南洋理工推出MMG感知可变刚度手套！闭环腕部震颤抑制达58%

病理性震颤是帕金森病和特发性震颤等运动障碍中的典型症状。对于上肢尤其是腕部而言，持续且不受控制的摆动会直接影响书写、进食、抓握等日常活动。如何在不牺牲正常关节灵活性的前提下，只在震颤出现时提供足够支撑，是可穿戴震颤抑制设备面临的关键难题。

现有主动式外骨骼通常依赖电机产生反向力矩，抑制能力较强，但往往伴随较大的体积与重量；被动阻尼装置虽然更加轻量，却难以根据震颤状态实时调节。与此同时，常用的惯性测量单元（IMU）主要反映肢体表面运动，可能受到外部负载与漂移影响，而肌电（EMG）在与经皮电刺激（EMS）同时使用时，又容易受到明显的电刺激伪影干扰。

为解决这些问题，新加坡南洋理工大学王一凡教授团队，联合英国帝国理工学院Ravi Vaidyanathan教授，提出了一种由肌肉振动信号（mechanomyography，MMG）驱动的可变刚度助力手套（variable stiffness glove，VSG）。系统将3D打印锁甲式可变刚度结构、MMG肌肉振动传感、机器学习识别与负压调刚结合：正常运动时保持柔软，检测到震颤后快速增刚，从而形成“感知—判断—抑制”的闭环。

相关成果以“Mechanomyography-informed Variable Stiffness Assistive Glove for Tremor Suppression”为题，已被IEEE Robotics and Automation Letters（RA-L）接收。

01.

可变刚度手套：MMG感知+锁甲调刚

这套VSG的核心由两部分组成：一部分负责“感知”，另一部分负责“变硬”。两枚定制MMG传感器分别布置在与腕屈、腕伸相关的肌群上，通过记录肌肉收缩引起的皮肤表面机械振动来识别震颤。相比依赖电信号的EMG，MMG对EMS产生的背景电场更不敏感，因此更适合未来与电刺激治疗协同工作。

执行端则采用两层互锁的中空八面体“锁甲”结构。锁甲由轻质高强尼龙一体化3D打印，并包覆在密封薄膜中。便携真空泵改变内部负压后，颗粒之间的约束增强，结构弯曲刚度随之提高；释放负压后，结构又可以恢复柔软。因此，手套无需始终保持高刚度，而是可以根据震颤状态按需切换机械性能。

控制流程中，MMG信号经过滤波和特征提取后输入机器学习分类器；一旦检测到震颤，控制器驱动泵和电磁阀，使锁甲快速增刚。手套主体、泵、阀和MMG传感器组成的可穿戴感知—执行单元总重量约为163 g。

MMG驱动的可变刚度震颤抑制手套及闭环控制流程

02.

锁甲结构的力学性能：刚度提升超过8倍

为了验证锁甲结构是否能够真正提供足够的腕部支撑，团队首先通过三点弯曲和自由振动实验，对结构的弯曲刚度、表观弯曲模量和阻尼特性进行了系统表征。

当负压从0提高至72 kPa时，锁甲的表观弯曲模量由0.44 MPa提升至3.69 MPa，增幅超过8倍；结构刚度则由0.05 N/mm增加到0.42 N/mm。在典型变形范围内，该结构可产生约0.24 N·m的最大抗弯力矩，为抵抗腕部震颤提供机械基础。

调刚速度：0.63秒达到90%刚度变化

可变刚度结构要用于实时抑制，速度同样关键。真空泵启动后，锁甲仅需约0.63 s即可达到最大刚度变化的90%；释放负压、恢复柔软状态约需0.44 s。这种快速切换使装置能够在正常活动时维持顺应性，并在震颤出现后及时进入支撑状态。

锁甲结构的力学表征与负压响应性能

测试平台验证：腕部摆幅降低66%

为了把材料层面的“变硬”进一步对应到实际震颤抑制效果，研究团队搭建了一个3D打印腕—手测试平台，并在手掌内部安装偏心电机产生约9 Hz的周期性震颤。

实验显示，在0 kPa条件下，腕部平均峰—峰摆幅约为4.1°；当负压提高到72 kPa后，摆幅降至约1.4°，降幅达到66%。频域分析也显示主要震颤峰值功率明显降低。进一步测试发现，抑制效果在0—40 kPa区间提升最明显，随后逐渐进入平台区。

腕—手测试平台上的震颤抑制验证

03.

