摘要
针对仿生假手的机构设计、意图识别和人机交互控制算法的国内外研究现状与发展趋势. 首先, 基于驱动器安装位置, 介绍仿生假手机械机构的发展现状; 其次, 基于电极偏移、肌肉疲劳和个体差异等非理想因素讨论运动意图识别模型的研究方法, 分析基于多源信号的意图识别方法优点与不足之处; 再次, 研究仿生假手系统人机交互控制算法, 阐明各类算法的优缺点; 最后, 给出了仿生假手研究的难点问题和未来工作计划, 基于多源信号融合与感知, 展望仿生假手机械机构、手部主动运动意图识别和人机交互控制算法的研究思路.
Abstract
The research status and development trend are investigated for the bionic prosthesis hand mechanism design, intention recognition and human-robot interaction control algorithm. In the first place, the development status for the mechanical structure of bionic prosthesis hand is introduced, which is based on the installation position of drive systems. Besides, on account of different non-ideal conditions such as electrode deviation, muscle fatigue and individual difference, the methods for motion intention recognition model which based on multi-source signals, the shortcomings and excellences of the existing approaches are discussed. Furthermore, the advantages and disadvantages for the control algorithms are verified through discussing the human-robot interaction controller of bionic prosthesis hand. Eventually, we propose the difficult problems and future outlooks for bionic prosthesis hand. Moreover, the expectation ideas are given for the bionic prosthesis hand mechanical structure, hand active movement intention, and human-machine interaction controller which are combined with multi-source signal fusion and sensing.
1 引言
截至2023年，我国已步入老龄化人口社会，老龄人口数量急剧增加 [1-4] . 据中国残疾人联合会发布的数据显示，我国残疾人总数超过8500万，其中肢体残疾人数占残疾人总数的四分之一 [5] . 因为人手是人体生理结构中结构精密、功能复杂的肢体，所以相对于其他类型的肢体残疾，手部截肢对日常生活的影响最为明显. 因此，手部截肢患者使用假手设备辅助完成日常生活活动（activity of daily living，ADLs）将有助于他们恢复自主生活能力以及提高生活质量. 在仿生假手研究领域，为使假手在模拟人手动作时更加精确、高效，针对假手结构设计、假手材料研究等问题，国内外学者已经进行了广泛的研究，Wei等人 [6] 使用受试者的有限元人体手部模型，量化不同肌腱拓扑结构和材料属性对假手抓握质量的影响. Ren等人 [7] 开发了一种由一个手掌和5根可独立操作手指组成的新型仿生软体假手，其中，软体假手手指能够伸展和弯曲，并能有效地抓取片状、柱状和不规则物体.
综上所述，智能仿生假手是一种系统高度集成的机电一体化装置，融合了尖端机器人技术和仿生学知识，不但具有机器人善于执行复杂、单调的任务特点，还能够基于仿生学原理，分析人手机构、工作特点，对人手进行机构和功能仿生. 为了使截肢患者可以独立完成ADLs，开发一款价格低廉、功能强大和外形美观的仿生假手，构建一种具有抗干扰能力的手部运动意图识别方法，研制一类人机交互控制算法具有重要的理论意义和广阔的应用前景 [8-17] . 该技术在健全养老助老体系、促进医工协同发展等方面具有重要的社会意义和显著的经济价值，仿生假手相关技术的研究和相关产品的研发可以推动我国健康事业发展，对我国仿生技术发展有着积极的推动作用.
2 仿生假手机构设计研究现状
根据驱动器安装位置，仿生假手机构设计可以分为3类: 驱动器安装在手指中的仿生假手、驱动器安装在手掌中的仿生假手和驱动器安装在假体手臂上的仿生假手.
