者,穿上这个康复系统之后,就可以进行一些日常的活动,如走路、站立、买菜等等,甚至能走出户外正常的运动、工作、乃至生活。
这是国外的情况,我作为一名国内研究工作者,其实也在一直在思考这个问题。我2008年博士毕业,在博士阶段研究的是无人直升机的方向,毕业之后就留在了沈阳自动化所机器人学国家重点实验室工作。
当时我的导师说,这个重点实验室是机器人领域的“国家队”,它最主要或者说长期做的一个方向是海陆空天特种机器人。比如水下机器人像蛟龙号、奋斗者号,它们的控制系统都是我们做的。
但是由于主要是以特种机器人为主,所以对于与人直接接触的,或者叫服务型的机器人,我们其实很少研究。
于是当时我就有了这样一个想法,希望能够开展这方面的研究。于是我和我的导师,也是当时的实验室主任聊我的想法,他非常支持。所以我就开始开展了这方面的研究工作,并一直坚持做到了现在。
知你所想的康复机器人
想开展康复机器人的研究就要了解它的分类,如下图所示,它主要分成了两大类:功能辅助与功能替代。
所谓的功能辅助是干什么的呢?即这个病人的肢体都在,只不过功能损伤了,那么我们就希望能够有机器人来帮助他运动一下胳膊,帮助他的腿进行站立,或者通过小型机器人帮助他的手指做一些灵活的运动。
还有一类是功能替代,也即截肢的患者需要的假肢,我们也把它归类为康复机器人。
了解了分类后,下一步就需要了解康复机器人与之前的机器人有什么区别?
它跟工业机器人,或者扫地机器人有很大的区别,因为这类机器人是与人密切接触的,人和机器人是合为一体的。
如果人想做一个运动,机器人要能够正确地辅助他做运动。比如当人穿上下肢助力系统,想要往前走,结果机器人给他往后使劲,那就会摔倒。所以它需要准确地理解人的想法。
那该怎么做呢?
我们知道,人的神经活动会产生生理电信息,所以我们可以从神经信息当中提取出人的想法。
我们可以通过直接从人的大脑采集脑电信息,来知道人想做的动作,是想活动活动胳膊,还是想活动活动腿。这就是所谓的脑机接口技术。
脑机接口的精度比较低,能够识别的种类也是非常少的,适合于瘫痪的、四肢不能动的人群。而在患者有肢体、有肌肉存在的情况下,我们更倾向于采集肌肉的电信息,我们称之为肌电信息。这类信息相对来说能更准确地被识别,所以也更多地用在了假肢当中
举个脑机接口技术应用在意念的交流和操控方面的例子,下面视频里是一位四肢瘫痪的、说不了话的患者,在她脑子里头植入了一个电极,她就可以看着这个屏幕自己进行输入。虽然它的速度比较慢,一分钟就能输两个字符,但是这是她自己的一个独立的活动,对于病人来说也是很有意义的。
下图是在2014年的巴西世界杯,图中的小伙子穿了下肢助力系统,然后用自己的意念开出了一个球,这相当于是人用意识操控机器人的一个例子。
我们在这方面也做了一些工作,如下图中一名志愿者在控制机械臂去拿水,并辅助自己喝水。
但我们做的工作跟前面的稍微有一些区别。前面那个病人需要看着一个屏幕,而我们这个是可以让人直接戴一个脑电帽,然后通过想象自己肢体的运动来控制外部的机器人完成动作。
很有意思的是,我们还让学生做了一个实验,就是玩石头剪刀布的游戏。这个志愿者就可以去想象自己应该出什么,比如想出石头,然后控制这个机械臂去玩这个游戏。
虽然这只是一个展示,但是它为瘫痪的病人提供了一种非常好的、可行的辅助方式。
但对于安假肢的病人,更好的方式是采用肌电交互的技术来控制神经假肢。如下面视频中的病人戴上肌电传感器之后,就可以非常灵活地控制机械臂做一些动作,甚至可以控制它的手指进行抓握等操作。
当然它也有问题,比如他使用的的传感器(环绕在上臂的黑色模块)是由多个模块组成的,它需要跟人肌肉的位置非常准确地贴合,所以每次穿戴的时候都需要对应得非常准,以致穿戴非常不方便。
因此我们提出了一项技术,让病人能随意地穿脱,而不用特意去关注信号和肌肉的位置。如下面视频展示的,即使重新穿戴后,也完全可以准确地识别穿戴者想做什么样的动作,这大大提升了其便携性,有利于假肢向实际的应用中推广。
但是还有一个问题,在实际使用过程中,如果穿戴者出汗导致松动,甚至是脱落,整个控制系统就会完全失效。如下面这个短视频所示,我做了一个模拟,用四个模块组成了一个传感器,在电极脱落后,假肢就会不知道要做什么动作。
所以我们采用了一项技术,使得即便传感器出现故障或者是失效的情况下,也能够很好地控制假肢,不至于出现随意运动,或者是手舞足蹈的情况,如下面视频所示。
像衣服一样穿的柔性助力系统
刚才主要还是从人的角度分析,下面再看看机器人得到指令、有了信息之后,是怎么控制自己的?