MMG识别震颤：跨受试者准确率96.36%

手套能否及时增刚，首先取决于系统能否可靠判断“震颤是否已经发生”。研究团队对13名无病理性震颤史的受试者进行了实验，并使用EMS诱发可控的轻度腕部震颤。

MMG信号在静止状态下保持较低基线，而在主动模拟震颤或较高EMS刺激条件下，振动幅度明显增大。系统从每个250 ms时间窗中提取均值、均方根（RMS）和平均频率（MF）三个特征，再结合屈肌和伸肌两个通道形成6维特征向量。

团队进一步比较了支持向量机（SVM）、K近邻（KNN）、高斯朴素贝叶斯（GNB）、逻辑回归（LR）和二次判别（QD）五种轻量级分类模型。所有模型的个体内识别准确率均不低于99.11%，跨受试者准确率均不低于94.37%。

其中SVM表现最佳：个体内准确率达到99.62%，跨受试者准确率达到96.36%，单样本预测时间约为1.2 ms。这说明MMG不仅可以区分静止与震颤状态，也具备较好的跨个体泛化能力。

MMG震颤信号、特征变化与机器学习识别结果

04.

闭环人体实验：震颤轨迹波动降低58%

在最终闭环实验中，受试者佩戴VSG沿模板绘制对数螺旋，EMS用于诱发腕部震颤。控制系统持续读取MMG信号；当SVM模型判断出现震颤后，真空泵启动并使锁甲快速增刚；当震颤消失后，系统释放负压，让手套重新恢复柔软。

这一策略的关键在于：手套只在震颤阶段提供额外机械约束，正常运动阶段尽量减少对自主动作的影响。

13名受试者的重复实验显示，震颤状态下螺旋轨迹相对模板的波动约为4.62 mm，闭环抑制后降至1.92 mm，整体降低58%。在示例实验的8次状态转换中，系统对7次做出了正确的刚度调整。

人体实验的整体响应延迟约为3.2 s，其中包含震颤建立与软组织响应、250 ms MMG分析窗口、数据传输、继电器触发以及真空调刚等多个环节。相比之下，锁甲材料本身达到90%刚度变化仅需约0.63 s，说明后续优化空间更多集中在端到端感知与控制链路。

基于MMG检测的闭环震颤触发抑制实验

05.

从“持续对抗”到“按需变硬”

与传统依靠电机持续产生反向作用力的主动外骨骼不同，这项工作提供了另一种思路：先用MMG识别肌肉震颤，再按需改变柔性结构本身的机械刚度。正常状态下保持柔软，震颤出现时才快速提供支撑，从而在抑制能力与自然活动自由度之间取得平衡。

同时，MMG对电刺激伪影不敏感，使其具备与EMS等治疗方式结合的潜力。研究团队也指出，当前人体实验仍主要采用健康受试者的EMS诱发震颤，未来仍需在真正的病理性震颤患者中开展临床验证，并进一步优化端到端响应延迟、长期佩戴舒适性、传感器稳定性和锁甲结构耐久性。

未来，如果能够将机器学习预测直接部署到可穿戴控制器，并结合分级负压或频率选择性调刚，在高频震颤与低频主动运动之间进行更精细的区分，这类“需要时才变硬”的软体可穿戴装置有望成为轻量化震颤辅助与康复系统的新方向。

论文链接：https://ieeexplore.ieee.org/document/11661729/