哈佛大學的工程師們最近發展了一種柔軟的可穿戴機器人裝置，旨在提供運動輔助。這項技術結合了機器學習和基於物理的模型，能夠學習每位使用者獨特的動作模式。該裝置主要針對上肢障礙的個體，例如中風和漸凍人症（ALS）患者，提供個性化的運動輔助，幫助他們更輕鬆地進行日常活動，如進食和飲水。研究人員表示，這項機器人技術在針對中風和ALS患者的測試中顯示出未來有潛力提供輔助和康復的雙重好處。
這款可穿戴機器人經過改進，對個別使用者的精確動作反應更加靈敏，從而提供更個性化的輔助，使使用者在日常任務中獲得更良好且更具控制感的支持。這項研究發表於《Nature Communications》期刊，揭示了一種個性化的機器學習意圖檢測模型，能夠透過慣性測量單元（IMU）和壓縮傳感器解碼使用者的運動意圖。研究小組還利用基於物理的滯後模型來增強控制透明度，並將其調整為適用於現實世界的任務。
為了提高運動輔助的有效性，研究人員將這兩種模型結合並整合成一個實時控制器，根據使用者的意圖和運動狀態來調整輔助水平。他們在多天的評估中評估了這種控制策略對改善手臂功能的有效性。研究顯示，對於五名中風後的個體和四名ALS患者來說，這款柔軟的肩部機器人控制器能以94.2%的準確率識別肩部運動，並與基線控制器相比，降低了31.9%的手臂下放力量。
這項技術的工程師們指出，這款機器人不僅能提高動作質量，還能增加肩部的抬升和降低（17.5°）、手肘（10.6°）以及手腕屈伸（7.6°）的活動範圍，並減少身體補償運動（多達25.4%），提高手部路徑效率（多達53.8%）。對於ALS患者而言，舒適性、易用性以及裝置適應其特定需求和運動模式的能力是至關重要的。麻薩諸塞州總醫院神經臨床研究所的ALS專家Dr. Sabrina Paganoni指出，個性化設計對於提高患者的功能獨立性和生活質量至關重要。這項技術有潛力顯著改善上肢功能，並提升日常生活活動的能力，同時減少補償性運動。
研究結果表明，這款根據個別使用者的運動數據進行訓練的機器人，能以94%的準確率區分使用者的肩部運動。根據新聞稿，與先前版本相比，降低手臂所需的力量減少了約三分之一，顯示出這項技術在臨床應用中的潛力。這無疑為上肢障礙患者的康復和日常生活帶來了新的希望，並為未來的醫療技術發展指明了方向。