其实机器人本身的运动控制是非常复杂的事情,下面有个很有意思的小视频,是2015年的一个关于机器人作业的比赛,主要是仿人形的机器人进行的一些操作。
视频中的机器人看起来基本上什么都做不了,开门会摔倒,上台阶也会摔倒,还会无缘无故地摔倒,想抓住个东西抓不住,就继续摔倒了。所以说对于机器人,除了判断决策的智能,运动智能也是很重要的。
而从人的角度来讲,人想学会走路,学会对自身的肢体的控制也是非常难的。俗话说:“三翻六坐七轱辘八爬”,就是婴儿三个月能翻身,八个月才能爬,然后一岁多才能走路。这是一个很漫长的过程。
我们希望能够把这个过程压缩,形成一个学习控制的算法,来实现对我们期望的轨迹的跟踪,这就是所谓的学习控制。
我们把学习控制的思想应用到了所研究的柔性的助力系统当中,这个系统主要是实现对人的踝关节的助力。
举个例子,下图中黑色曲线是机器人能给出的期望的助力的曲线,旁边这些红色曲线则是屡次迭代的情况,一开始基本上是畸形的、无法跟踪的,但经过不断地学习之后,慢慢就能够跟踪上了,并能够准确地跟人形成动作上的完美合拍,人基本上感觉不到顿挫感。
那么实际有没有达到助力的效果呢?肌肉的发力是一个很重要的衡量指标,所以我们通过检测肌肉的肌电信息,来看看它到底有没有做到为人省力。
最后我们可以发现,它能够有效地降低肌肉的强度,也就是说这个机器人达到了对病人有效的助力。比方说这个人原来只能走一两公里,现在就能走三四公里。
当然我们还做了其他的工作。刚才那个系统我们称之为柔性的助力系统,而一般的下肢助力系统都是刚性结构。它有它的优点,但也有它的问题,比如它比较笨重,像盔甲一样会限制人某些方面的运动。所以我们就提出了柔性助力系统的方式,就好像衣服一样,能够穿在人的身上,帮助人去做这样的运动。
比如我们在外部用牛皮去抗摩,内部跟人的皮肤实际接触的位置用了柔软的羊皮,然后接头的位置用了织布,能够透气。最终形成了可以像衣服一样穿在人身上的系统。
当然研究的过程中也是困难重重,因为需要真正像做一件衣服似的去做。下图左上是一台缝纫机,当时学生没办法只能自己做。但是他们也不会用,就要去学习使用这些东西。一般先用缝纫机缝,然后用针缝,经过一系列的迭代,最后形成像衣服一样可以穿在人身上的助力系统,穿戴很方便。
这个系统非常有利于偏瘫的病人,因为他有一部分站立的功能,也有一部分行走的能力,只是这些能力比较弱,而穿上这个之后就能够辅助他完成一些日常的动作。
未来:让残疾人像正常人一样走在大街上
我们的团队还开发了一系列其他康复机器人的系统,包括上肢的助力系统,还有刚刚提到的下肢助力系统。我们也在做刚性的助力系统,还有其他的一些基于智能材料驱动的助力系统。一共大概有十余款康复机器人系统,有一些正在进行临床测试,有一些还处在实验室的研究阶段。
下图展示的是一家比较大的医院的康复中心的情况。从图里可以看出来,这里可用的设备比较少,一般还是需要通过人工的方式去帮助患者做康复运动。
所以我们希望通过我们的技术研发出更多机器人,能够实际地应用在临床当中,推广到康复中心去。让病人能够更快地康复,降低致残率,同时让患者能够提升生活质量。
我们希望有一天能够看到8000万残疾人,能跟正常人一样行走在大街上。
谢谢大家。