工作压力大和作息不规律，导致上肢神经压迫和脑卒中不断“年轻化”^[1]. 神经系统损伤后失去手部运动控制能力，将严重影响患者的工作和生活^[2]. 何铭锋等^[3] 的研究表明，通过神经重建和增强肌肉锻炼使手指反复完成抓握动作，是促进损伤神经恢复的有效方法，日常活动康复状态下适宜的手指屈伸频率约为5次/min^[4]. 与传统的机械传动式刚性连杆外骨骼康复装置相比，软体手指功能康复外骨骼具有动作柔性好、手指契合度高的优点，在手功能康复领域具有广阔的应用前景^[5-6].

Kang等^[7]研制的绳索驱动硅胶手康复机器人，将绳索内嵌于硅胶手套中，依靠绳索收缩带动手套运动，辅助患者完成抓握动作. Nycz等^[8]研制的钢丝绳索驱动外骨骼康复机器人，采用3D打印结构以适应不同康复患者. 该装置用钢丝绳模拟手部肌腱，电机拉动钢丝绳带动外骨骼关节转动，使手指完成康复动作. 绳索驱动的机械传动系统复杂，质量偏重，不适合患者日常佩戴. Low等^[9]研制的柔性气动手指外骨骼结构，通过气压驱动软体硅胶外骨骼带动手指弯曲，避免了对关节的二次伤害. Yi等^[10]利用人造肌肉研制的机器手套由内部腔室和外部腔室组成，可以提供冗余的自由度，辅助完成手部康复弯曲动作和日常抓握操作任务. 气动驱动结构的管路和气源复杂，气泵在工作时有噪声. 为了解决这些问题，与肌肉更加相似的人工肌肉驱动器被尝试用于手康复装置. 形状记忆合金（shape memory alloy，SMA）具有功重比高、驱动简单的特点，被广泛用于仿生人工肌肉驱动器^[11-12]. Yang等^[13]研制的手部功能运动康复装置以SMA弹簧作为致动器，该团队还提出手指双向运动耦合方案. 虽然该装置结构紧凑，但是手指的输出力小. Yao等^[14]研制的紧凑轻量化柔性肌肉手康复装置，在手套的掌背侧使用绳、绑带和SMA弹簧分别模拟手部肌腱、滑车和肌肉以实现与人手相似的运动. SMA弹簧设置在手臂上起到节省空间和增加行程的作用，使得该装置结构轻巧、重量轻，但SMA弹簧的输出力不大. Hadi等^[15]研制的ASR手套式外骨骼机器人，基于SMA仿肌腱驱动，用于手部残疾者的康复锻炼. 实验结果显示该装置具有足够的屈伸角度，满足手指康复训练的基本需求，但结构不够紧凑. SMA的伪弹性和迟滞特性有利于生物关节黏弹性恢复^[16]，有效避免了康复运动中无意识痉挛对康复控制的干扰，适用于康复领域.

本研究基于手指肌肉骨骼结构运动机理分析，设计用于手指功能康复训练的SMA丝驱动外骨骼结构，构建外骨骼结构的驱动模型，提出手指被动康复策略，采用模糊神经网络PID控制，进行手指功能康复外骨骼的运动性能实验.

如图1所示为人类手指骨骼肌腱结构. 手指骨骼由远端指间关节（distal interphalangeal joint，DIP）、近端指间关节（proximal interphalangeal joint，PIP）、掌骨关节（metacarpophalangeal joint，MCP）和远、中、近节指骨组成. MCP具有2个自由度，DIP、PIP各有1个自由度，忽略MCP与手指屈伸无关的摆动自由度后，手指骨骼结构简化为三自由度平面连杆.

手指的屈伸运动由位于小臂内的肌肉收缩来提供动力，肌肉通过指深屈肌腱、指浅屈肌腱和指伸肌腱牵拉手指骨骼运动. 当手指做屈曲运动时，指深屈肌腱和指浅屈肌腱拉动手指指骨；当手指做伸展运动时，指伸肌腱拉动远节指骨，使手指3个关节同步旋转完成手指伸展.