2.1 驱动器安装在手指中的仿生假手研究现状
驱动器安装在手指中的仿生假手具有抓握功能丰富和运动惯量小等优点 [18-21]，图1为具有代表性的驱动器安装在手指中的假手. 在国外，曼彻斯特大学任雷教授团队研制了一系列高性能仿生假手 [22-24] . 该系列仿生假手通过3D打印机制作仿生假手模型，在5根仿生手指及手掌中安装电机，采用混合传动模式，结合肌腱驱动和连杆驱动系统，尺寸与人手类似，能复现人手的所有自由度. 该仿生假手将弹簧与驱动系统集成，具有接触检测、刚度识别和良好的抓取性能等功能. 为研制一种具有鲁棒性和易于控制特点的工业夹具，意大利技术学院先进机器人系 Catalano等人 [25] 设计一款软体仿生假手Pisa/IIT SoftHand. 基于欠驱动假手设计思想与自适应协同原则（adaptive synergy），该团队对驱动方案进行分析并设计Pisa/IIT SoftHand，Pisa/IIT SoftHand拥有19个关节. 该仿生假手具有柔韧的机构，但Pisa/IIT SoftHand仍存在机械机构复杂、抓握力较小等不足.
图1驱动器安装在手指中的仿生假手
Fig.1Bionic prosthesis hand with actuators mounted in the fingers
哈尔滨工业大学刘宏院士团队设计了一种新型灵巧肌电假手，以克服目前肌电假手操控性差和触觉反馈有限等问题 [26] . 该肌电假手可以实现独立的手指运动和拇指外展/内收运动. 假手的闭环控制器集成了基于表面肌电信号（surface electromyography，sEMG）的模式识别控制器和基于触觉传感器反馈的抓取控制器，能动态调整手指抓取力，防止物体滑动. 该团队设计的闭环控制器允许佩戴者安全有效地抓握具有不同密度和复杂形状的物体. 针对假手在复杂工况中抓取物品时容易发生碰撞，损坏假手硬件系统的问题，该团队设计了一款变刚度柔性手指 [27] . 该变刚度柔性手指的设计目标是实现假手面对外部物理冲击时具有稳定性. 实验证明该变刚度柔性手指具有良好的抗物理冲击性能，指尖最大受力可以达到30 N. 该团队基于仿生学原理，还研制一系列 HIT hand仿生假手 [28] . 最新款HIT-VI hand由4个模块化欠驱动手指、1 个拇指和1套多感官嵌入式控制系统组成. 每个模块化欠驱动手指使用1个直流电机驱动两2个主动关节和1个被动关节. 由于采用欠驱动九杆机构，HIT-VI hand可以实现假手耦合运动和自适应运动，包含39 个分布式力传感器、10个角度位置传感器、6个电流传感器、1个温度传感器和 1个惯性测量单元（inertial measurement unit，IMU）. HIT-VI hand能实现智能位置/力/电流控制，而完全集成的机电一体化设计使 HIT-VI hand在大小、重量和外观上与成年人的手相似. 台湾清华大学Lee等人 [29] 设计了一种肌腱驱动自适应手指（fully actuated and self-adaptive，FASA）. FASA能够在没有复杂控制系统或传感器帮助下抓住物体. FASA由四杆机构、达芬奇机构和扭转弹簧等部分组成，该手指具有两种驱动方式，分别为全驱动模式和自适应模式，处于两种模式中的假手手指均能实现稳定抓握.
驱动器安装在假手手指中，每根手指由驱动器单独驱动. 这种机构能够增加假手抓握动作的复杂程度，完成更为复杂的任务. 然而，每根手指均由一个或多个驱动器驱动，驱动器需要大量的传感器等电子原件，增加佩戴者的负载，导致截肢患者佩戴感受变差.
