用于在虚拟改良的 Box and Block 测试期间定量评估运动和肌肉活动的设置

摘要

此处描述的协议旨在加强上肢缺陷的定量评估，目的是开发额外的技术，以便在临床和家中进行远程评估。虚拟现实和生物传感器技术与标准临床技术相结合，提供对神经肌肉系统功能的见解。

摘要

移动的能力使我们能够与世界互动。当这种能力受损时，它会显着降低一个人的生活质量和独立性，并可能导致并发症。由于获得面对面服务的机会有限，远程患者评估和康复的重要性最近有所增加。例如，COVID-19 大流行出乎意料地导致了严格的法规，减少了获得非紧急医疗保健服务的机会。此外，远程护理为解决农村、服务不足和低收入地区的医疗保健差异提供了机会，这些地区的服务机会仍然有限。

通过远程护理选项提高可及性将限制医院或专家就诊的次数，并使常规护理更加实惠。最后，使用现成的商用消费电子产品进行家庭护理可以提高患者的预后，因为可以改善对症状、治疗效果和治疗剂量的定量观察。虽然远程护理是解决这些问题的一种有前途的方法，但对于此类应用，迫切需要定量描述运动障碍。以下协议旨在解决这一知识差距，使临床医生和研究人员能够获得有关复杂运动和潜在肌肉活动的高分辨率数据。最终目标是开发远程管理功能临床测试的协议。

在这里，参与者被指示执行一项受医学启发的 Box and Block 任务 （BBT），该任务经常用于评估手部功能。这项任务要求受试者在由屏障隔开的两个隔间之间运输标准化的立方体。我们在虚拟现实中实施了修改后的 BBT，以展示开发远程评估协议的潜力。使用表面肌电图捕获每个受试者的肌肉激活。该协议允许获取高质量数据，以详细和定量的方式更好地描述运动障碍。最终，这些数据有可能用于开发虚拟康复和远程患者监测方案。

引言

运动是我们与世界互动的方式。虽然拿起一杯水或步行上班等日常活动可能看起来很简单，但即使是这些运动也依赖于中枢神经系统、肌肉和四肢之间的复杂信号¹。因此，个人独立性和生活质量与个人的肢体功能水平高度相关 ^2,3。神经损伤，如脊髓损伤 （SCI） 或周围神经损伤，可导致永久性运动缺陷，从而削弱一个人执行简单日常生活活动的能力 ^4,5。根据美国国家神经疾病和中风研究所的数据，美国有超过 1 亿人患有运动缺陷，其中中风是主要原因之一 ^6,7,8。由于这些损伤的性质，患者通常需要长期护理，其中定量运动评估和远程治疗可能有益。

目前治疗运动障碍的实践通常需要通过训练有素的专家（如物理或职业治疗师）的观察对功能进行初步和持续的临床评估。经过标准验证的临床测试通常需要训练有素的专业人员进行管理，并有特定的时间限制和预定义运动或功能任务的主观评分。然而，即使在健康个体中，也可以通过不同的关节角度组合来完成相同的运动。这个概念被称为肌肉骨骼冗余。

功能性临床测试通常不考虑受试者间差异背后的个体冗余。对于临床医生和研究人员来说，区分冗余引起的正常变异性和运动的病理变化仍然是一个挑战。由训练有素的评分员进行的标准化临床评估利用低分辨率评分系统来减少评分者之间的差异并提高测试的有效性。然而，这会引入天花板效应，从而降低可能有轻度运动缺陷的受试者的敏感性和预测效度 ^9,10。此外，这些临床测试无法区分缺陷是由被动的身体力学还是主动肌肉协调引起的，这在初始诊断和设计患者特定的康复计划时可能很重要。随机临床试验显示，根据这些临床试验提供的证据制定的治疗计划的疗效不一致 11,12,13。几项研究强调了定量、用户友好的临床指标的必要性，这些指标可用于指导未来干预措施的设计^14,15。

在以前的研究中，我们展示了使用现成的消费级动作捕捉设备在中风后手臂损伤中实施自动运动评估，以及评估乳腺癌患者胸部手术后的肩部功能^16,17。此外，我们已经表明，与关节角度相比，使用主动关节力矩来估计特定主动运动的肌肉力矩是衡量中风后运动缺陷的更敏感指标¹⁸。因此，动作捕捉和表面肌电图 （EMG） 在评估通过标准临床测试诊断为无症状但可能仍出现运动困难、疲劳或疼痛的患者时可能至关重要。本文描述了一个系统，该系统可以在标准临床试验期间对运动进行详细和定量的表征，以便将来开发运动障碍患者群体的家庭评估和康复方法。

