方法文章

脑机接口控制的上肢机器人系统用于增强中风患者的日常活动能力

2.4K 次观看

⸱

DOI：

10.3791/67601

⸱

2025年4月18日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Health Science and Technology, Graduate School of Convergence Science and Technology, Seoul National University, 2Department of Rehabilitation Medicine, Seoul National University College of Medicine, Seoul National University Bundang Hospital, 3Clinical Neurotechnology Laboratory, Dept. of Psychiatry and Neurosciences, Charité Campus Mitte (CCM), Charité – Universitätsmedizin Berlin, 4SRH Gesundheitszentrum Bad Wimpfen GmbH

本文内容

摘要

本研究介绍了一种针对脑卒中患者的脑机接口（BCI）系统，该系统结合脑电图和眼电图信号来控制上肢机器人手，以增强患者的日常活动能力。评估采用脑卒中柏林双手测试（BeBiTS）进行。

摘要

本研究介绍了一种由脑机接口（BCI）控制的上肢辅助机器人，用于中风后的康复治疗。该系统利用脑电图（EEG）和眼电图（EOG）信号，帮助用户在与机械手交互的同时，辅助完成日常生活中的上肢功能任务。我们采用柏林中风双侧手功能测试（BeBiTS）评估该BCI-机器人系统的有效性，BeBiTS包含10项涉及双手协作的日常生活任务。共有八名中风患者参与本研究，但仅有四名参与者能够适应BCI机器人系统的训练并完成治疗后的BeBiTS评估。值得注意的是，当患者在治疗前BeBiTS各项任务的得分等于或低于4分时，BCI机器人系统在治疗后评估中表现出更显著的辅助效果。然而，当前的机械手尚不能辅助手臂和手腕功能，限制了其在需要复杂手部动作任务中的应用。未来需要纳入更多参与者以验证BCI-机器人系统的训练效果，同时后续研究应考虑采用能够支持更广泛上肢功能的机器人设备。本研究旨在评估该BCI-机器人系统辅助患者完成日常生活活动的能力。

引言

由于中风导致的上肢功能障碍会限制患者执行日常活动的能力，尤其是双手协调任务1。因此，手部康复是中风康复的关键组成部分，其中镜像疗法2和强制性运动疗法（Constraint-Induced Movement Therapy, CIMT）3是广为人知的干预方法。近期研究表明，基于脑电图（EEG）的脑-机接口（BCI）机器人系统可作为改善中风患者手部功能恢复的有效辅助治疗手段4,5,6。BCI机器人系统的核心在于将患者主动尝试运动的意图与其实际运动表现相耦合。目前，研究人员正在积极开展工作，以确定该方法在康复治疗中的有效性7,8,9,10,11,12,13。

本研究介绍了一种由脑机接口（BCI）控制的上肢辅助机器人系统，旨在帮助中风患者执行双手活动。该系统利用脑电图（EEG）检测并解读与运动想象相关的脑信号，并结合眼电图（EOG）提供额外的控制输入。这些神经生理信号使患者能够控制一个辅助手指运动的机械手14。该方法弥合了患者运动意愿与实际运动能力之间的差距，有望促进运动功能恢复，并提高日常活动中的独立性。

柏林夏里特医科大学的研究人员开发了卒中双侧手功能测试（Berlin Bimanual Test for Stroke, BeBiTS），作为一种综合评估工具，用于评价该脑机接口（BCI）机器人系统的有效性15。BeBiTS通过评估完成十项与日常生活密切相关双侧手部活动的能力，对功能改善提供定量测量。该评估对每项任务进行单独评分，并评估手功能的五个组成部分：伸手、抓握、稳定、操作和提起。它能够全面评估患者在日常生活活动中的功能改善情况，同时使我们能够量化BCI机器人系统在增强特定手功能方面所起的作用。因此，本研究旨在通过比较卒中患者在训练前后BeBiTS评分的变化，开发一种有效的BCI辅助机器人系统。

访问受限。请登录或开始试用以查看此内容。

方案

首尔国立大学盆塘医院机构审查委员会审查并批准了所有实验程序（IRB编号：B-2205-756-003）。我们招募了八名脑卒中患者，并在获得其知情同意前，向他们详细解释了相关细节。在获得知情同意后，实验流程如下：首先在脑-机接口（BCI）训练前进行BeBiTS评估，随后使用眼电图（EOG）和脑电图（EEG）进行BCI训练。之后，参与者佩戴机器人装置，再次进行BeBiTS评估（图1）。