2.2 驱动器安装在手掌中的仿生假手研究现状
与驱动器安装在手指中的仿生假手相比，驱动器安装在手掌中的假手具有空间限制小、传动结构设计多样和抓握力量大等优点. 美国范德堡大学Dalley团队研制一种智能假手Pneu-WREX [30-31]，Pneu-WREX 包含4个驱动器以获得精确、稳定的抓握力. 该团队从运动可控性角度重现人手的驱动机构. 实验表明Pneu-WREX能够产生足够的力量和速度执行ADLs，并与成年男性手的尺寸与质量相近. Pneu-WREX使用微型电池就能进行1600多次抓取运动，此外，PneuWREX可以成功抓握形状复杂的物体. 耶鲁大学Leddy等人 [32] 研制了一种使用单驱动器的仿生假手 KIMM-Rehab II. KIMM-Rehab II 具有3 种的抓取模式，包含不同的抓取速率、力输出和拇指位置. Dollar等人根据假手的运动学性质对KIMM-Rehab II几何机构进行优化，防止KIMM-Rehab II 欠驱动机构导致的抓握失效，并通过实验测试和人体受试者测试评估了 KIMM-Rehab II 执行ADLs时的有效性. 泰国朱拉隆功大学Wattanasiri等人 [33] 设计了一种具有多种抓握模式的假手Rupert，通过大尺寸驱动器获得稳定、精确的握持力. Rupert能够执行3种抓握模式，通过使用多组刚性四杆连杆机构实现不同的运动模式. Rupert 使用1个驱动器，只能进行手指的开/合运动，但握力能达到34.5 N，因此Rupert能够达到的握力高于大多数商用多驱动器假手. 意大利比萨圣安娜高等学校Controzzi等人 [34] 研制一种假手SSSA-MyHand，旨在克服仿生假手存在的运动功能差和质量过重等不足. SSSA-MyHand使用1个驱动器实现拇指外展/内收和食指屈伸运动. 因此，SSSA-MyHand只需要通过安装在假手中的3个驱动器就能完成ADLs中大部分实用的抓取手势，尽管 SSSA-MyHand和传统的一自由度假手质量相近，但功能与拥有多达6个驱动器的商业假手相似. SSSA-MyHand重量为 478 g，拇指指尖力（finger tip force）为31 N，假手完全闭合时间小于 370 ms，因此，SSSA-MyHand可以成为临床可用的多功能假手. 与将驱动器安装在手指中的仿生假手相比，手掌拥有更大的体积与空间安放驱动器，驱动器受尺寸限制较小，因此设计驱动器安装在手掌中的仿生假手机构与传动方法时拥有更多方案，能更好满足截肢患者佩戴仿生假手完成各类ADLs的需求.
2.3 驱动器安装在假体手臂上的仿生假手研究现状
区别于驱动器安装在手指和手掌中的仿生假手，驱动器安装在假体手臂上的仿生假手将驱动器放置在假体前臂内，并使用传动装置将动力传输到假手机构. 驱动器安装在假体手臂上的假手在驱动器与传动装置的位置和分布方式与人手类似，因此，该种驱动器安装方式有助于减少惯性，但驱动器安装在假体手臂上的假手一般重量较大，患者承担的负载较大.
国立首尔大学Chang等人 [35] 分析人手的解剖学特征设计仿生假手. 该仿生假手通过被动离合器机构实现腕部的非线性刚度变化，提高假手摆动速度，并通过高尔夫运动对假手的性能进行评估. 实验表明，该假手使用对角握杆姿态仍保持高冲击力，摆动速度为 90 rad/min，桡侧/尺侧偏差与手臂角度呈非线性关系. 因此，该假手将有助于提高截肢者的生活质量，使截肢患者能够参与体育活动. 上海交通大学Li等人 [36-37] 研制了欠驱动假手SJT-5S，基于机械结构设计实现姿势协同控制，通过分析人手的常用功能，使用行星齿轮实现了机械协同机构. SJT-5S有18个自由度，其中 12个自由度由鲍登线驱动.
驱动器安装在假体手臂上的仿生假手与驱动器安装在手指和手掌中的仿生假手相比有以下优点: 假体手臂空间更大，有利于容纳大型驱动器和电机; 驱动器安装在假体手臂上的仿生假手质量分布与人类手臂相似，可以减少惯性对假手带来的影响; 在距离假手更近的位置安装大质量的驱动器和变速器，为假手提供了强劲的动力. 上述优点使该机构成为满足特定截肢患者需求的最佳选择. 但是将驱动器安装在假体手臂上的假手适用范围较小，只适用于手部和小臂截肢患者使用.