虚拟现实 （VR） 可用于构建沉浸式用户体验，同时对日常任务进行建模。通常，VR 系统会跟踪用户的手部动作，以便与虚拟环境进行模拟交互。我们在这里描述的协议使用消费类 VR 产品进行动作捕捉来量化运动缺陷的评估，类似于其他研究表明使用现成的视频游戏控制器对中风或肩部手术后的损伤进行定量评估^16,17。此外，肌电图是肌肉收缩潜在神经活动的非侵入性测量¹⁹。因此，肌电图可用于间接评估运动的神经控制质量，并提供运动功能的详细评估。肌肉和神经损伤可以通过 EMG 检测到，肌肉萎缩症和脑瘫等疾病通常使用这种技术进行监测^20,21。此外，肌电图可用于跟踪肌肉力量或痉挛的变化，这在运动学评估中可能不明显^22,23，以及疲劳和肌肉共激活。诸如此类的指标对于考虑康复进展至关重要 23,24,25。

这里描述的实验范式试图利用 VR 和 EMG 的组合来解决传统临床评估工具的局限性。在这里，参与者被要求使用真实物体和 VR 执行修改后的 Box and Block 任务 （BBT）²⁶ 。标准 BBT 是一种用于大体上肢功能一般评估的临床工具，其中要求受试者在一分钟内将尽可能多的 2.5 cm 块从一个隔室移动到相邻的隔室。虽然通常用于可靠地评估中风或其他神经肌肉疾病（例如，上肢麻痹、痉挛性偏瘫）患者的缺陷，但也报告了 6-89 岁²⁶ 岁的健康儿童和成人的规范数据。虚拟运动评估用于模拟在现实生活中执行的经过验证的临床测试的功能方面。这里使用 VR 来减少所需的硬件，同时允许提供标准化指令和编程、自动评分。因此，不再需要由训练有素的专业人员进行持续监督。

本研究中的 BBT 已被简化为专注于捕捉出现在同一位置的时间到达和抓取一个块。这最大限度地提高了动作的可重复性，并最大限度地减少了记录数据中的受试者间差异。最后，虚拟现实耳机的购买价格低至 300 美元，并且有可能容纳多个评估。一旦编程，这将显着降低与典型专业评估相关的成本，并允许在临床和远程/家庭环境中增加这些标准的、经过验证的临床试验的可及性。

方案

实验程序由西弗吉尼亚大学机构审查委员会 （IRB） 批准，协议 # 1311129283，并遵守赫尔辛基宣言的原则。该协议的风险很小，但有必要向参与者解释所有程序和潜在风险，并获得书面知情同意书，并附有机构伦理审查委员会批准的文件。

1. 系统特点和设计

注意:该协议的设置包括以下元素:（1） EMG 传感器和底座，（2） EMG 数据采集 （DAQ） 软件，（3） 动作捕捉系统，以及 （4） 带有相应软件的 VR 耳机。这些组件如图 1 所示。

1. 系统组件的设置
   1. 连接 EMG 系统。
      1. 插入 EMG 基站以接通电源。
      2. 将 EMG 基站连接到包含 DAQ 脚本的专用计算机（图 1C）。
         注意:示例脚本可在以下位置找到:https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0。一些商业产品可能附带许可的 DAQ 软件，也可以使用该软件。
   2. 连接 Motion Capture 系统。
      1. 将第二台专用计算机（图 1A）连接到网络路由器。
      2. 将网络路由器连接到运动捕获服务器。
      3. 将 Motion Capture 服务器连接到计算机监视器以进行可视化。
      4. 将摄像机连接到运动捕获服务器。
   3. 连接 VR 系统。
      1. 使用相应的 DAQ 脚本将 VR 耳机连接到第三台专用计算机（图 1B）。
         注意:示例脚本可在以下位置找到:https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0
      2. 将包含预期任务的 VR 游戏环境加载到连接到 VR 耳机的计算机（图 1B）。
   4. 准备主题将完成任务的区域。
      1. 使用无扶手、坚固的椅子，以确保不会干扰受试者的正常伸展。
      2. 为了所收集数据的安全性和准确性，请确认测试区域没有任何障碍物。
   5. 同步系统。
      1. 使用自定义软件功能将系统及时同步到一次性服务器。
      2. 或者，使用一台计算机或首选的消息管理器。

