Robot-assisted rehabilitation and therapy has become more and more frequently used to help the elderly, disabled patients or movement disorders to perform exercise and training. The field of robot-assisted lower limb rehabilitation has rapidly evolved in the last decade. This article presents a review on the most recent progress (from year 2001 to 2014) of mechanisms, training modes and control strategies for lower limb rehabilitation robots. Special attention is paid to the adaptive robot control methods considering hybrid data fusion and patient evaluation in robot-assisted passive and active lower limb rehabilitation. The characteristics and clinical outcomes of different training modes and control algorithms in recent studies are analysed and summarized. Research gaps and future directions are also highlighted in this paper to improve the outcome of robot-assisted rehabilitation.

Fault diagnosis is one of the important applications of edge computing in the Industrial Internet of Things (IIoT). To address the issue that traditional fault diagnosis methods often struggle to effectively extract fault features, this paper proposes a novel rolling bearing fault diagnosis method that integrates Gramian Angular Field (GAF), Convolutional Neural Network (CNN), and Vision Transformer (ViT). First, GAF is used to convert one-dimensional vibration signals from sensors into two-dimensional images, effectively retaining the fault features of the vibration signal. Then, the CNN branch is used to extract the local features of the image, which are combined with the global features extracted by the ViT branch to diagnose the bearing fault. The effectiveness of this method is validated with two datasets. Experimental results show that the proposed method achieves average accuracies of 99.79% and 99.63% on the CWRU and XJTU-SY rolling bearing fault datasets, respectively. Compared with several widely used fault diagnosis methods, the proposed method achieves higher accuracy for different fault classifications, providing reliable technical support for performing complex fault diagnosis on edge devices.

The brain-computer interface (BCI) based on rapid serial visual presentation (RSVP) exhibits enhanced accuracy in target recognition in the complex environments by effectively extracting EEG's features, thereby it may compensate recognition defects of computer vision-based vision measurement systems. Given the current limited comprehension of brain in existing BCI systems and the suboptimal decoding accuracy in the RSVP target recognition system, this study constructs a source model for an in-depth investigation into the brain's response mechanism, extracts fusion features based on deep learning (DL) to improve the system decoding accuracy, and establish a theoretically based, high-precision target recognition model. The source model inversely calculates cortical neural activity by EEG and extracts significantly distinguishable features. A DL network based on multi-granular information (MGIFNet) is introduced to obtain deep feature representation of cortical signals, and connect the depth feature with other source features in series to form the fusion feature based on cortical signals. Experimental results show that, in the RSVP target recognition tasks, the area under curve (AUC) and true positive rate (TPR) of source features-based model are 23.39% and 29.44% higher than that of EEG-based EEGNet. With multi-granular information data representation, the average AUC and TRP of fusion feature classification can reach 93.68% and 91.94%. This indicates that the introduction of source localization and the MGIFNet provides theoretical support for feature extraction and classification results, significantly improves the target recognition performance.

The widespread application of exoskeletons driven by soft actuators in motion assistance and medical rehabilitation has proven effective for patients who struggle with precise object grasping and suffer from insufficient hand strength due to strokes or other conditions. Repetitive passive flexion/extension exercises and active grasp training are known to aid in the restoration of motor nerve function. However, conventional pneumatic artificial muscles (PAMs) used for hand rehabilitation typically allow for bending in only one direction, thereby limiting multi-degree-of-freedom movements. Moreover, establishing precise models for PAMs is challenging, making accurate control difficult to achieve. To address these challenges, we explored the design and fabrication of a bidirectionally bending PAM. The design parameters were optimized based on actual rehabilitation needs and a finite element analysis. Additionally, a dynamic model for the PAM was established using elastic strain energy and the Lagrange equation. Building on this, an adaptive position control method employing a radial basis function neural network, optimized for parameters and hidden layer nodes, was developed to enhance the accuracy of these soft PAMs in assisting patients with hand grasping. Finally, a wearable soft hand rehabilitation exoskeleton was designed, offering two modes, passive training and active grasp, aimed at helping patients regain their grasp ability.