3 上肢主动运动意图识别研究现状
现阶段，针对运动意图识别问题，学者们利用sE-MG信号 [38-42]、机械信号 [43-44] 和脑电信号（electroencephalogram，EEG）[45-49] 进行运动意图识别. sEMG信号可以体现人体运动过程中肌肉的运动情况，能精准、迅速地反映截肢患者的运动意图. 传统意图识别模型包含训练集与测试集，通常假设训练集与测试集符合相同分布，但截肢患者佩戴仿生假手完成ADLs 时，临床环境中往往会存在多种异常和干扰，造成意图识别模型训练集和测试集分布不同，从而导致意图识别准确率降低，人机交互效果变差. 患者佩戴假手完成ADLs时，在人体生理信号采集阶段、信号处理阶段、意图识别模型训练阶段都会受到内、外部因素干扰，所以这种干扰广泛存在于意图识别的各个阶段.
3.1 电极偏移下的运动意图识别
截肢患者佩戴假手执行ADLs时，由电极偏移带来的干扰较为普遍. 电极偏移的原因源于在多次实验过程中电极片的粘贴位置不一致. 但严格要求受试者电极片粘贴位置和先前位置保持一致，既大幅增加实验难度，也不适用于实际使用场景. 受试者每次粘贴电极片或反复穿戴假手时都需要重新获取大量训练数据，多次重新训练意图识别模型费时费力，使截肢患者负担过大，造成假手弃置率增加. 基于已有代表性文献，本节总结当前文献的研究工作，分别探讨使用数据扩容、模型更新等技术解决电极偏移问题的方法.
1）数据扩容. Fougner等人 [50] 使用多模态方法对 sEMG信号采集系统进行补充，通过增添加速度计采集关节速度、加速度信号补充原有sEMG信号，增强意图识别系统的鲁棒性. 加速度计具有体积小、成本低、机械和电气接口简单等特点，因此适合用于人体生理信号采集. 该团队通过实验证明关节速度、加速度信号可以补充sEMG信号，在前臂上增加一个加速度计的方法（多模态方法）优于增加sEMG信号采集通道（单模态方法）的方法，并可以提高sEMG信号采集系统的鲁棒性和稳定性. Lopez等人 [51] 在sEMG信号记录通道增加两对电极，以实现冗余布置. 经过电子放大、滤波和数字化处理，sEMG信号控制机械手系统的故障鲁棒性和安全特性得到改善. 上述学者针对电极偏移问题一般采用多模态数据融合方式提升意图识别的鲁棒性.
2）模型更新. 由于电极偏移造成的特征空间分布变化，许多学者采用基于迁移学习（transfer learning，TL）方法构建意图识别模型，使意图识别模型具有更新能力，适应不同的信号特征. 基于TL方法，贝赫什蒂医科大学Scheme等人设计了一种使用卷积神经网络（convolutional neural networks，CNN）的监督适应方法，该方法只需要短时间的训练就能重新校准系统. 通过这种方法，将原始CNN网络与移位后的校准数据进行微调，结果表明，该技术优于使用最小校准数据重新训练CNN或支持向量机（support vector machines，SVM）的技术，与使用线性判别分析（linear discriminant analysis，LDA）和二次判别分析（quadratic discriminant analysis，QDA）的自适应方法相比，该技术具有良好的鲁棒性和稳定性 [52] .
学者们为克服由电极偏移引起的意图识别准确度下降和系统鲁棒性降低问题，设计了在多源信号采集、信号特征分析和分类模型构建等不同环节用于抑制电极偏移的方法.
3.2 个体差异下的运动意图识别
由于身高、体重和体脂率等因素影响，不同个体在执行相同动作时，肌张力和肌肉收缩程度有一定差异. 此外，截肢患者在截肢手术后由于部分肌肉缺失，其运动功能由其他肌肉功能代偿. 因此健康个体与截肢患者之间的sEMG信号特征差异明显，即使是同一块肌肉也有不同. 传统的有监督学习模型需要先验知识进行训练，由于sEMG信号特征差异，传统模型在处理其他受试者的 sEMG 信号识别问题上有很大的局限性，所以这一非理想因素限制了传统意图识别模型在跨个体主动运动意图识别领域的通用性 [53] . 为解决这一问题，学者们分别探讨在数据扩容、模型更新等环节用于消除或解决个体差异问题方法.