图 1:实验设备设置。 （A） 标记动作捕捉相机放置在实验空间周围的地板和天花板上，为跟踪运动建立了最佳空间。使用专用计算机运行动作捕捉软件并保存数据。（B） 用于在 VR 中显示修改后的 BBT 的头戴式设备连接到保存虚拟评估和任务数据的专用计算机。（C） 肌电图底座连接到专用计算机，在任务执行期间记录和保存肌肉活动数据。在治疗期间，用于动作捕捉的 EMG 传感器和 LED 标记都放置在受试者的手臂上（见 图 2）。缩写: VR = 虚拟现实;EMG = 肌电图。 请单击此处查看此图的较大版本。

2. 实验程序

注意: 图 2 显示了该协议中描述的实验流程的可视化表示。

1. 设置 EMG
   1. 为了确定 EMG 传感器的位置以获得最佳信号质量，请在参与者收缩相关肌肉时触诊肌肉腹部²⁷。有关本协议中使用的肌肉选择，请参见 表 1 。
   2. 使用酒精湿巾仔细清洁每个电极和受试者手臂上预期的传感器放置位置。
      注意:彻底清洁 EMG 传感器和受试者的皮肤将确保低电极对皮肤的阻抗。这确保了记录的 EMG 数据具有高信噪比。即使正确清洁，传感器放置部位的毛发过多也可能导致数据质量不佳。在这种情况下，可能需要剃掉头发。
   3. 准备好 EMG 电极和受试者的皮肤后，将 EMG 传感器放在受试者身上，确保电极和皮肤之间接触良好。双极电极的位置应使传感器与肌肉纤维的方向平行。
2. 设置动作捕捉系统
   注意:如果仅使用 VR 头戴式设备来跟踪运动学的手部运动，则可能不需要这样做。
   1. 按照制造商的说明校准运动跟踪摄像机。在整个实验空间中移动校准棒以校准运动跟踪相机并设置空间的 3D 轴。
      注意:本协议中使用的标记动作捕捉系统包括一个带 LED 标记的校准棒。
   2. 将 LED 动作捕捉标记放在受试者上肢和躯干的骨骼标志上，这些标志是构建所需生物力学模型所需的。
   3. 使用提供的动作捕捉软件确保动作捕捉摄像机能够识别和跟踪所有标记。指导受试者进行几个练习动作，同时研究人员实时直观地监控标记数据。
3. 设置 VR 技能评估任务
   1. 将椅子放在动作捕捉实验空间的中心。使用类似于传统真实世界测试的椅子。
   2. 校准被试者将执行评估任务的椅子上的 VR 头戴式设备。校准后，指示受试者坐在椅子上，并将 VR 头戴式设备戴在头上。
   3. 当被试者坐着时，测量被试者肩膀与地面之间的距离，以及被试者手臂的长度。使用这些距离来设置桌子和评估任务在 VR 中生成的位置。
   4. 在 VR 任务控制脚本中，输入主体的测量值并对所需的块生成重复次数进行编程。
      注意:在这个修改后的 BBT 中，单个块将一次生成一个以提高可重复性。
4. 指示受试者在 VR 中执行修改后的 BBT 评估。
   1. 向主题提供任务的简要说明。
      1. 虚拟块将在左侧或右侧生成，由实验者决定。
      2. 向受试者解释他们需要捡起虚拟块，将其运输到隔板上，然后将其放置在对面隔间中的目标上（图 2）。
         注意:在此处使用的虚拟修改后 BBT 中，该块将自动消失并在起始位置重新生成，次数由实验者决定。
   2. 开始收集 EMG 数据。
   3. 开始收集运动捕捉数据。
   4. 启动 VR 技能评估任务。
      1. 在自动结束之前，让任务运行预设的重复次数。
   5. 保存 EMG 和运动学数据以进行事后分析。
   6. 确定事后改良 BBT 的临床相关分数，作为在 60 秒内成功越过屏障或重复任务的块数。

