本文发表于 *Science Advances*，2026年6月19日，第12卷，论文编号eady3144。研究由Andrea Cimolato、Dunja Cekić、Natalija Katić Šećerović、Margerita Razzoli等多位作者共同完成，通讯作者为Stanisa Raspopovic，主要研究机构包括维也纳医科大学（Medical University of Vienna）、苏黎世联邦理工学院（ETH Zurich）、贝尔格莱德大学（University of Belgrade）以及慕尼黑工业大学（Technical University of Munich）等。
研究背景
手部运动与感觉功能障碍通常由脑卒中、脊髓损伤（spinal cord injury, SCI）或创伤性脑损伤等中枢神经系统损害引起。全球超过5000万人受此类障碍影响，其中约70%的脑卒中幸存者和55%的脊髓损伤患者会遗留长期手部功能缺损。手部精细动作是日常生活活动（activities of daily living, ADL）的核心能力，其丧失严重影响患者的自主生活和社会融入。
传统物理治疗和作业治疗虽为一线干预手段，但多数患者在恢复平台期后仍残留明显功能障碍。现有便携式康复外骨骼（exoskeleton）虽能提供一定运动辅助，但在严重痉挛或完全无主动运动的患者中，其机械辅助能力有限；同时，外骨骼无法恢复触觉反馈。另一方面，可穿戴电刺激袖套（e-sleeve）可通过功能性电刺激（functional electrical stimulation, FES）驱动肌肉收缩，但在选择性激活单个肌肉运动点方面存在困难，且对感觉反馈的恢复证据有限，尚无同时实现运动与感觉辅助的商用方案。
针对上述局限，本研究提出并验证了一种名为SensoExo的神经机器人系统。该系统整合了可穿戴式经皮电刺激 garment（neurosleeve，神经袖套）与便携式辅助外骨骼。neurosleeve包括经皮神经电刺激（transcutaneous electrical nerve stimulation, TENS）模块和FES模块：TENS模块通过刺激正中神经和尺神经，在拇指、食指和小指对应的皮层感觉区产生体感反馈；FES模块刺激指屈肌（flexor digitorum, FD）和指伸肌（extensor digitorum, ED），增强手部张开与闭合能力。系统总延迟小于20 ms，由3D打印背包提供便携电源，可支持6小时连续使用。
研究流程与方法
研究共纳入14例因脑卒中、脊髓损伤或脑损伤导致手部感觉运动障碍的参与者。研究首先在10名健康志愿者中开展了数据驱动的设计优化实验，以确定电极最佳位置和尺寸；随后在患者中完成感觉与运动功能评估，最后进行功能性抓取-释放任务（grasp-and-release task, GRT）测试。
在健康志愿者阶段，研究者通过运动表征实验确定了FES电极的最优放置位置。结果显示，指伸肌和指屈肌的阳极位置均位于前臂长度的50%左右，阴极位置更靠近近端，约位于前臂长度的70%至79%。感觉表征实验则确定了TENS电极位置，正中神经和尺神经的阳极与阴极主要沿神经走向分布，且电极位置相对于前臂纵轴具有对称性，便于左手和右手互换佩戴。
电极尺寸优化方面，实验比较了17 mm、21 mm和25 mm直径的TENS电极。21 mm电极在诱发手部体感范围与感觉质量之间取得最佳平衡。FES电极采用与商用电极相同大小的50 mm×50 mm导电织物电极，以保证较低的电流密度和舒适性。
在传感器模块设计中，研究者开发了织物指套（finger stalls），内置力传感器和弯曲传感器。针对指尖力传感器在佩戴中的预载效应和感测面积不足问题，研究者引入3D打印薄板支撑，将低力段功能范围损失从8.9%降至1.7%，使传感器能够检测小于200 gf的易碎物体抓取力。此外，3D打印负载集中器和泡沫负载传输层的引入，将掌捏、球形抓握和柱状抓握的检测准确率从90%、70%和30%分别提升至100%。
患者实验分为三个阶段：感觉表征、运动表征和功能性GRT。感觉表征采用10 g Semmes-Weinstein单丝进行定量感觉测试（quantitative sensory testing, QST），以确定患者手掌的感觉丧失区域。随后在TENS刺激下记录诱发感觉区域，并将其与感觉丧失区域重合的部分定义为“恢复感觉区域”。运动表征使用量角器测量掌指关节（metacarpophalangeal, MCP）的主动活动范围（range of motion, ROM），并在单独外骨骼辅助以及SensoExo联合辅助条件下进行对比。根据基线ROM是否低于健康范围的50%，将患者分为重度运动障碍组（n=7）和较轻运动障碍组（n=7），前者接受FES支持，后者仅使用弯曲传感器进行意图检测。