1. 脑机接口-机器人训练系统设置

  1. 患者招募
    1. 使用以下纳入标准进行筛选。
      1. 选择年龄在20至68岁之间、上肢功能受损的患者。
      2. 选择无法屈伸偏瘫手手指的患者。
      3. 选择患有单一皮层下卒中（包括缺血性和出血性卒中）的患者。
      4. 选择脑损伤后超过6个月的患者。
      5. 选择Fugl-Meyer评分低于31分的患者。
    2. 向所有入选患者详细说明实验流程，并获取其签署的知情同意书。
      ​注意：若患者符合标准但无法签署知情同意书，则须由其法定代理人签署。
  2. 脑机接口系统：脑电图设备
    1. 使用脑电图记录系统（见材料表）进行数据采集。
    2. 使用配备定制脑机接口软件的个人计算机（PC），并将该计算机与脑电图设备连接。
  3. 上肢辅助机器人手
    1. 在患者受损的上肢上使用一种支持三指的辅助机器人手16。该机器人是一种柔软、类似皮革的手套，仅覆盖拇指、食指和中指。通过USB无线接收器将机器人与计算机无线连接。
    2. 通过无线接收器连接至计算机后，机器人初始状态为中性，即手部完全张开。所设计的脑机接口系统设定为：仅当检测到握拳意图（即测得的脑电图数值达到预设阈值）时，机器人才会执行手部闭合动作。图2展示了该脑机接口-机器人系统的示意图。

2. 脑机接口-机器人评估

  1. 卒中患者双侧上肢功能测试（BeBiTS）
    注意：BeBiTS 评估是一种用于评价卒中患者完成10项日常生活双侧手部活动能力的工具。
    1. 让患者舒适地坐在扶手椅上，面朝桌子。确保患者坐姿靠近桌子，距离评估所用物品约30 cm，以便能够使用双侧上肢和双手完成评估任务。
    2. 准备以下10项用于评估双侧手部活动的项目：打开罐子；打开塑料包装袋；打开水瓶；倒一杯水；切割类似肉质的橡皮泥；清洗盘子；提起锅具；打开牙膏管；将牙膏挤到牙刷上；拉上夹克衫的拉链。
      注意：这10项评估任务均在桌边坐位状态下完成。每项操作满分为10分，总分为100分。
    3. 在对每一项任务评分的同时，评估并记录五项手功能组成部分的得分。这些组成部分及其对应分值分别为：伸手（20分）、抓握（20分）、固定（10分）、操作（33分）和提起（17分），总分合计为100分（图3）。