图 2:实验方案、VR 任务和受试者设置。 （A） 描述此处使用的实验方案的流程图。（B） 在 VR 环境中实现的修改后的 BBT 的示例视图。解剖测量用于校准 VR 任务，确保虚拟表在正确的相对位置生成。（C） 在受试者身上放置 LED 动作捕捉标记和 EMG 传感器。将 EMG 传感器放置在感兴趣的肌肉上，并将 LED 动作捕捉标记放置在骨骼标志上。缩写: VR = 虚拟现实;EMG = 肌电图;LED = 发光二极管。 请单击此处查看此图的较大版本。

结果

从使用此协议的受试者那里获得的 EMG、运动学和力数据可用于表征同一任务重复以及不同任务期间的运动。此处显示的数据代表健康对照参与者的结果，以证明此设置的可行性。 图 3 显示了在 VR 中执行修改后的 BBT 的健康受试者记录的代表性 EMG 配置文件。可以看到前三角肌 （DELT_A） 的高度肌肉激活，表明它是手臂每次伸展运动的主要推动者。前臂和手腕伸肌（ECU 和 ECR）也显着激活，这表明这些肌肉用于在整个运动过程中支撑对阻滞的抓握。最后，拇指肌肉（EPB 和 APB）活动的增加表明它们在阻滞的抓握和释放中的应用。虽然在 VR 中修改后的 BBT 期间记录的 EMG 曲线与真实世界的任务相似，但 VR 评估期间的最大肌肉活动减少。这些结果表明，标准现实世界的 BBT 和 VR 中的修改后的 BBT 都采用类似的运动控制机制。

VR 手部跟踪数据用于获取运动学数据，这些数据在 VR 中实现的修改后的 BBT 中产生关节角度轨迹的平滑轮廓 （图 4）。使用拇指、中指和食指抓住阻滞的标志是近端和远端指间关节的关节角度变化 （图4）。可以看到手指 2（食指）和 3（中间）的关节角度沿着相似的轨迹变化，表明它们同时使用抓握然后释放块。相比之下，手指 4 （无名指） 和 5 指 （小指） 在近端和远端指间关节的关节角度变化中表现出明显的模式。这不仅表明它们没有被用于抓取块，而且还表明它们与手指 2 和 3 相对的运动可能标志着一种典型的协同运动，其中这些手指在块被释放时保持弯曲。这种对手指伸展与屈曲的分割控制在中风后运动缺陷的人中可能不存在。 表 2 显示了任务期间的平均关节角度范围。此外，每个动作或动作阶段的时间，例如抓握和伸展，以及给定时间段内的重复次数，也可以从从 VR 头戴式设备获得的运动学数据中测量。

通过全面考虑几个因素，可以最大限度地提高从该协议获得的数据质量。如前所述，获取高质量的 EMG 数据依赖于传感器电极与皮肤之间的密切接触。当传感器被安全放置时，肌电图数据将具有高信噪比，并具有明显的爆发期，表明肌肉何时主动收缩（图 5）。在未过滤（图 5A）和过滤（图 5B）信号中，都可以看到与肌肉收缩相对应的不同电活动爆发，并且噪声最小。信号振幅的异常或意外增加可能表明 EMG 传感器不牢固地连接到皮肤上可能导致运动伪影。如果使用有线传感器，这也可能是由于运动过程中悬空的电线造成的。高质量的运动捕捉数据要求肢体保持在清晰的摄像机视图中，以便跟踪算法能够精确解析跟踪点的相对坐标。跟踪点的坐标发生较大或突然的变化或缺少坐标值表示运动捕获数据质量低下。虽然标记插值可用于计算缺失坐标，但此方法仅在相对于移动持续时间的短时间内有效。