为了避免外骨骼结构对患者手指康复造成二次伤害，康复外骨骼结构应尽量与人体契合. 手指功能康复外骨骼结构采用与肌肉相似的SMA丝为致动器. 如图2所示，SMA驱动手指功能康复外骨骼由手部执行机构和驱动装置（包括SMA丝、固定板、导丝块）组成. 为了提高驱动装置的输出位移，设计往复布丝结构，将SMA丝应变转化为外骨骼牵引钢丝绳的位移. 采用轻量化手套作为手部外骨骼结构，在手指各段指骨中间位置安置特氟龙导向管，减小手套式外骨骼与牵引钢丝绳间的阻力，确保在完成屈曲、伸展动作时手部执行机构与手指近似贴合. SMA丝在驱动装置末端折返形成游动端. 手部执行机构中的牵引钢丝绳一端固定在下固定板上，另一端穿过SMA丝游动端固定在指尖. 牵引钢丝绳的移动距离是SMA丝游动端移动距离的2倍，作用是继续增加SMA丝行程.

将手指骨骼结构简化为多刚体系统，远端指骨、中节指骨、近端指骨和掌骨分别为转动副相连的刚体，如图3所示. 手指基坐标系建立在手指掌骨关节，d_i、L_i ( $0 \leqslant i \leqslant 3$)分别为手指4段指骨厚度的一半和长度； ${\bar u_i}$为各关节中轴线的方向. P₁为牵引钢丝掌侧的末端导向管固定点，P₂、P₃为指节导向管的固定位置点，P₄为指尖固定套的末端点. 各关节的中轴线方向表示为

(1) $ {\overline{{\boldsymbol{u}}}}_{i}=\left\{\begin{array}{l}{\left[0 ,\;1\right]}^{\text{T}}\text{，}\;\; i=0 ;\\ {{\boldsymbol{R}}}_{i-1} {\overline{{\boldsymbol{u}}}}_{i-1},\;1 \leqslant i \leqslant 3. \end{array}\right. $

(2) $ {{\boldsymbol{h}}_i} = {L_i} \cdot {\overline{{\boldsymbol{u}}}_i}{\text{.}} $

式中：R_i−1为手指各关节对应的旋转变换矩阵，h_i为各关节方向和关节长度的乘积.

(3) $ {{\boldsymbol{P}}_1} = {\left[ {{d_0},\;{\text{ }}0} \right]^{\text{T}}}, $

(4) $ {{\boldsymbol{P}}_2} = {{\boldsymbol{h}}_0}+0.5{{\boldsymbol{h}}_1}+{d_1} {{\boldsymbol{R}}_4} {\overline{{\boldsymbol{u}}}_1}, $

(5) $ {{\boldsymbol{P}}_3} = {{\boldsymbol{h}}_0}+{{\boldsymbol{h}}_1}+0.5{{\boldsymbol{h}}_2}+{d_2} {{\boldsymbol{R}}_4} {\overline{\boldsymbol{u}}{_2}}, $

(6) $ {{\boldsymbol{P}}_4} = {{\boldsymbol{h}}_0}+{{\boldsymbol{h}}_1}+{{\boldsymbol{h}}_2}+0.5{{\boldsymbol{h}}_3}+{d_3} {{\boldsymbol{R}}_4} {\overline{\boldsymbol{u}}}_{3}. $

式中：R₄为向量顺时针旋转90°变换矩阵. P₁到P₄的距离为手指屈曲的收缩距离. 当手指伸展时，将牵引钢丝绳近似为贴合手背，伸展过程所需牵引钢丝绳长度为关节绕中心点旋转的弧长. 在手指关节初始状态为0°时，屈曲和伸展所需SMA丝收缩应变为

(7) $ {\varepsilon _{\text{F}}} = \Delta \varepsilon = \sum\limits_{i = 2}^4 {\left\| {\left. {{{\boldsymbol{P}}_i} - {{\boldsymbol{P}}_{i - 1}}} \right\|} \right.} - ({L_1}+{L_2}+{L_3}), $

(8) $ {\varepsilon _{\text{E}}} = {d_1}{\theta _1}+{d_2}{\theta _2}+{d_3}{\theta _3}. $

式中， $ {\varepsilon _{\text{F}}} $、 $ {\varepsilon _{\text{E}}} $分别为手指弯曲到特定角度时，手指两侧钢丝绳的变化长度，即SMA丝所需收缩应变量； $ {\theta _1} $、 $ {\theta _2} $、 $ {\theta _3} $分别为手指运动过程中MCP、PIP、DIP的弯曲角度.

