A Flow-Theoretic Multimodal Control Framework Fusing Mental and Physical Engagement for Upper-Limb Rehabilitation

📄 arXiv: 2610.21590v1 📥 PDF

作者: Jun Leng, Pengcheng Li, Hanze Wang, Shuxiang Guo, Junlin Jiang

分类: cs.RO

发布日期: 2026-10-15

备注: 10 pages

💡 一句话要点

提出流理论多模态控制框架以解决上肢康复中的参与度问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 上肢康复 多模态融合 心理参与度 身体参与度 适应性控制 机器人辅助 神经可塑性

📋 核心要点

  1. 现有的Assist-as-Needed控制方法仅依赖物理指标，无法区分肌肉无能与心理脱离，导致干预效果不佳。
  2. 论文提出了一种融合EEG和sEMG的流理论多模态AAN框架，通过适应性阻抗控制策略提升用户参与度。
  3. 实验验证显示，该框架在能量消耗和用户主动性方面均有显著提升，增加了神经可塑性区域的时间比例。

📝 摘要（中文）

本研究提出了一种流理论多模态AAN框架，融合基于EEG的心理参与度和基于sEMG的身体参与度，以适应性阻抗控制策略应对上肢康复中的意图执行不匹配问题。通过四象限模糊决策引擎，将这两种生理指标转化为连续控制策略，从而在用户心理分心时增加指导刚度，并在意图执行不匹配时注入前馈辅助。实验结果表明，该框架在保持精确轨迹跟踪的同时，减少了71.9%的机器人能量消耗，并显著提高了用户的主动参与度，增加了神经可塑性区域的时间比例。

🔬 方法详解

问题定义：本研究旨在解决现有上肢康复机器人控制方法无法有效区分用户的肌肉无能与心理脱离的问题，导致干预效果不理想。

核心思路：提出了一种流理论多模态AAN框架，通过融合EEG和sEMG信号，动态调整机器人辅助策略，以提高用户的心理和身体参与度。

技术框架：该框架包括两个主要模块：一是基于EEG的心理参与度评估，二是基于sEMG的身体参与度评估。通过四象限模糊决策引擎将这两种评估结果转化为控制策略，进而实现适应性阻抗控制。

关键创新：最重要的创新在于将心理和身体参与度的双重生理指标结合起来，形成了一种新的控制策略，显著提高了机器人辅助的选择性，减少了用户的被动性。

关键设计：在设计中，采用了四象限模糊决策引擎来处理EEG和sEMG数据，并设定了相应的控制参数和损失函数，以确保系统在不同状态下的灵活性和响应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的框架在能量消耗上减少了71.9%，同时保持了精确的轨迹跟踪能力。此外，用户在神经可塑性区域的时间比例从4.6%提升至42.8%，验证了该方法在提升用户主动性方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括康复机器人、运动训练和神经科学等。通过提升用户的心理和身体参与度，该框架能够有效支持运动学习和神经可塑性，具有广泛的实际价值和未来影响。

📄 摘要（原文）

While Assist-as-Needed (AAN) control aims to maximize user participation in robot-assisted training, existing methods relying solely on physical metrics cannot distinguish muscular inability from mental disengagement, leading to suboptimal interventions. To address this ambiguity, a Flow-theoretic multimodal AAN framework is proposed, fusing EEG-based mental engagement and sEMG-based physical engagement into an adaptive impedance control strategy. A four-quadrant fuzzy decision engine translates these dual physiological metrics into continuous control policies. This enables the upper-limb exoskeleton to inject feedforward assistance during intent-execution mismatch (e.g., motor output attenuation despite mental focus) and escalate guiding stiffness to penalize mental distraction. The framework was validated with healthy participants against a state-of-practice sEMG-only AAN baseline. Kinematically and mechanically, the proposed framework reduced robotic energy expenditure by 71.9\% while maintaining precise trajectory tracking, confirming it elicited greater voluntary human effort. Physiologically, the system increased the time spent in the neuroplasticity zone (Flow State Ratio) from 4.6% to 42.8%. These results validate that decoupling and jointly regulating mental and physical states enhances the selectivity of robotic assistance, mitigating user passivity and sustaining the engagement crucial for motor learning.