图 3:从 VR 中执行 10 次修改后的 BBT 的健康受试者记录的代表性过滤和校正 EMG 图谱。 （A） 手臂近端屈肌（二头肌短头，红色;二头肌长头，灰色;前三角肌，黑色）。（B） 手臂近端伸肌（肱三头肌长头，绿色;外侧肱三头肌，蓝色）。（C） 手臂远端屈肌（尺侧腕屈肌，红色;桡侧腕屈肌，黑色）。（D） 手臂远端伸肌（尺侧腕伸肌，绿色;桡侧腕伸肌，蓝色）。（E） 手指和拇指肌肉（趾浅屈肌，红色;趾共伸肌，绿色;拇短伸肌，蓝色;拇短展肌，棕色）。这个数字改编自 Yough²⁸。缩写: BBT = Box and Block Task;EMG = 肌电图;BIC_SH = 二头肌短头;BIC_LO = 二头肌长头;DELT_A = 前三角肌）;TRI_LO = 肱三头肌长头;TRI_LAT = 外侧肱三头肌;FCU = 尺侧腕屈肌;FCR = 桡侧腕屈肌;ECU = 尺侧腕伸肌;ECR = 桡侧腕伸肌;FDS = 趾浅屈肌;EDC = 趾副伸肌;EPB = 拇短伸肌;APB = 拇短展肌。 请单击此处查看此图的较大版本。

图 4:健康受试者在 VR 中重复 10 次修改后的 BBT 时记录的代表性运动学曲线。 （A） 拇指在 CMC、MCP 和 IP 关节处的关节角度。（B） 手指 2-5 的 MCP 关节的关节角度。（C） 手指 2-5 的 PIP 关节的关节角度。（D） 手指 2-5 的 DIP 关节的关节角度。每个关节名称后面的数字表示每个关节对应的手指（拇指 = 1，索引 = 2，中间 = 3，戒指 = 4，小指 = 5）。这个数字改编自 Yough²⁸。缩写: CMC = 腕掌骨;Ad/Ab = 内收/外展;E/F = 伸展/屈曲;MCP = 掌指;IP = 指间;PIP = 近端指间;DIP = 远端指间。 请单击此处查看此图的较大版本。

图 5:代表性的 EMG 传感器数据。 （A） 原始和 （B） 过滤的 EMG 信号，来自尺侧腕屈肌上最佳放置、安全的 EMG 传感器。这个数字改编自 Yough²⁸。缩写: EMG = 肌电图。 请单击此处查看此图的较大版本。

Delsys 传感器编号	肌肉
1	尺侧腕屈肌
2	桡侧腕屈肌
3	尺侧腕伸肌
4	桡侧腕长伸肌
5	安科内斯
6	趾浅屈肌
7	趾伸肌
8	肱二头肌 - 内侧/短头
9	肱二头肌 - 侧头/长头
10	肱三头肌 - 长头
11	肱三头肌 - 外侧头
12	三角肌前部
13	外侧三角肌
14	拇短伸肌
15	拇短外展肌

表 1:用于在本协议中记录的 EMG 传感器的肌肉选择。

自由度			最小关节角 （rad）	最大关节角度 （rad）	幅度 （rad）
腕关节旋后 - 旋前			0.24	0.68	0.44 ± 0.17
手腕伸展 - 屈曲			-0.47	-0.4	0.1 ± 0.06
腕部内收-外展			-0.18	-0.1	0.08 ± 0.03
腕掌骨内收 - 外展			0.35	0.55	0.2 ± 0.09
腕掌骨屈曲伸展			0.05	0.24	0.18 ± 0.12
拇指掌骨屈曲伸展			-0.23	-0.15	0,08 ± 0,02
拇指间屈曲伸展			-0.56	-0.48	0.09 ± 0.03
指掌伸展-屈曲			0.25	0.5	0.25 ± 0.13
指数 近端指间伸展-屈曲			0.74	0.94	0.0.2 ± 0.14
指数 远端指间伸展-屈曲			0.67	0.81	0.15 ± 0.1
掌中伸展 - 屈曲			0.25	0.46	0.2 ± 0.11
中近端指间伸展-屈曲			0.89	1.07	0.18 ± 0.11
中远端指间伸展-屈曲			0.74	0.9	0.15 ± 0.1
环掌骨伸展 - 屈曲			0.22	0.42	0.2 ± 0.14
环近端指间伸展-屈曲			0.9	1.1	0.2 ± 0.15
环远端指间伸展-屈曲			0.78	0.93	0.15 ± 0.1
小掌骨伸展-屈曲			0.32	0.48	0.16 ± 0.04
小近端指间伸展-屈曲			0.93	1.09	0.16 ± 0.09
小远端指间伸展-屈曲			0.76	0.9	0.14 ± 0.09

