Haptic Neuroprosthetic Feedback Systems

從控制義肢到感覺義肢

肌電義肢已能透過殘肢肌肉訊號控制手指開合，但缺乏觸覺時，使用者常必須用視覺確認抓握力度。觸覺神經義肢的核心目標，是把義肢指尖感測到的壓力、滑移與紋理訊號轉換為神經系統能理解的刺激模式。

2019 年瑞士與義大利研究團隊展示了長期植入周邊神經電極後，截肢者能分辨物體硬度與形狀。這類成果說明觸覺回饋不是附加功能，而是義肢被大腦重新納入身體圖式的關鍵。

壓力如何被編碼成神經脈衝

自然觸覺由多種機械感受器共同完成：Merkel 細胞對持續壓力敏感，Meissner 小體對低頻振動敏感，Pacinian 小體對高頻振動敏感。工程系統無法完整複製皮膚，但可以建立壓力-頻率編碼：壓力越大，刺激脈衝頻率或振幅越高。

真正困難的是舒適性與可分辨性。刺激太弱無感，太強會刺痛；通道之間若相互干擾，使用者會感到模糊或位置錯亂。因此解碼與編碼都需要個體化校準。

閉環控制中的認知負荷

觸覺回饋不只提高抓握精度，也降低使用者的認知負荷。當杯子開始滑動時，系統可在使用者看到之前回傳滑移訊號，讓手指自動增加抓握力。這種快速閉環讓義肢控制從有意識操作逐漸接近身體反射。

挑戰同樣明顯：植入式電極有手術風險，非侵入式振動回饋又可能定位較差。臨床可用系統需要在可靠性、可維護性、感染風險與長期神經可塑性之間取得平衡。

觸覺脈衝編碼模擬

以下程式把義肢指尖壓力轉換為刺激脈衝頻率，並加入滑移事件的短暫頻率提升。它展示了觸覺回饋系統中常見的感測、編碼與安全限幅流程。

import numpy as np

class HapticEncoder:
    def __init__(self, min_hz=20, max_hz=180):
        self.min_hz = min_hz
        self.max_hz = max_hz
        self.prev_force = 0.0

    def encode(self, force_n, slip):
        normalized = np.clip(force_n / 20.0, 0, 1)
        base = self.min_hz + normalized**0.6 * (self.max_hz - self.min_hz)
        transient = 35.0 if slip else 0.0
        rate = np.clip(base + transient, self.min_hz, self.max_hz)
        self.prev_force = force_n
        return rate

encoder = HapticEncoder()
forces = np.linspace(0, 18, 12)
rates = []
for i, f in enumerate(forces):
    slip_event = i in (7, 8)
    rates.append(encoder.encode(f, slip_event))

print(f"mean stimulation rate = {np.mean(rates):.1f} Hz")

身體化技術的倫理邊界

神經義肢越接近身體，就越涉及身份與自主性問題。觸覺資料可能透露使用者的行為模式，刺激演算法也可能影響使用者對物體重量、疼痛與安全的判斷。因此醫療器械的資料治理需要比一般穿戴裝置更嚴格。

未來的神經義肢不應追求炫目的機械能力，而應追求可維修、可理解、可退出的身體輔助。當使用者能信任回饋、調整回饋並在必要時關閉回饋，技術才真正服務於人的完整性。