1）融合多个体的多模态数据. 为抑制非理想因素，学者们分析多源信号特点开发了数据扩容方法 [54-58] . Guo等人 [59] 采用8通道sEMG信号采集臂带SJT-iMyo 设计了一种群体训练框架（group training framework，GTF）. 该方法可以通过一组受试者的数据对模型进行预训练，并由其他受试者进行测试. 实验结果表明，无需任何训练或校准，SJT-iMyo采用特征提取和机器学习算法解码了佩戴者运动意图，并结合GTF克服了个体差异. Stival等人 [60] 使用IMU 采集到的信息以及 sEMG信号数据构建假手运动意图识别模型. 不同个体的sEMG数据差异较大，IMU的引入使运动意图识别模型不依赖于受试者的生理特征信息，从而运动意图识别模型应对个体差异问题时仍具有鲁棒性.
2）更新通用意图识别模型. 学者们将模型更新作为抑制个体差异的重要方法并进行了大量的研究. Maldonado等人 [61] 利用完整多源知识迁移到目标域的方法应对个体差异情况，该团队设计了一种不完全多源TL方法，通过两个方向进行知识迁移，即从每个源到目标的跨域迁移和跨源迁移. 在跨域方向上，将先验知识从源域迁移到目标域，该方法使用源域的完整知识弥补了目标域的缺失数据. 基于先验模型，Tommasi等人 [62] 利用后续经验提高假手的适应性，基于受控和不受控条件，分别使用包含健康受试者的数据库进行模型验证与测试，该方法在患者佩戴假手前对其进行预训练，缩短了截肢患者学习使用假手所需的时间. 研究表明，该方法在抓取类型分类的识别率和预测施加外力时的回归系数等方面均有提升. Patricia等人 [63] 把自适应学习算法应用于意图识别领域，分析自适应学习算法在处理不同手部动作时的分类性能，增加可用的源对象集，减少截肢者学习控制肌电假手的训练时间. 研究表明，自适应学习在意图识别领域具备潜力.
本节总结了当前文献在数据采集、特征提取和模型构建等不同环节的主要研究工作，分析了由于个体差异导致的意图识别模型识别准确率下降的问题，归纳了用于消除或解决个体差异性问题的方法.
3.3 肌肉疲劳下的运动意图识别
与实验室理想环境不同，截肢患者在日常生活中需要长时间佩戴假手完成ADLs，在仿生假手实际应用场景中，患者通常需要重复完成同一动作，例如吃饭、喝水等动作，因此肌肉将不可避免地产生疲劳现象. 人体生理机制研究表明，肌肉会在长期承载负荷和持续产生收缩力的过程中产生肌肉疲劳现象 [64-65] . 为避免产生肌肉疲劳问题，传统基于有监督学习的意图识别算法框架在采集sEMG信号时，使用在两组动作之间设计休息时间等方法，降低肌肉疲劳对意图识别过程产生的干扰. 在临床环境中，截肢患者长时间佩戴假手完成日常活动任务时，频繁休息会导致工作效率降低、削弱假手佩戴体验，因此，如何抑制肌肉疲劳是截肢患者长时间使用仿生假手过程中不可避免的重要问题.
针对肌肉疲劳问题，基于线性判别分析方法（LDA），Sun等人 [66] 设计一种新型容错算法提高模式识别的泛化能力，减少由运动疲劳引起的系统泛化误差（generational error）. 该团队采集处于静态与动态模式的sEMG信号，使用静态 sEMG信号训练意图识别模型，采用动态sEMG信号模拟由于肌肉疲劳产生的不稳定sEMG信号. Zhang等人使用4名健康受试者验证意图识别模型的准确性，实验结果表明，与传统LDA算法相比，4 名受试者的分类准确率提高了7.52%至 13.94%. Li等人 [67] 分析肌肉的协同工作原理，收集主动肌和协同肌的sEMG信号，设计了一种多通道融合循环注意网络（multichannel fusion recurrent attention network，MFRANet）. MFRA-Net 通过融合多通道sEMG信号，增强局部抗干扰能力，降低单通道信号噪声对整体检测性能的影响，提高了肌肉疲劳检测的准确性，缩短了信号处理时间. Zhang等人 [68] 考虑了17名受试者在正常和疲劳状态下患肢的运动学和动力学模型，根据信号的时域和频域特征，采用特征选择方法对受试者疲劳和非疲劳状态进行分类. 该团队还研究了线性核函数、多项式核函数和径向基核函数对 SVM分类的影响. 实验结果表明，利用运动学、时域和频域特征区分同一受试者的两种步态模式（疲劳和非疲劳）的准确率达到96%.