表 2:改良 BBT 期间的平均关节角度范围。 DOF 名称中的移动方向对应于负-正方向。例如，在"腕关节旋后 - 旋前"中，旋后是负方向，而旋前是正方向。

讨论

肌电图
肌电图系统的硬件由 15 个用于获取肌肉激活数据的肌电图传感器组成。使用市售的应用程序编程接口 （API） 生成定制的 EMG 记录软件。VR 系统硬件包括一个用于显示沉浸式 VR 环境的虚拟现实耳机和一根用于将耳机连接到存储虚拟评估任务的专用计算机的电缆。该软件由用于创建和运行 VR 任务的 3D 计算机图形软件组成。在这里，一个修改后的盒子和块测试，改编自流行的手动灵巧性评估²⁶，被用作评估任务。通过使用软件程序来计算表的生成位置、启动任务、生成块和保存数据，允许与 VR 环境进行交互。

动作捕捉系统
动作捕捉系统硬件由 VR 头戴式设备、标记动作捕捉系统和 VR 运动控制器组成。VR 耳机通过四个内置红外摄像头 （72-120 Hz） 配备了手部跟踪功能。这些数据是从设备中提取的，用于运动学分析。标记运动捕捉系统由服务器、具有 60° 视野的相机、作为标记的红色发光二极管 （LED） 和一个校准对象组成。为了准确捕捉空间，相机需要略微重叠。在实验过程中，给定的捕获区域被 8 个摄像头 （480 Hz） 包围，其中 4 个位于天花板上，4 个位于地板上。该系统在实验前进行了校准和校准。标记动作捕捉系统可能是首选，因为它们为临床和研究应用提供高清运动学数据。VR 运动控制器包含一个光学手部跟踪模块，用于捕获手部和手指的移动。该控制器具有两个 640 x 240 像素的近红外摄像头 （120 Hz），能够跟踪距离设备最远 60 厘米的移动，视野为 140 x 120°。该设备安装在 VR 头戴式设备上或在移动过程中固定在头顶上方。使用 3D 计算机图形开发软件来可视化手部跟踪并从 VR 环境中收集数据。使用自定义软件程序脚本获取和保存来自无标记和标记运动捕获系统的数据。软件程序脚本示例可在以下位置找到:https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0。

可能的设备替代品
该协议中使用无线、双极、表面 EMG 电极，但可以替代其他 EMG 技术（有线等）。如果使用 材料表中所述的标准市售传感器，则可以使用随附的 DAQ 软件代替自定义软件脚本（采样率为 2,000 Hz）。如果使用替代的 EMG 传感器，则还应使用与该系统兼容的软件。

VR 耳机不是通过电缆将 VR 耳机连接到计算机，而是能够将交互式环境存储在耳机中。在未来的带回家康复应用中实施该功能将对患者有利。此处使用的 VR 头戴显示设备可以替换为其他沉浸式 VR 头戴显示设备。在替换之前，这需要验证与游戏开发软件的兼容性。

可以使用替代开发软件来创建本协议中描述的虚拟环境和任务。此外，可以使用其他转化为 VR 的临床评估来代替此处所示的改良 BBT（例如，行动研究手臂测试 （ARAT） 或力量、感觉和抓握的分级重新定义评估 （GRASSP））。虽然 BBT 可用于评估广泛的神经损伤，但使用替代临床任务将允许评估其他运动障碍。例如，GRASSP 主要用于评估脊髓损伤患者，而 ARAT 最常用于评估皮质损伤引起的偏瘫。虚拟评估也可以在没有软件程序脚本控制的情况下进行管理（即独立），但需要考虑 DAQ 和对测试管理的控制。对于技能评估，可以使用有形的盒子和块测试 （BBT） 来代替 VR²⁶ 中开发的任务。使用真实世界的设备需要替代动作捕捉技术，而不是从 VR 耳机录制的手部跟踪。

备用可靠标记或无标记动作捕捉可用于跟踪手部运动学。例如，基于 VR 的运动捕捉可用于简化设置，同时仍获取必要的手部跟踪数据以提取运动学信息。此处使用的标记动作捕捉系统包括用于校准实验动作捕捉空间和运行相机（采样率为 480 Hz）的软件。应将替代动作捕捉技术与相应的软件一起使用。