SMA丝采用电加热模式驱动，在固定电压下，通过调整驱动PWM脉冲的占空比来控制温度，实现对相变过程的控制. 电加热模型为

(9) $ mc\frac{{{\text{d}}T}}{{{\text{d}}t}} = {\frac{U}{R}^2}\tau - hA(t_{_{\rm{SMA}}} - {t_0}). $

式中： $m$为形状记忆合金丝的质量， $m = {\rho _{_{\text{SMA}}}}{\text{π }} {r_0}^2l$，其中 ${\rho _{{\text{SMA}}}}$为合金丝密度， ${r_0}$为合金丝截面半径， $l$为合金丝总长度； $t_{_{\rm{SMA}}}$为合金丝的温度； ${t_0}$为外界环境温度； $\tau $为PWM占空比； $R$为合金丝电阻； $h$为传热系数， $h={h}_{1}+{h}_{2}(t_{_{\rm{SMA}}}-{t}_{0})$，其中h₁、h₂均为修正系数； $A$为合金丝传热面积， $A = 2{\text{π }} {r_0}l$； $c$为比热容； $U$为驱动电压.

SMA相变过程中温度、应力、应变的关系，采用Liang-Rogers本构模型描述为

(10) $ \stackrel{·}{\sigma }=E{\stackrel{·}{\varepsilon }}_{\text{SMA}}+\varTheta \stackrel{·}t{_{_{\rm{SMA}}}}+\varOmega \stackrel{·}{\xi }, $

(11) $ E = {E_{\text{A}}}+\xi ({E_{\text{M}}} - {E_{\text{A}}}). $

式中： $E$为合金丝相变过程中的弹性模量， ${E_{\text{M}}}$为合金丝处于马氏体的弹性模量， ${E_{\text{A}}}$为合金丝处于奥氏体的弹性模量， $ {\varepsilon _{{\text{SMA}}}} $为合金丝应变， $\varTheta $为热弹性的系数， $\varOmega $为相变的系数， $\xi $为合金丝中马氏体的体积分数. 在形状记忆合金丝加热过程中，当其内部材料由马氏体向奥氏体相变时，

(12) $ \xi = \frac{{1 - {\xi _0}}}{2}\cos \left( {{a_{\text{M}}}\left( {t_{_{\rm{SMA}}} - {t_{_{\text{Mf}}}} - \frac{\sigma }{{{C_{\text{M}}}}}} \right)} \right)+\frac{{1+{\xi _0}}}{2}. $

材料由奥氏体向马氏体转变的过程，即冷却过程，

(13) $ \xi = \frac{{{\xi _0}}}{2}\left( {\cos \left( {{a_{\text{A}}}\left( {t_{_{\rm{SMA}}} - {t_{_{\text{As}}}} - \frac{\sigma }{{{C_{\text{A}}}}}} \right)} \right)+1} \right), $

(14) $ {a}_{\text{M}}=\frac{\text{π}}{{t}_{_{\text{Ms}}}-{t}_{_{\text{Mf}}}}\text{，}{a}_{\text{A}}=\frac{\text{π}}{{t}_{_{\text{Af}}}-{t}_{_{\text{As}}}}. $

式中： ${\xi _0}$为初始状态合金丝中马氏体的体积分数； ${t_{_{\text{As}}}}$、 ${t_{_{\text{Af}}}}$分别为奥氏体相变的开始、结束温度； ${t_{_{\text{Ms}}}}$、 ${t_{_{\text{Mf}}} }$分别为马氏体相变的开始、结束温度； $ \sigma $为合金丝收缩产生的应力；C_M、C_A均为热交换系数，C_M=8 MPa/℃，C_A=13.8 MPa/℃；a_M、a_A均为常量系数.

SMA材料具有自感知特性，其相变过程中SMA电阻与应变有映射关系. 将SMA电阻值作为反馈信号，可以实现对SMA应变的控制. SMA电阻表示为

(15) $ R = \frac{{{\rho^{} _{\text{R}}}l}}{S}. $

式中： $ \;{\rho^{} _{\text{R}}}$为SMA的电阻率，S为SMA的横截面积. 电阻率随温度变化， $\;{\rho }^{}_{\text{R}}={\rho }^{}_{0}（1+a t^{}_{\rm{SMA}}）$，其中a为电阻温度系数，取a=8.75×10⁻⁴ ℃⁻¹； $\;{\rho^{} _0}$为t=0时的电阻率，带入式(15)求导得到

