Methodenartikel

Aufbau zur quantitativen Beurteilung von Bewegung und Muskelaktivität während eines Virtual Modified Box und Block Tests

DOI:

10.3791/65736

⸱

12. Januar 2024

 ,  ,  ,  , 
1Department of Neuroscience, West Virginia University, 2Department of Human Performance, West Virginia University, 3Department of Biomedical Engineering, West Virginia University

* These authors contributed equally

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das hier beschriebene Protokoll zielt darauf ab, die quantitative Bewertung von Defiziten der oberen Extremitäten zu verbessern, mit dem Ziel, zusätzliche Technologien für die Fernbeurteilung sowohl in der Klinik als auch zu Hause zu entwickeln. Virtual-Reality- und Biosensor-Technologien werden mit klinischen Standardtechniken kombiniert, um Einblicke in die Funktionsweise des neuromuskulären Systems zu erhalten.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Fähigkeit, uns zu bewegen, ermöglicht es uns, mit der Welt zu interagieren. Wenn diese Fähigkeit beeinträchtigt ist, kann dies die Lebensqualität und Unabhängigkeit erheblich beeinträchtigen und zu Komplikationen führen. Die Bedeutung der Patientenbewertung und -rehabilitation aus der Ferne hat in letzter Zeit aufgrund des eingeschränkten Zugangs zu persönlichen Dienstleistungen zugenommen. So führte beispielsweise die COVID-19-Pandemie unerwartet zu strengen Vorschriften, die den Zugang zu nicht dringenden Gesundheitsdiensten einschränkten. Darüber hinaus bietet die Fernbetreuung die Möglichkeit, Ungleichheiten im Gesundheitswesen in ländlichen, unterversorgten und einkommensschwachen Gebieten zu beseitigen, in denen der Zugang zu Dienstleistungen nach wie vor begrenzt ist.

Eine Verbesserung der Zugänglichkeit durch Fernbetreuungsoptionen würde die Anzahl der Krankenhaus- oder Facharztbesuche begrenzen und die Routineversorgung erschwinglicher machen. Schließlich kann die Verwendung leicht verfügbarer kommerzieller Unterhaltungselektronik für die häusliche Pflege die Patientenergebnisse aufgrund einer verbesserten quantitativen Beobachtung der Symptome, der Wirksamkeit der Behandlung und der Therapiedosierung verbessern. Während die Fernwartung ein vielversprechendes Mittel ist, um diese Probleme anzugehen, besteht für solche Anwendungen ein entscheidender Bedarf, die motorische Beeinträchtigung quantitativ zu charakterisieren. Das folgende Protokoll versucht, diese Wissenslücke zu schließen, um Klinikern und Forschern die Möglichkeit zu geben, hochauflösende Daten über komplexe Bewegungen und die zugrunde liegende Muskelaktivität zu erhalten. Das ultimative Ziel ist die Entwicklung eines Protokolls für die Fernverwaltung von funktionellen klinischen Tests.

Hier wurden die Teilnehmer angewiesen, eine medizinisch inspirierte Box-and-Block-Aufgabe (BBT) durchzuführen, die häufig zur Beurteilung der Handfunktion verwendet wird. Diese Aufgabe erfordert, dass die Probanden standardisierte Würfel zwischen zwei Kompartimenten transportieren, die durch eine Barriere getrennt sind. Wir haben ein modifiziertes BBT in der virtuellen Realität implementiert, um das Potenzial der Entwicklung von Fernbewertungsprotokollen zu demonstrieren. Die Muskelaktivierung wurde für jeden Probanden mittels Oberflächen-Elektromyographie erfasst. Dieses Protokoll ermöglichte die Erfassung qualitativ hochwertiger Daten, um Bewegungsbeeinträchtigungen detailliert und quantitativ besser zu charakterisieren. Letztendlich haben diese Daten das Potenzial, für die Entwicklung von Protokollen für die virtuelle Rehabilitation und die Fernüberwachung von Patienten verwendet zu werden.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bewegung ist die Art und Weise, wie wir mit der Welt interagieren. Während alltägliche Aktivitäten wie das Heben eines Glases Wasser oder der Weg zur Arbeit einfach erscheinen mögen, beruhen selbst diese Bewegungen auf komplexen Signalen zwischen dem Zentralnervensystem, den Muskeln und den Gliedmaßen1. Daher korrelieren die persönliche Unabhängigkeit und die Lebensqualität stark mit dem Grad der Gliedmaßenfunktion eines Individuums 2,3. Neurologische Schäden, wie z. B. eine Rückenmarksverletzung oder eine Schädigung des peripheren Nervensystems, können zu dauerhaften motorischen Defiziten führen, wodurch die Fähigkeit verringert wird, selbst einfache Aktivitäten des täglichen Lebens auszuführen 4,5. Nach Angaben des National Institute of Neurological Disorders and Stroke leiden über 100 Millionen Menschen in den Vereinigten Staaten an motorischen Defiziten, wobei der Schlaganfall eine der Hauptursachen ist 6,7,8. Aufgrund der Art dieser Verletzungen benötigen die Patienten oft eine längere Betreuung, bei der eine quantitative motorische Beurteilung und Fernbehandlung von Vorteil sein können.