图 1 显示了单独的计算机，每台计算机运行不同的硬件组件。一台高性能计算机可以运行用于数据收集和 VR 的所有软件。在此处描述的协议中，使用三台单独的计算机需要数据同步。跨设备及时同步数据对于 EMG、运动学和力数据产生有意义的结论至关重要。使用内置日期时间函数的自定义软件程序脚本用于在任务开始时记录每个系统上的世界时。至关重要的是，所有计算机都必须连接到同一网络，这些脚本才能正常运行。使用 datetime 记录开始时间后，DAQ 脚本在 Trial 期间利用 tic 和 toc 函数来增加时间。这些函数的精度约为 0.000001 秒，可能允许以 1,000 kHz 记录数据。在我们的设置中，最高采样频率为 30 kHz，远低于此方法跨设备录制和同步时间的最大能力。使用 Python 开发的传输控制协议/互联网协议 （TCP-IP） 消息传递应用程序²⁹ 用于基于 IP 地址在 VR 环境和 DAQ 应用程序之间传输数据。

除了确保时间同步外，同步在不同采样频率下采集的数据也至关重要。手动启动其中两台计算机以收集运动捕捉数据 （480 Hz） 并记录 EMG 数据 （2000 Hz）。以前的研究利用自定义同步电路在试验地标的系统之间发送公共事件（例如，在数据记录开始时发送同步脉冲，在记录结束时再次发送同步脉冲）³⁰。在这里，使用软件程序的 datetime、 tic 和 toc 函数允许同步，而无需添加硬件。此处使用的商用 TCP-IP 消息传递应用程序还支持跨系统的持续通信。这个用于跨系统同步时间和数据收集频率的框架还能够一致地组织数据以进行高级事后分析。

此处描述的实验方案具有高度可定制性，可满足临床或研究小组的可变需求，并有可能应用于临床和家庭/远程环境。虽然我们已经描述了在 VR 中使用修改后的 BBT 对肌肉活动和运动学的评估，但类似的设置可用于不同的临床测试，甚至可以简化以减少数据集。例如，如果只需要运动数据，则可以排除 EMG 和力传感器。仅采集运动数据就只需要使用运动捕捉系统。还可以包括其他硬件，例如脑电图或心电图，以记录额外的数据。高密度表面或肌内肌电图可以代替标准表面肌电图电极来记录更精确的肌肉活动数据^31,32。此外，其他功能临床测试，如 ARAT 或 GRASSP，可用于评估不同患者群体的运动缺陷。虽然此处描述的设置主要用于研究目的，以更好地量化 VR 中的运动缺陷，但我们的目标是开发类似的设置，以实现远程患者监控和康复。我们预计该协议将很容易地使用配备手部运动跟踪的标准消费类 VR 护目镜与可穿戴 EMG 记录设备相结合。在未来的研究中，我们的目标是通过结合目前正在开发的低成本、可穿戴、高密度的 EMG 袖套来进一步开发该协议以供家庭使用。

与诊所或康复中心的传统物理或职业疗法相比，VR 康复提供了许多潜在的好处。虽然此处描述的协议主要用于研究目的，但虚拟评估方法可能可以使用现成的设备远程实施，而无需昂贵的专用医疗设备。此外，VR 系统能够定量跟踪手部运动，以提供对运动质量的见解，这在标准评估中可能不可行^33,34。VR 中运动与现实世界任务的可比性仍然是一个深入研究的话题，未来的见解将影响 VR 如何用于康复。此处描述的程序是一种灵活的设置，它使用 VR 来指导标准化运动并获得单独的运动学和 EMG 数据。从利用所述设置的研究中获得的数据也可能提供关于个人如何在虚拟环境中移动的见解，以及一些受试者发现 VR 更具沉浸感的潜在机制。在将现实生活中的临床评估适应 VR 环境时，这一点至关重要。

必须仔细监测该方案设置和执行的几个步骤，以获得高质量、准确的数据。最重要的是正确放置 EMG 传感器。干净、准确的 EMG 数据具有高信噪比，需要将传感器放置在所选肌肉腹部上方经过消毒、无毛的皮肤上²⁷.同样，如果使用标记动作捕捉系统，则必须将标记精确放置在骨骼标志上，以捕获可靠的数据来计算感兴趣的关节角度。与 EMG 传感器相比，运动捕捉标记的方向具有一定的灵活性，但应始终使用至少三个非共线点来定义刚体在空间³⁵ 中的位置。某些计算关节角度的技术（例如基于模型的反向运动学）将需要精确的标记放置。如果使用这种方法，实验标记位置应与模型³⁶ 的位置相匹配。为计算逆运动学而开发的肌肉骨骼建模软件通常包括用于匹配模型和实验标记位置的内置计算函数。OpenSim 是由斯坦福大学³⁷ 开发的平台，通常用于此类分析。应在整个任务中监控 EMG 传感器和标记物的安全性，以确保记录高质量的数据。