(16) $ \left. \begin{array}{l} \dfrac{\text{d}R}{R}=\dfrac{\text{d}{\rho }_{0}}{{\rho }_{0}}+\dfrac{a\text{d}{t_{_{\rm{SMA}}}}}{1+a {t_{_{\rm{SMA}}}}}+\dfrac{\text{d}l}{l}-\dfrac{\text{d}S}{S}\text{，} \\ \dfrac{{{\rm{d}}S}}{S} = 2\dfrac{{{\rm{d}}r}}{r} = - 2\nu \dfrac{{{\rm{d}}l}}{l}. \end{array} \right\} $

式中：r为SMA丝截面半径； $\nu $为SMA丝的泊松比， $\nu = 0.3$，将式(8)改写为增量形式，得到

(17) $ \frac{{\Delta R}}{R} = \frac{{\Delta {\rho _0}}}{{{\rho _0}}}+\frac{{a\Delta {t_{_{\rm{SMA}}}}}}{{1+a{t_{_{\rm{SMA}}}}}}+(1+2\nu )(\varepsilon - {\varepsilon _0}). $

式中： ${\varepsilon _0}$为SMA初始应变. 由式（17）可以看出SMA电阻与温度、应变的对应关系.

根据患者参与程度的不同，可以将康复策略分为被动和主动2种方式^[17]. 被动方式下的手部运动完全由机器人引导来实现预定轨迹；在主动方式下手部实现轨迹运动或特定动作的过程中，机器人提供协助或阻抗力. 无论是连续被动活动康复疗法（CPM），还是机器人主动辅助训练疗法（RAAE），机器人辅助康复外骨骼结构对手指的作用都是保持手指的特定位姿. 手功能康复外骨骼的控制策略基于SMA电阻值-应变-手指弯曲角度的映射关系，控制手指达到特定弯曲角度并保持角度不变，适应手指康复需求.

SMA材料形变过程中的非线性迟滞问题使得传统PID控制算法不能很好地实现位置控制^[18]. 为此，引入如图4所示的模糊神经网络自适应算法优化PID控制参数. 外骨骼装置为单路控制，每个控制单元控制1根SMA丝，采用扩充响应曲线法确定PID的初始参数 $ {K_{\text{p}}} $=25、 $ {K_{\text{i}}} $=1、 $ {K_{\text{d}}} $=0.2. 利用SMA丝电阻自感知特性，建立SMA丝应变与电阻的对应关系，在固定驱动电压下，将手指功能外骨骼弯曲角度转化为SMA电阻. 控制器输入I_c为每根手指特定期望位姿对应的电流，输出Y为该根手指外骨骼中SMA丝的实际加热平均电流. 控制器硬件通过控制算法实时调整SMA丝的驱动脉冲占空比，采集SMA丝的平均电流反馈给控制器，达到控制手指弯曲角度参数的目的.

如图5所示为针对手指功能康复外骨骼设计的模糊神经网络PID网络结构，由输入层（第1层）、隶属函数层（第2层）、模糊推理层（第3层）、归一化层（第4层）和输出层（第5层）组成. 通过模式顺传播和误差逆传播过程修正PID的3个参数： $ {K_{\text{p}}} $、 $ {K_{\text{i}}} $、 $ {K_{\text{d}}} $. 隶属度函数层表示为

(18) $ {f_{ij}}^{(2)} = - \frac{{{{\left( {{x_i} - {c_{ij}}} \right)}^2}}}{{({b_{ij})}^2}}. $

式中： $ {x_i} $为模糊神经网络输入， $ {c_{ij}} $为隶属函数的中心值， $ {b_{ij}} $为隶属函数的宽度. 根据实时测量值与输入量的偏差e以及偏差变化率e_c，2个输入变量在一定区间变化. 将该区间划分为7个论域，分别用PB、PM、PS、Z、NS、NM、NB，代表所属数值为正大、正中、正小、零、负小、负中、负大，用于输入变量的模糊化处理. 如图6所示为以K_p为例的调参控制曲面图.