3. 脑机接口-机器人训练系统

  1. 脑电图（EEG）设置
    1. 打开脑机接口（BCI）系统。图4展示了打开BCI系统时的整个屏幕界面。
    2. 佩戴电极帽并连接放大器。
    3. 在源模块中，选择EegoModule | 阻抗模式。在源模块中点击开始，此时指示灯显示为蓝色（图5A）。
    4. 确保阻抗值低于10k欧姆，然后在源模块中点击停止。
    5. 将模式更改为EEG以开始数据流传输，并点击开始。使用提供的软件检查信号（图5B）。
  2. 眼电图（EOG）校准
    1. 在预处理模块中，选择与EOG导联配置相对应的流程（例如，左眼EOG电极使用SMR-EOGleft；图6A）。
    2. 在任务模块中，设置提示次数（例如，10次）。任务模块将方向设置为与机械手对侧一致（图6B）。
    3. 指导受试者对屏幕上依次出现的10个箭头方向进行短暂的侧向眼球运动（图6C）。
    4. 训练结束后立即查看结果图。灰色线条代表每次眼球运动尝试；确认代表平均值的橙色线条接触基线，表明训练成功（图7）。
    5. 若训练成功，记录阈值参数值。
      ​注意：眼球运动的重复一致性至关重要。尽管个体间存在差异，通常经过约三次尝试后EOG训练即具可行性，且随着重复训练效果通常会改善。
  3. 脑电图（EEG）校准
    1. 在任务模块中，选择EEGCalibrationTaskModule（图8A）。在任务模块中将提示次数设置为5。
    2. 在反馈模块中，将偏侧性设置为机械手所在侧，并确保未选中显示吃豆人（图8B）。
    3. 当黑色屏幕上出现提示“想象握拳”时，指导受试者想象自己握紧拳头（图8C）。当屏幕为黑色时，要求受试者放松。重复此过程，每次握拳想象持续5秒，休息时间随机在10秒至15秒之间变化。
    4. EEG校准完成后查看结果图，并利用运动想象期间8-12 Hz μ节律的特征性事件相关去同步（ERD）模式，确定受试者的合适频率范围。从图9左侧图中记录11 Hz的参数值，该图显示了运动想象期间相对于静息状态的ERD反应。在图9右侧图中，突出显示代表握拳想象的明显红色线条，以及表示放松状态的蓝色线条，二者相对于水平虚线阈值线进行比较。
    5. 若EEG校准训练充分完成，则记录右图下方的参考值和阈值。
      ​注意：然而，在某些情况下，由于受试者对指令理解不足或存在BCI不敏感性等问题，短期校准训练可能具有挑战性。
  4. 带反馈的训练
    1. 完成EOG和EEG训练后，根据前一阶段训练结果图中确定的特定目标频率、参考值和阈值，设定用于区分握拳意图的参数值。
    2. 使用已配置的参数，开始使用吃豆人进行反馈训练。若训练后参数设置正确，当受试者想象握拳时，应观察到吃豆人的嘴逐渐闭合。如果吃豆人的嘴未能正常闭合，则需调整参考值和阈值后重复EEG校准训练（图10）。
  5. 实验：使用BCI机器人系统进行BeBiTS评估
    1. 完成所有反馈训练（约30分钟）后，让受试者佩戴机器人装置，并使用已训练的BCI系统进行BeBiTS评估后测。
      注意：若患者手部痉挛严重，佩戴机器人时需特别小心。此外，机器人提供的三指辅助功能可能不足以满足部分患者的需求，导致无法完成BeBiTS评估中的全部动作。在此类情况下，仅评估能够完成的动作。
    2. 等待屏幕上出现表示准备就绪和启动状态的白灯，如图11A所示。确认白灯亮起后，受试者将视线移向一侧，使灯光变为绿色（图11B）。当绿灯出现时，受试者想象握紧拳头。
      注意：若系统能良好识别受试者的意图，将激活受试者所佩戴的机器人以实现握拳动作。
    3. 让受试者在机器人的辅助下完成握拳动作，然后执行图11C所示的动作。
    4. 图11D显示红灯，表示机器人正维持握拳状态。动作完成后，受试者观察屏幕上如图11D所示的红灯。此时，若受试者希望再次在机器人辅助下张开手，可通过眼球运动将灯光颜色变回白色。

访问受限。请登录或开始试用以查看此内容。

结果

图12 显示了EOG和EEG训练的结果。图12A展示了一名训练良好的受试者的结果。EOG训练数值稳定，其平均值（橙色粗线）准确达到阈值线。EEG训练结果也能清晰区分蓝色（静息状态）和红色（运动想象）曲线。

相比之下， 图12B 显示了一位训练效果不佳的参与者的实验结果。EOG试验结果不一致，且平均值（绿色粗线）未达到阈值线。此外，EEG训练结果未能清晰区分静息状态与运动想象状态。

表1展示了所有八名参与者的BeBiTS评估得分。我们在脑机接口（BCI）系统训练前后分别进行了BeBiTS评估。参与者P1、P4和P5在两次BeBiTS评估中几乎所有项目均未能得分。参与者P3在训练前的BeBiTS评估中获得了分数，但由于未充分接受BCI机器人系统的训练，在训练后的BeBiTS评估中使用BCI机器人系统时未能得分。...

访问受限。请登录或开始试用以查看此内容。

讨论

本研究提出了一种基于脑机接口（BCI）的上肢辅助机器人系统，以帮助中风患者执行日常任务。我们通过双侧上肢任务测试（BeBiTS）评估了双手任务的疗效15，并利用BCI系统对上肢辅助机器人的操作进行了训练14。与传统康复方法相比，该方法使患者能够根据自身意图主动控制机器人操作，从而积极参与康复过程。准确校准眼电图（EOG）和脑电图（EEG）训练对于从BCI系统获取精确信号以控制机器人至关重要。此外，必须确保机器人与使用者的手部贴合舒适。

本研究共涉及八名参与者，样本量有限，限制了我们对脑机接口（BCI）机器人训练系统有效性进行明确评估的能力。尽管如此，我们仍从这些参与者的 BCI 系统训练结果中识别出若干显著特征。首先，参与者通常认为眼电图（EOG）训练相对容易，但在需要区分运动想象与静息状态的脑电图（EEG）训练中则存在困难。在八名参与者中，仅有四人能够适应 BCI 机器人系统的训练并完成 BeBiTS 评估。此外，在与机器人交互后，参与者仅完成了 BeBiTS 评估中的少数项目。尽管所...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