4 仿生假手控制与检测方法研究现状
截肢患者佩戴仿生假手的目标是协助患肢完成 ADLs，提高患者独立生活的能力. 因此，如何控制仿生假手协助截肢患者完成预定动作是研究的重点和难点. 然而截肢患者佩戴假手完成ADLs是复杂的活动，存在诸多不确定性因素，例如患肢运动的不可控性、外部环境的复杂性等问题. 因此，设计高效、人机交互性强的仿生假手控制算法是构建安全和稳定的仿生假手系统的关键技术之一.
4.1 基于视觉引导的控制策略研究现状
基于视觉引导的控制方法是把佩戴者的运动意图作为仿生假手系统的控制信号源，对仿生假手进行控制的方法. 由于这种控制策略机构简单、稳定，因此，大多数商用仿生假手均使用这种控制策略 [69] . Laffranchi等人 [70] 研制的仿生假手系统由3个组件组成: 利用差动欠驱动机制的肌电多关节假手、被动屈伸（F/ E）腕关节模块和肌电接口/控制器. 控制器包括两个sEMG信号传感器、电池组和控制电子元件，通过设计拟人化机构，具有类人手抓握性能. 基于计算机视觉技术（computer vision），Shi等人 [71] 将包含物体3D 信息的深度数据和RGB数据输入CNN中，得到假手的抓取模式，该分类方法可应用于假手的自主控制，能帮助佩戴者快速完成各种物品的拾取任务. 实验表明，与基于编码器的肌电控制方法（Coding-EMG）相比，基于计算机视觉的肌电控制方法（Vision-EMG）可以提高假手控制效率. 基于假手运动学模型，Zhang等人 [72] 设计一种结合sEMG信号和抓取对象刚度估计的力控制策略. 利用欠驱动假手机构，根据假手与目标物体接触时获得的硬度信息估计所抓物体的硬度，通过力控制器调整假手抓握力，实现稳定抓取物品.
使用基于视觉引导的控制方法的仿生假手主要聚焦于协助截肢患者完成ADLs，该控制系统不依赖传感器，因此控制系统结构简单，假手质量较轻. 使用基于视觉引导的控制方法的假手系统主要依靠视觉引导，性能受限于假手控制系统获得的信息，很少使用其他传感器辅助，只依靠佩戴者视觉进行引导，导致佩戴者负担较大，使假手弃置率升高.
4.2 基于sEMG信号的反馈控制策略研究现状
由于sEMG信号采集方式简单，易于构建集成系统和开发可穿戴设备，因此，sEMG信号广泛应用于上、下肢康复机器人和智能假肢系统中，在设计智能仿生假手控制算法中也逐渐成为研究热点. Furui等人 [73] 构建了假手控制系统，该系统由4个部分组成: sEMG信号测量单元、sEMG信号处理模块、假手控制系统和假手. 根据测量的sEMG信号，并基于使用递归神经网络和运动生成模型的肌肉协同模型估计受试者的运动状态，该假手控制系统只需使用预先学习的单一运动便可以表达未学习的组合运动. 此外，该系统利用阻抗模型控制确定驱动器指令，并使用比例– 积分–微分控制器控制假手手指屈伸动作. 基于手掌和腕部的sEMG信号，Adewuyi等人 [74] 对手部指动作进行分类，该团队所设计的控制算法可以解码19种手部动作. 实验表明，结合手部和腕部sEMG信号，能提高仿生假手模式识别控制算法的鲁棒性和准确性.