Aktuelle Praktiken zur Behandlung von Bewegungsstörungen erfordern oft sowohl eine anfängliche als auch eine fortlaufende klinische Beurteilung der Funktion durch Beobachtung durch ausgebildete Experten wie Physio- oder Ergotherapeuten. Standardvalidierte klinische Tests erfordern oft geschultes Fachpersonal, um sie durchzuführen, mit spezifischen Zeitvorgaben und subjektiver Bewertung vordefinierter Bewegungen oder funktioneller Aufgaben. Aber auch bei gesunden Menschen können identische Bewegungen mit unterschiedlichen Kombinationen von Gelenkwinkeln ausgeführt werden. Dieses Konzept wird als muskuloskelettale Redundanz bezeichnet.

Funktionelle klinische Tests berücksichtigen oft nicht die individuelle Redundanz, die der Variabilität zwischen den Probanden zugrunde liegt. Für Kliniker und Forscher gleichermaßen bleibt die Unterscheidung zwischen normaler Variabilität, die durch Redundanz verursacht wird, und pathologischen Veränderungen der Bewegung eine Herausforderung. Standardisierte klinische Bewertungen, die von gut ausgebildeten Bewertern durchgeführt werden, verwenden niedrig aufgelöste Bewertungssysteme, um die Variabilität zwischen den Bewertern zu reduzieren und die Testvalidität zu verbessern. Dies führt jedoch zu Deckeneffekten, wodurch die Sensitivität und prädiktive Validität für Probanden mit leichten Bewegungsdefiziten verringertwird 9,10. Darüber hinaus kann in diesen klinischen Tests nicht unterschieden werden, ob Defizite durch passive Körpermechanik oder aktive Muskelkoordination verursacht werden, was bei der Erstdiagnose und bei der Erstellung eines patientenspezifischen Rehabilitationsplans von Bedeutung sein kann. Randomisierte klinische Studien haben eine inkonsistente Wirksamkeit von Behandlungsplänen gezeigt, die auf der Grundlage der in diesen klinischen Tests erbrachten Evidenz formuliert wurden 11,12,13. Mehrere Studien haben die Notwendigkeit quantitativer, benutzerfreundlicher klinischer Metriken betont, die als Leitfaden für die Gestaltung künftiger Interventionen verwendet werden können14,15.

In früheren Studien haben wir die Implementierung einer automatisierten Bewegungsbewertung mit leicht verfügbaren Motion-Capture-Geräten für Verbraucher bei Armfunktionsstörungen nach einem Schlaganfall sowie die Bewertung der Schulterfunktion nach Brustoperationen bei Brustkrebspatientinnen nachgewiesen16,17. Darüber hinaus haben wir gezeigt, dass die Verwendung aktiver Gelenkmomente zur Schätzung von Muskelmomenten bestimmter aktiver Bewegungen im Vergleich zu Gelenkwinkeln ein sensitiveres Maß für motorische Defizite nach einem Schlaganfall ist18. Motion Capture und Oberflächen-Elektromyographie (EMG) können daher von entscheidender Bedeutung für die Beurteilung von Patienten sein, die in klinischen Standardtests als asymptomatisch diagnostiziert wurden, aber dennoch unter Bewegungsschwierigkeiten, Müdigkeit oder Schmerzen leiden können. In dieser Arbeit wird ein System beschrieben, das eine detaillierte und quantitative Charakterisierung von Bewegungen während klinischer Standardtests für die zukünftige Entwicklung von Methoden zur Bewertung und Rehabilitation zu Hause in bewegungseingeschränkten Patientenpopulationen ermöglichen kann.