如果从此协议获得的数据有噪声，则故障排除应侧重于考虑几个步骤。首先，不良的 EMG 传感器放置会产生嘈杂的数据，应该进行验证。如前所述，为了缓解这个问题，在连接 EMG 传感器之前进行皮肤准备很重要。此外，如果标记移出摄像机的范围，则可能会导致低质量的运动捕捉数据。追踪点的短暂丢失可以通过插值来解决，但如果标记继续无法传输准确的位置数据，则可能存在更严重的潜在问题。如果单个标记反复丢失，这可能表示该标记被拍摄对象的移动遮挡或正在移出相机的范围。此外，错误的相机校准可能会导致多个标记失败。在这种情况下，最好在将受试者和测试设备从实验空间中取出后，完全重新校准动作捕捉系统。此外，应使用足够的照明，因为弱光环境可能会阻碍获取高质量的动作捕捉数据。

所述协议有几个限制。首先，此处所示的设置需要使用多个 Motion Capture 摄像机。然而，该协议的目的是收集高分辨率数据，以便在开发可能由患者单独完成的完全远程临床评估之前更好地量化 VR 中的运动缺陷。此外，在 VR 中执行的任务缺乏触觉反馈。这一点很重要，因为仅触觉反馈就可以改变握力的大小^38,39。当在虚拟环境中执行任务而不是使用有形设备时，这可能会影响肌肉激活或运动学。如果认为触觉反馈至关重要（例如，如果患者还经历感觉缺陷），则可以包括使用触觉机器人来模拟触觉反馈。尽管存在此限制，但我们预计从此处描述的设置中获得的数据对于量化运动障碍患者仅 VR 任务中的运动学和肌肉活动变化至关重要。这将有助于使此类临床测试适应家庭使用。此协议的另一个限制是在测试期间一次显示一个块。在标准 BBT 中，首先将 150 个木块放置在盒子的一个隔间中。这种修改后的 BBT 旨在通过模拟在同一虚拟位置重生的一个块来提高录制的动作捕捉和 EMG 数据的可重复性。因此，在 VR 中实现的修改后的 BBT 可能是一项更简化的任务。在未来的研究中，VR 中修改后的 BBT 必须与标准 BBT 的设置保持一致，以确保内容的有效性。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
无扶手椅子	N/A		供受试者坐下的椅子应该是无扶手的，这样他们的手臂就不会受到干扰。
计算机	Dell Technologies		使用了三台计算机来配合数据采集设备。
Leap Motion 控制器	Ultraleap		光学手部跟踪模块，可捕获手部和手指的运动。该控制器有两个 640 x 240 像素的近红外摄像头 （120 Hz），能够跟踪距离设备最远 60 厘米的运动，并且分辨率为 140 x 120°;视野。该设备安装在 VR 头戴式设备上或在移动过程中固定在头顶上方。
MATLAB	MathWorks 公司		用于开发自定义数据采集软件的编程平台
Oculus Quest 2	Meta		沉浸式虚拟现实耳机，通过 4 个红外内置摄像头 （72-120 Hz） 配备手部跟踪功能。可以替换为其他类似设备（例如 HTC Vive、HP Reverb、Playstation VR）。
Oculus Quest 2 Link 电缆	Meta		用于将头戴式设备连接到存储 VR 游戏的计算机
PhaseSpace 动作捕捉	PhaseSpace， Inc.		标记动作捕捉系统，由服务器、具有 60 度视野的摄像机、作为标记的红光发光二极管 （LED） 和校准对象
Trigno Wireless System	Delsys， Inc. 组成。		由 Delsys Inc. 提供，包括 EMG、加速度计、力传感器、基站和采集软件。Trigno-MATLAB 应用程序编程接口 （API） 用于开发自定义记录软件。
Unreal Engine 4	Epic Games		软件，用于在 VR 中创建和运行修改后的 Box 和 Block 任务