结构化的康复协议改进的多功能假肢控制:一个案例研究
November 6th, 2015
随着假肢的发展朝着自然控制的目标发展，利用截肢者学习新运动技能的固有能力可能会提高熟练程度。本手稿描述了一种结构化的康复方案，其中包括模仿、重复和强化学习策略，以改善多功能假肢控制。
该程序的总体目标是训练上肢截肢者使用先进的假肢。这是通过使用截肢者固有的学习策略来指导康复来实现的。第一步是让患者模仿并重复演示者执行的动作。
接下来，患者与计算机系统互动，以加强学习并训练修复控制算法。最后一步是让患者独立控制先进的假肢。最终，结构化的康复训练用于表明使用截肢者固有的学习策略可以提高高级假肢控制。
因此，当我们尝试训练截肢者控制先进的假肢时，我第一次想到了这种方法。不幸的是，现有的模式识别方法并不有效。这种方法的视觉演示至关重要，因为该方法本身是完全可视化的，临床医生和工程师在培训患者时考虑它很重要，而不仅仅是算法。
首先为参与者安装定制的接受腔和假肢。校准修复硬件，并使用收集的校准数据进行修复控制。不要给参与者任何正式的培训，但是，要指示他们将执行八个动作，其中包括一个假肢的静止状态，这将允许控制计算机屏幕上的视觉目标。
在屏幕上显示运动的静态图片，并要求参与者遵循视觉提示。然后向参与者展示与他们的肌电图或 EMG 模式相对应的独特和特定的极坐标图。鼓励参与者通过指向屏幕来跟随视觉提示。
使用不同的手臂位置重复该任务 3 次。放松，松懈，伸手到前面，伸手越过。为了加强系统训练，请完成每个手臂位置的所有 8 个动作和 3 个力水平，以收集总共 72 个单独的系统训练样本。
训练完成后，使用本次训练的训练数据集校准和调整假肢，以便参与者可以练习实时控制。允许参与者通过顺序比例控制或一次一个动作来控制假肢，设备的速度与肌肉收缩水平成正比。一旦 8 个动作都以可重复、可靠的方式执行，即可将控制方案切换为比例和同步控制，从而允许手腕一次进行多次运动。
然后让参与者练习简单的任务，例如捡起一个简单的物体并将其侧放。休息两个小时。在完成结果评估之前，使用 Southampton 手部评估程序或 SHA 结果测量评估参与者的表现。
将 SHAP 分数与使用参与者的标准假肢的基线测量值进行比较。确保参与者在完成 Naive 会话后无法访问自定义的假肢和控制算法。在进行朴素训练三个月后，结构化训练课程按以下顺序构建训练课程：模仿、重复、强化和假肢控制。
对于模仿，指导参与者直接实时模仿演示者执行的所需的 8 个动作。为此，参与者应与演示者成 45 度角坐下，并提供与参与者患侧匹配的演示者手部的无障碍视野。执行每个作 3 秒钟。
用于重复。要求参与者重复被模仿 10 次的动作，持续 30 秒。在没有任何视觉提示的情况下，观察每个运动的极坐标图所代表的相应 EMG 活动。
然后，为了强化，向参与者展示他们的 8 个动作的视觉反馈，与在幼稚会话中看到的完全一样。要求参与者在执行作的同时查看带有记录的运动叠加的实时极坐标图，以加强学习。确保强化训练与 Naive 会话期间给出的训练完全相同。
训练完成后，使用本次会议的训练数据集校准和调整假肢，以便参与者可以练习实时控制。允许参与者通过顺序比例控制或一次移动一个动作来自由控制假肢，设备的速度与肌肉收缩的水平成正比。一旦以可重复、可靠的方式执行了八个动作中的每一个，将控制方案切换到比例和同步控制，允许手腕一次多次运动，让参与者练习简单的任务，例如拿起一个简单的物体并将其侧放。
在完成结果评估之前，请休息 24 小时。最后，使用 shap 结果测量评估参与者的表现。将 SHAP 分数与使用参与者的标准假肢的基线测量值进行比较。
该协议描述了一种结构化的康复方法，其中包括用于改进多功能假肢控制的模仿、重复和强化学习策略。在这里，比较了基线初始会话和结构化训练会话之间的 SHAP 分数。shap 结果测试的结果表明，最大的改进是使用手腕屈曲和伸展运动的任务，这种新的控制方案和定制的假肢在参与者的标准假肢上提供了这种运动。
完成此手术后，上肢截肢者可以快速学会控制高级假肢的同步运动，同时保持所有运动的传统比例控制的安全性。
View the full transcript and gain access to thousands of scientific videos
概述
本文讨论了一种旨在培训上肢截肢者有效使用先进假肢的结构化康复方案。通过利用截肢者固有的学习策略，该方案通过模仿、重复和强化学习增强了他们控制假肢的能力。
关键研究组成部分
科学领域
- 神经科学
- 康复
- 假肢学
背景
- 截肢者具有可用于康复的固有学习能力。
- 先进的假肢需要复杂的控制机制。
- 结构化培训可以提高假肢使用的熟练度。
- 模仿和强化学习是运动技能获取的关键策略。
研究目的
- 为上肢截肢者开发康复方案。
- 提高先进假肢的控制能力。
- 利用固有学习策略以获得更好的结果。
使用的方法
- 患者模仿并重复由教练示范的动作。
- 与计算机系统互动以强化学习。
- 通过互动会话进行假肢控制的训练算法。
- 患者独立控制假肢。
主要结果
- 结构化的康复训练显著提高了假肢控制能力。
- 患者在使用先进假肢方面表现出更高的熟练度。
- 固有的学习策略有效指导了康复过程。
- 模仿和强化学习对技能获取至关重要。
结论
- 利用固有的学习策略可带来更好的假肢控制结果。
- 结构化的康复方案可以有效地培训截肢者。
- 未来的研究应探索康复技术的进一步改进。
常见问题
Executive Industry Relevance
This case study demonstrates how structured rehabilitation protocols leveraging innate human learning strategies can improve functional outcomes in advanced prosthetic control. For biopharma R&D, such approaches inform the design of adjunctive therapies that enhance device usability and patient adherence in neurorehabilitation pipelines. Improved multifunctional control supports predictive confidence in translational models of motor recovery and functional independence.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Validates imitation, repetition, and reinforcement as mechanistic drivers of motor learning in amputee populations.