4.3 基于其他生理信号的反馈控制策略研究现状
通过在仿生假手系统中加入多种传感器，例如力反馈和触觉反馈等传感器增强人机交互性性能，构建基于多源信号柔和的反馈控制策略已经成为现阶段研究的热点问题. 现阶段学者们研制了多种反馈控制算法实现控制假手系统的目标，例如集成感应舌界面和sEMG信号 [75]、利用触觉估计手部姿势 [76] 以及使用多通道A型超声波作为假手控制系统的评估标准 [77] . Schulze等人 [78] 利用交替方向乘子法作为假手控制策略. 该团队通过分析受噪声干扰的线性系统证明该算法能提供所需的稀疏控制（sparse control），而且还能确保输入信号的实时稳定性. 为解决仿生假手在执行抓取任务过程中受到随机扰动的问题，中国科学院重庆绿色智能技术研究院傅舰艇 [79] 设计了一种抗干扰自适应协调控制策略. 通过设计干扰观测器和自适应控制方案，消除常见的时变干扰和由随机白噪声引起的干扰. 实验表明，该算法能够有效增强假手闭环控制系统的鲁棒性.
5 研究现状中的主要问题
5.1 仿生假手系统机构设计方法研究尚不完善
基于人体手部关节的功能与生理结构并结合截肢患者的实际需求，学者们设计了多种仿生假手，但现有仿生假手无法兼具类人手重量、抓握力量和闭合速度等特点. 此外，现有仿生假手存在不能较好地通过多源信号反映截肢患者佩戴仿生假手的实际运动意图、处理复杂ADLs时抓握物体效果较差、受到外部干扰时抗干扰能力较差以及为了实现多种抓握功能导致仿生假手结构过于复杂等问题. 尽管学者们研制仿生假手时已经注意以上问题，但是如何通过机械结构设计使仿生假手保持类人手尺寸和重量的同时，使仿生假手兼顾具有拟人手的力量和闭合速度仍是目前研究的热点问题.
5.2 基于非理想因素的意图识别方法研究尚不清晰
患肢运动意图识别的目的是精准、实时地预测患者通过神经系统反映的实际运动意图. 如果外界对意图识别过程产生干扰，导致运动意图识别结果不能真实、精准地反应患者的真实运动意图，会严重影响仿生假手运行的安全性和准确性. 因此需要在非理想环境下准确采集患者的力学、生理信号并识别、判断截肢患者残肢运动意图，才能更好地协助佩戴者完成 ADLs任务. 学者们设计的基于非理想环境的运动意图识别方法仍存在一定问题，已有大多数研究缺乏在实际应用场景解决非理想因素耦合性和迁移性的方法.
5.3 仿生假手人机交互控制方法研究尚不深入
仿生假手可以辅助截肢患者独立完成日常抓握任务，使截肢患者具备生活自理能力. 设计仿生假手系统时，精确的控制策略能提高截肢患者使用体验，使患者能够佩戴假手高效、准确地完成抓握等任务. 针对仿生假手控制器设计问题，学者们基于角度传感器、力学传感器设计一系列基于视觉引导的、有反馈的控制算法. 尽管学者们已经取得许多成果，但仍然存在许多问题亟待解决. 基于传感器设计的控制算法能反映截肢患者的实时运动数据，例如角位移、角速度和接触力等信息，但是由于优先考虑控制算法的识别和泛化能力，大量使用传感器等仪器使假手系统整体质量过大，忽略佩戴者的使用体验，导致假手弃置率变大. 如何增强仿生假手的人机交互性能，改善患者佩戴感受，如何在实际临床使用过程中，抑制外部干扰对仿生假手的影响，如何精准、实时、柔顺地控制假手完成抓握等动作是学者们的研究热点.
6 关键技术展望
6.1 开发仿生性能好、拟人化程度高的仿生假手
截肢患者使用仿生假手进行ADLs过程中，仿生假手的运动性能和安全性是首要需求. 为实现患者使用仿生假手安全、独立完成日常抓握任务，需要分析人类手部的工作区间、机构合理性、假手稳定性和抓握时间等运动指标，设计具有轻质、便携和穿戴舒适等特点的仿生假手.3D打印技术可以有效利用材料，构建轻巧、耐用的假手机构，并降低假手成本，为截肢患者构建价格低廉、性能优异的定制3D打印仿生假手，提高截肢患者使用体验. 目前多数仿生假手具有结构复杂、自由度过多等缺点，导致假手应用范围有限，因此，如何保证假手灵活度，合理简化结构，降低假手机构复杂度是重要研究方向. 因此，为提高假手的接受度，设计仿生假手时应综合考虑以下3项关键指标: 拟人化（anthropomorphism）、仿生性能（biomimetic performance）和类人抓取（human-like grasping）.