本工作由德国-韩国产学研机器人与轻量化结构/碳国际合作项目资助，该项目由德意志联邦共和国联邦教育与研究部和韩国科学技术信息通信部资助（资助编号：P0017226）

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
BCI2000开源一种用于脑-机接口（BCI）研究的通用软件系统，非商业用途可免费使用
BrainVision LSL Viewer Brain Products GmbH一种便捷的工具，用于监控其LSL EEG和标记信号流。
eego mini 放大器，配备8通道（F3、F4、C3、Cz、C4、P3、P4、EOG）waveguard 原装帽 Ant Neuro，荷兰紧凑轻便设计：eego mini 放大器体积小、重量轻，具有出色的便携性，适用于各种环境下的脑电图（EEG）记录。
Neomano neofect，韩国手套材质：皮革、魔术贴、防滑布
线材材质：合成线
重量：65 g（不含电池）
覆盖三根手指：拇指、食指和中指
配备定制 BCI 软件 的个人计算机 （PC）Windows 笔记本电脑

参考文献

  1. Ekstrand, E., Rylander, L., Lexell, J., Brogårdh, C. Perceived ability to perform daily hand activities after stroke and associated factors: a cross-sectional study. BMC Neurol. 16, 208(2016).
  2. Angerhöfer, C., Colucci, A., Vermehren, M., Hömberg, V., Soekadar, S. R. Post-stroke rehabilitation of severe upper limb paresis in Germany-toward long-term treatment with brain-computer interfaces. Front. Neurol. 12, 772199(2021).
  3. Corbetta, D., Sirtori, V., Castellini, G., Moja, L., Gatti, R. Constraint-induced movement therapy for upper extremities in people with stroke. Cochrane Database Syst Rev. 2015 (10), CD004433(2015).
  4. Kutner, N. G., Zhang, R., Butler, A. J., Wolf, S. L., Alberts, J. L. Quality-of-life change associated with robotic-assisted therapy to improve hand motor function in patients with subacute stroke: a randomized clinical trial. Phys Ther. 90 (4), 493-504 (2010).
  5. Baniqued, P. D. E., et al. Brain-computer interface robotics for hand rehabilitation after stroke: a systematic review. J Neuroeng Rehabil. 18 (1), 15(2021).
  6. Yang, S., et al. Exploring the use of brain-computer interfaces in stroke neurorehabilitation. BioMed Res Int. 2021, 9967348(2021).
  7. Wolpaw, J. R. Brain-computer interfaces. Handb Clin Neurol. 110, 67-74 (2013).
  8. Teo, W. P., Chew, E. Is motor-imagery brain-computer interface feasible in stroke rehabilitation. PM R. 6 (8), 723-728 (2014).
  9. Gomez-Rodriguez, M., et al. Towards brain-robot interfaces in stroke rehabilitation. IEEE Int Conf Rehabil Robot. 2011, 5975385(2011).
  10. Silvoni, S., et al. Brain-computer interface in stroke: a review of progress. Clin EEG Neurosci. 42 (4), 245-252 (2011).
  11. Soekadar, S. R., Birbaumer, N., Cohen, L. G. Brain-computer interfaces in the rehabilitation of stroke and neurotrauma. Systems Neuroscience and Rehabiliation. Kansaku, K., Cohen, L. G. , Springer. Tokyo. 3-18 (2011).
  12. Said, R. R., Heyat, M. B. B., Song, K., Tian, C., Wu, Z. A systematic review of virtual reality and robot therapy as recent rehabilitation technologies using EEG-brain-computer interface based on movement-related cortical potentials. Biosensors. 12 (12), 1134(2022).
  13. Daly, J. J., Huggins, J. E. Brain-computer interface: current and emerging rehabilitation applications. Arch Phys Med Rehabil. 96 (3 Suppl), S1-S7 (2015).
  14. Soekadar, S. R., Witkowski, M., Vitiello, N., Birbaumer, N. An EEG/EOG-based hybrid brain-neural computer interaction (BNCI) system to control an exoskeleton for the paralyzed hand. Biomed Tech (Berl). 60 (3), 199-205 (2015).
  15. Angerhöfer, C., et al. The Berlin Bimanual Test for Tetraplegia (BeBiTT) to assess the impact of assistive hand exoskeletons on bimanual task performance. J NeuroEng Rehabil. 20, 17(2023).
  16. Neofect. Neomano. Wearable Robot Hand Assistance. , https://www.neofect.com/kr/neomano (2024).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

BeBiTS

相关文章