在误差逆传播过程中，定义评价期望输出值与实际计算值的损失函数为

(19) $ E = 0.5{\sum\limits_{h = 1}^3 {({d_1} - {y_1})} ^2}. $

式中：d₁为期望值，y₁为实际输入值. 经过从第5层到第1层的逐层偏导计算，得到隶属度函数中心值、宽度的一阶梯度为

(20) $ \left. \begin{gathered} \frac{{\partial E}}{{\partial {c_{ij}}}} = \frac{{\partial E}}{{\partial f_{ij}^{(2)}}}\frac{{\partial f_{ij}^{(2)}}}{{\partial {c_{ij}}}} = - \sigma _{ij}^{(2)} \frac{{2({x_i} - {c_{ij}})}}{{{{({b_{ij}})}^2}}} , \\ \frac{{\partial E}}{{\partial {b_{ij}}}} = \frac{{\partial E}}{{\partial f_{ij}^{(2)}}}\frac{{\partial f_{ij}^{(2)}}}{{\partial {b_{ij}}}} = - \sigma _{ij}^{(2)} \frac{{2({x_i} - {c_{ij}})^2}}{{{{({b_{ij}})}^3}}} . \\ \end{gathered} \right\} $

经计算后得到函数中心与梯度的一阶偏导，其参数修正的学习方法表示为

(21) $ {c}_{ij}(z+1) = {c}_{ij}(z)-{\beta }_{1}\frac{\partial E}{\partial {c}_{ij}}\text{ }\text{；} i=1,2,\cdot \cdot \cdot ,n,\,\,j=1,2,\cdot \cdot \cdot ,m\text{.} $

(22) $ {b}_{ij}(z+1) = {b}_{ij}(z)-{\beta }_{2}\frac{\partial E}{\partial {b}_{ij}}\text{；} i=1,2,\cdot \cdot \cdot ,n,\,\,j=1,2,\cdot \cdot \cdot ,m.\text{ } $

(23) $ {w}_{hk}(z+1) = {w}_{hk}(z)-{\beta }_{3}\frac{\partial E}{\partial {w}_{hj}}\text{；}h = 1,2\cdot \cdot \cdot ,r,\,\,\,\,k=1,2\cdot \cdot \cdot ,m. $

式中：z为网络训练迭代次数； $\, {\beta }_{i}（i\text{=1,\, 2, \, 3}） $为学习速率， $ \,{\beta _i} \geqslant 0{\text{ }} $，取 $ \,{\beta _i} $=0.5.

手指功能康复外骨骼控制系统总体结构由控制系统和测量系统2个部分组成，其中控制系统选取STM32F407VET6作为微控制单元（microcontroller unit，MCU），如图7所示. 通过复用内部定时器产生6路可调节PWM脉冲信号. PWM脉冲信号经过光耦后作用于场效晶体管（MOSFET），驱动SMA丝，通过控制算法调整PWM占空比实现对SMA丝应变的控制. 电流采样电路与SMA丝串联，采集到的电流信号经过中位值滤波处理，进行A/D转换后将电流信号转换为相应的电阻值，通过串口通信记录在计算机中. 基于SMA丝电阻和应变量的对应关系，STM32将电阻作为反馈量，经常规PID和模糊神经网络PID控制运算后调整PWM占空比，实现对SMA丝的闭环控制，模糊神经网络PID采取离线训练模式，完成对手指功能康复外骨骼弯曲角度的控制.

如图8所示为手指功能康复外骨骼样机. SMA驱动装置由上下固定板和前（后）导丝块螺钉连接. 上下固定板选用铝合金薄板，前（后）导丝块由耐高温光敏树脂3D打印而成. SMA材料的应变率按4%计算，结合式(7)、(8)，确定单根SMA丝长度为1330 mm，SMA具体参数如表1所示. 选用棉线手套作为外骨骼基体，将特氟龙导向管固定在各段指骨中间位置，选用直径为0.5 mm的304钢丝作为牵引装置. 为了保证手指康复训练试验符合实际，实验中用人手模型进行测试. Mondal等^[19]的研究表明，以正常成年人食指为例，手指在不同工作情况下各关节约束力范围如下：远端指节关节的约束力为0~10.5 N，近端指节关节的约束力为0~19.4 N，掌指关节的约束力为0~24 N. 在忽略人手模型关节摩擦力的情况下，在DIP和PIP固定线径为0.3 mm，外径为0.6 mm，3匝的碳素弹簧钢扭簧的最大扭力为12 N. 掌指关节固定线径为0.4 mm，外径为0.8 mm，350 mm长的304不锈钢弹簧的最大扭力为16 N. 本研究均采用该人手模型进行试验，避免人体手指主动发力对试验结果带来干扰.

实验装置包括泰信APS3005S可编程直流电源、PC机、MCU核心板、驱动板、手指功能康复外骨骼样机，如图9所示. 手指康复外骨骼关运动测量采用Vicon运动捕捉装置，在手指上各个关节处粘贴高反光率的记号点，采集手指的空间运动. 实验环境温度为25 ℃，电源输出设定为直流恒压24 V，PWM脉冲频率设定为50 Hz.

