跳到正文
arXiv · 机器人与计算机视觉· Jun Leng, Pengcheng Li, Hanze Wang, Shuxiang Guo, Junlin Jiang·· 2026-10-16AI 评分43

基于心流理论的多模态控制框架融合 EEG 与 sEMG 信号提升上肢康复训练参与度

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

AI 导读

针对现有方法无法区分肌肉无力与心理脱节的局限,该研究提出融合脑电(EEG)肌电信号(sEMG)的自适应阻抗控制策略。实验显示,相比仅依赖 sEMG 的基线,新框架在保持轨迹跟踪的同时降低机器人能耗 71.9%,并将神经可塑性区停留时间从 4.6% 提升至 42.8%。该成果验证了联合调节身心状态能增强辅助选择性,有效缓解用户被动性并维持运动学习所需的参与度。

来源:arXiv · 机器人与计算机视觉 · arxiv.org