功能性GRT测试共8例参与者完成。每例参与者在无辅助、单独外骨骼辅助和SensoExo辅助三种条件下，分别完成30次不同物体的抓取-释放任务。测试物体包括两类：坚硬且体积较大的物体（塑料圆柱体和立方体）和易碎物体（两种不同断裂阈值的虚拟鸡蛋，分别为100 gf和200 gf）。实验顺序和物体顺序均随机化。
数据分析方面，研究者采用卡方检验比较不同辅助条件下的成功率，并进一步使用二项广义线性混合模型（binomial generalized linear mixed-model, BGLMM）校正参与者个体差异、测试顺序和试验序列的影响。感觉与运动恢复的组间比较采用Wilcoxon符号秩检验或Mann-Whitney-Wilcoxon检验，多组比较采用Friedman检验及Bonferroni校正。
主要研究结果
在运动功能方面，重度运动障碍组（基线ROM为健康范围的6.29±9.81%）在单独外骨骼辅助下ROM恢复至健康范围的32.00±15.67%，而在SensoExo条件下达到51.71±20.99%，差异具有统计学意义（p<0.001）。典型病例显示，严重痉挛患者S01的基线ROM仅为健康值的4%，单独外骨骼辅助提升至34%，而SensoExo恢复至55%。对于依赖腱固定抓握（tenodesis grasping）的患者S13，SensoExo将其ROM从基线的26%提升至41%，单独外骨骼仅提升至34%。此外，患者中诱发手指运动所需的电荷阈值高于健康志愿者，在指屈肌中差异显著（p=0.042）。
在感觉功能方面，TENS刺激在患者手掌中诱发了范围平均相当于失去感觉区域约20%的恢复。一名中度感觉丧失患者（S07）通过TENS恢复了超过一半的原先无感觉区域（占手掌面积26%）；一名完全丧失保护性感觉的患者（S14）仍恢复了43.1%的无感觉区域。总体而言，手掌敏感面积从无辅助条件下的47.35±39.95%显著增加至TENS辅助条件下的66.49±27.65%（p<0.001）。参与者描述诱发的感受以振动感（42%）为主，其次为电击感（25%）、搏动感和刺痛感。正中神经TENS的感觉阈值在患者中显著高于健康志愿者（p=0.006）。
在功能性任务中，对于坚硬物体，SensoExo的成功率为90.03%，显著高于单独外骨骼（85.43%）和无辅助（43.75%）。对于易碎物体，SensoExo成功率为79.06%，同样高于单独外骨骼（55.25%）和无辅助（65.58%）。BGLMM分析显示辅助类型具有显著主效应（p<0.001），且辅助类型与任务类型、障碍类型与任务类型之间存在显著交互作用（p<0.001）。
进一步的行为分析显示，重度运动障碍患者在搬运大型物体时主要通过FES增强握力。参与者S12在SensoExo条件下的力传感器数值显著高于单独外骨骼条件（p<0.001）。而在易碎物体操作中，重度感觉障碍患者S14在SensoExo条件下于96.4%和100%的试验中表现出主动力调节行为，而单独外骨骼条件下几乎无力调节（0%至13.3%）。参与者对TENS的感觉反馈使用率在成功试验中高达98.2±1.8%。
结论与意义
本研究证明，将经皮神经电刺激与便携式辅助外骨骼整合，能够在临床上完全丧失保护性感觉的患者中恢复具有功能意义的触觉反馈。其机制可能是通过选择性激活在无辅助抓握中未被有效募集的残余外周传入通路。这一发现为中枢神经系统损伤后的感觉恢复提供了新的非侵入性路径。
SensoExo系统提供的辅助效应因任务需求与患者障碍类型的不同而表现出策略性差异：运动障碍为主的患者在搬运重物时优先利用FES增强握力，而感觉障碍为主的患者在操作易碎物体时则依赖TENS反馈实现精细力控制。该结果表明，个性化辅助技术能够根据患者的具体缺陷进行功能补偿，从而提升日常生活活动的完成能力。
与植入式电刺激方案相比，SensoExo避免了多次手术风险，尤其适用于脑卒中等体弱人群。研究为未来更大规模、按病理分层的临床试验奠定了基础，并提示神经刺激与外骨骼的整合有可能通过恢复感觉输入促进皮层可塑性，从而扩展至神经康复领域。
研究亮点
本研究的核心创新在于首次将体感特异性TENS反馈整合至可穿戴抓握辅助外骨骼中，并在中枢性完全感觉丧失患者中成功证明非侵入性感觉恢复的可能性。此外，研究采用数据驱动的方法优化电极位置与尺寸，并开发了模块化神经袖套，可与不同类型的外骨骼兼容。传感器系统的设计改进显著提升了低力检测能力，为易碎物体操作提供了可靠信号来源。研究中使用的BGLMM分析有效控制了参与者和试验顺序的混杂因素，增强了结论的稳健性。
局限性与其他内容
研究的局限性主要在于样本量较小且病因异质性较高，部分参与者因健康原因未能完成全部功能性测试。电极校准过程最长可达15分钟，且佩戴过程中可能出现电极移位。未来可通过电极阵列和智能校准算法减少人工调整需求。此外，研究未观察到试验顺序效应，排除了学习效应的影响，但结果的普适性仍需在更大规模、病理分层队列中验证。