对手指功能康复外骨骼样机的运动性能和抓握性能进行实验. 满功率电加热SMA丝驱动外骨骼结构带动手指弯曲，使用Vicon系统测量和记录手指弯曲角度变化，并与理论计算值进行对比，如图10示. 图中， $\theta $为手指弯曲总角度，t为响应时间. 实验结果表明，手指达到最大弯曲角度的时间约为6 s，与理论计算趋势基本相同，受实际散热条件影响，拇指、食指和中指稳定状态下实验测得最大弯曲角度与理论相比分别相差3.5°、3.0°、4.5°. 如表2所示，实验测得康复外骨骼三指所能弯曲的最大角度 $ {\theta _1} $与健康人手所能达到的平均最大角度 $ {\theta _{\text{2}}} $较为接近，分别是健康人手的87%、89.2%、89.8%，可以满足对手指康复运动范围的需求.

为了研究康复外骨骼与手指配合进行日常活动的性能，选择质量为20~200 g的圆柱体、长方体和柔软织物为实验对象，测试样机的抓握性能，实验结果图像如图11所示. 实验结果表明，手指功能康复外骨骼能够较好地辅助手指完成日常抓握动作.

以食指为研究对象，选定总弯曲角度为70°（小幅度）、135°（中幅度）、200°（大幅度）作为实验参数，进行手指康复弯曲角度的控制效果实验. 测得食指小、中、大幅度弯曲对应的SMA丝电阻值分别为32.0、28.0、24.5 Ω. 如图12所示，采用基于电阻反馈的模糊神经网络PID，控制食指实现中幅度弯曲运动，手指弯曲角度随着通电时间的增加而增加，各个指关节能够协调运动，手指总弯曲角度最终稳定在(135±1)°.

对比分析基于电阻反馈的模糊神经网络PID和传统PID控制对手指功能康复外骨骼的控制效果，如图13所示. 图中， $\alpha $、 $\,\beta $、 $\delta $分别为DIP、PIP、MCP关节弯曲角度. 可以看出，与传动PID控制相比，模糊神经网络PID控制的各关节弯曲角度变化较平稳，具有更短的响应时间和更小的超调量，达到手指康复训练频率要求，能够满足患者日常康复训练动作.

手指康复训练中，手指的弯曲幅度需要随时变化以满足患者不同的康复需求. 以食指从小幅度到中幅度的切换为例，对比分析2种算法的控制效果，如图14所示. 可以看出，模糊神经网络PID在幅值切换过程中相比传统PID的响应时间缩短1.2 s，到达期望角度的时间缩短2 s，上升过程更加平稳，具有更小的稳态误差. 手指运动康复训练进行手指的屈曲、伸展周期运动的目的是让患者恢复肌肉自主运动能力. 通过手指康复机器人内外侧SMA丝的交替通电加热，完成手指功能康复外骨骼的往复运动. 以食指弯曲总角度200°作为弯曲极限位置，实验结果如图15所示. 可以看出，模糊神经网络PID屈曲伸展周期为10 s，传统PID屈曲伸展周期为12.5 s. 相比传统PID控制，模糊神经网络PID在控制运动过程中手指角度变化更平稳，响应时间更短，满足医疗研究最佳康复频率5~6次/min的要求.

本研究分析手指骨骼、肌腱、和肌肉的协调运动机制，基于功能仿生原理，设计SMA丝驱动的手指功能康复外骨骼结构，构建外骨骼运动模型和SMA丝电加热驱动模型，提出基于电阻反馈的手指功能康复外骨骼模糊神经网络PID控制方法. 样机实验结果表明，手指功能康复外骨骼能够实现手指的被动康复运动，拇指、食指和中指的最大手指弯曲角度分别为130.5°、236.4°、242.5°；基于电阻反馈的模糊神经网络PID与传统PID控制相比，具有更快的响应和更小的稳态误差. 研究为轻便型可穿戴手功能康复机器人研究提供了有效方案. 后续研究将进一步优化驱动装置，构建外骨骼样机的人机耦合动力学模型，分析抓握载荷变化规律，提升装置的集成度和穿戴舒适性. 此外，还将进一步研究影响手指康复外骨骼周期运动的影响因素，探索适应不同患者的康复策略和控制方法.