- Operational Value: Provides a replicable framework for assessing neuroplasticity and motor relearning in preclinical and clinical models.
Screening & Assay Development
- Scientific Value: Enables standardized assessment of prosthetic control proficiency using quantitative outcome measures like the Southampton Hand Assessment Procedure.
- Operational Value: Supports assay readiness by defining clear training phases and performance benchmarks for device evaluation.
Translational & Preclinical Research
- Scientific Value: Bridges discovery and preclinical validation by linking training protocols to measurable functional gains in dexterity and coordination.
- Operational Value: Informs go/no-go decisions in device development by highlighting the critical role of user training in real-world prosthetic performance.
Pipeline & Workflow Integration
The protocol positions user-centered training as a necessary step between device fabrication and clinical deployment, ensuring that technological advances in prosthetic control are matched by user capability.
- Discovery Biology: Explores how innate learning mechanisms can be harnessed to accelerate motor skill acquisition in neurorehabilitation contexts.
- Screening: Establishes standardized training routines that improve reproducibility of device performance assessments across users.
- Analytics: Relies on quantitative SHAP scores to compare baseline and post-training performance, enabling objective comparison of control strategies.
- Translational Research: Demonstrates continuity from structured training to real-world task performance, supporting advancement decisions in rehabilitative technology.
- Enterprise Reuse: Frame the imitation-repetition-reinforcement model as a transferable training paradigm applicable across multiple assistive device platforms.
Operational & Enterprise Impact
- Scientific Value: Reduction of mechanistic ambiguity in motor learning by isolating the contribution of observational and feedback-based training.
- Operational Value: Standardization of training delivery across sites through defined phases and timing parameters.
- Strategic Value: Better go/no-go decisions by identifying whether performance limits stem from device design or user training readiness.
- Portfolio Impact: Risk-adjusted prioritization of devices that integrate user-trainable control schemes, reducing late-stage failure due to poor usability.
Implementation Considerations
- Required expertise in neurorehabilitation, prosthetics, and motor learning theory.
- Need for motion capture, EMG monitoring, and real-time visual feedback systems to support imitation and reinforcement phases.
- Cross-functional alignment between clinicians, engineers, and data scientists to ensure training data informs control algorithm calibration.
- Adaptation considerations for different amputation levels, prosthesis types, and user baseline motor function.
- Practical limitations include dependency on user motivation, access to trained therapists, and variability in residual muscle signal quality.