6.2 探索泛化能力强、精度高的意图识别方法
在基于多源信号的运动意图识别算法研究领域，虽然基于深度学习、迁移学习和卷积神经网络的意图识别方法已经得到广泛的应用，但是上述运动意图识别方法同时应对非理想因素的耦合性和迁移性的效果仍不理想，此外，基于多源信号设计一种标准数据集的研究仍十分稀少. 因为采集受试者多源信号时，电极片黏贴位置、多源信号采样频率和信号采集设备精度等均存在较大差异，因此当受试者处于不同环境时，多源信号数据采集方式和结果也有很大差异. 因此，为了提升运动意图识别算法研究的效率，应研究 sEMG，EEG和眼电信号（electrooculographic，EOG）等多源信号的特点，构建一种基于多源信号数据集的标准数据平台，使运动意图识别方法可以进行统一比较. 此外，为抑制非理想因素对意图识别各阶段产生的干扰，应构建一种基于多源信号的运动意图识别方法，提取人体生理、机械信号的运动特征，基于机器学习、迁移学习和主动学习等技术，建立能够在非理想环境下识别运动意图和运动特征的匹配模型，提升运动意图识别方法的准确性和抗干扰性，抑制非理想因素的耦合性和迁移性，为设计仿生假手系统控制算法奠定基础.
6.3 设计鲁棒性强、人机交互性能好的控制算法
设计假手控制算法时，应考虑患者佩戴体验，降低截肢患者佩戴仿生假手的使用负担，传统的有监督意图识别算法需要在获得人体力学、生理信号后进行离线训练模型，该种算法泛化能力差、抗干扰能力弱，导致意图识别结果错误，使假手控制策略失效. 因此，需要进行数据扩容、设计在线意图识别方法，提高训练数据的质量和设计高效率的人机交互控制算法，减轻患者负担. 需要设计功能增强型仿生假手，增强截肢患者的手部功能，经过功能增强的假手在完成某一项任务时具有更强的能力. 此外，应构建高效、精确的人机共融型假手控制算法，已有研究重点主要聚焦于优化假手控制算法性能，往往忽略了截肢患者与假手构成的人–机协同系统对设计稳定、可靠的假手系统的重要性. 因此，应该重视人在控制系统中的作用. 首先，提升人体运动意图识别的精准性和实时性，减小系统延迟，抑制非理想因素. 其次，设计实时、快速的性能评估系统，减少人体生理信号的采集时间，提高人机交互控制算法的精确度.
7 结论
本文主要探讨仿生假手的机构设计、运动意图识别算法和控制策略研究. 分析了以驱动器安装位置为分类方式的仿生假手机械机构设计方法，讨论了处于不同非理想因素下的运动意图识别算法，对比了多种基于视觉引导的、有反馈仿生假手控制策略. 仿生假手系统的研究重点主要侧重以下3个方面: 从机械机构层面，研究骨骼、肌肉和关节在运动过程中的运动特点和受力情况以及对仿生假手机械机构设计的影响，对仿生假手机构进行合理简化，在保证安全性前提下，设计一款具有轻量化、成本低、良好仿生性能的仿生假手机构; 从运动意图识别层面，探索构建多源信号数据集和使用深度学习与迁移学习设计全新的意图识别框架，提升运动意图识别方法的准确性和抗干扰性，抑制非理想因素的耦合性和迁移性，建立在非理想环境下手部运动意识与运动特征相匹配的意图辨识模型; 从控制算法层面，抑制外部干扰对仿生假手的影响，从而精准、实时、柔顺地控制假手完成抓握等动作，建立功能增强型假手，设计人机交互控制算法，实现人机共融，提高假手的佩戴舒适度.