Virtual Reality (VR) kann verwendet werden, um ein immersives Benutzererlebnis zu schaffen, während alltägliche Aufgaben modelliert werden. In der Regel verfolgen VR-Systeme die Handbewegungen des Benutzers, um simulierte Interaktionen mit der virtuellen Umgebung zu ermöglichen. Das Protokoll, das wir hier beschreiben, verwendet Consumer-VR-Produkte für Motion Capture, um die Bewertung motorischer Defizite zu quantifizieren, ähnlich wie andere Studien, die den Einsatz von handelsüblichen Videospiel-Controllern bei der quantitativen Bewertung von Beeinträchtigungen nach Schlaganfall oder Schulteroperation demonstrieren16,17. Darüber hinaus ist die EMG ein nicht-invasives Maß für die neuronale Aktivität, die der Muskelkontraktion zugrunde liegt19. Als solches kann EMG verwendet werden, um indirekt die Qualität der neuronalen Bewegungssteuerung zu bewerten und eine detaillierte Beurteilung der motorischen Funktion zu liefern. Muskel- und Nervenschäden können durch EMG erkannt werden, und Erkrankungen wie Muskeldystrophie und Zerebralparese werden häufig mit dieser Technik überwacht20,21. Darüber hinaus kann das EMG verwendet werden, um Veränderungen der Muskelkraft oder Spastik zu verfolgen, die in kinematischen Bewertungen möglicherweise nicht erkennbar sind22,23, sowie von Müdigkeit und Muskelkoaktivierung. Kennzahlen wie diese sind entscheidend für die Berücksichtigung des Rehabilitationsfortschritts 23,24,25.

Das hier beschriebene experimentelle Paradigma zielt darauf ab, eine Kombination aus VR und EMG zu nutzen, um die Einschränkungen traditioneller klinischer Bewertungsinstrumente zu überwinden. Hier wurden die Teilnehmer gebeten, eine modifizierte Box and Block Task (BBT)26 mit realen Objekten und in VR durchzuführen. Die Standard-BBT ist ein klinisches Instrument, das bei der allgemeinen Beurteilung der Funktion der oberen Extremitäten eingesetzt wird, bei dem die Probanden gebeten werden, innerhalb einer Minute so viele 2,5-cm-Blöcke wie möglich von einem Kompartiment über eine Trennwand in ein benachbartes Kompartiment zu bewegen. Während sie häufig zur zuverlässigen Beurteilung von Defiziten bei Patienten mit Schlaganfall oder anderen neuromuskulären Erkrankungen (z. B. Parese der oberen Extremitäten, spastische Hemiplegie) verwendet werden, wurden normative Daten auch für gesunde Kinder und Erwachsene im Alter von 6 bis 89 Jahren berichtet26. Eine virtuelle Bewegungsbewertung wird verwendet, um funktionale Aspekte des validierten klinischen Tests zu simulieren, der im realen Leben durchgeführt wird. VR wird hier eingesetzt, um den Hardwareaufwand zu reduzieren und gleichzeitig die Bereitstellung standardisierter Anweisungen und ein programmiertes, automatisiertes Scoring zu ermöglichen. Eine ständige Aufsicht durch geschultes Fachpersonal wäre somit nicht mehr notwendig.

Die BBT in dieser Studie wurde vereinfacht, um sich auf das Erfassen des Erreichens und Greifens eines Blocks zu einem Zeitpunkt zu konzentrieren, der an derselben Stelle erscheint. Dies maximierte die Reproduzierbarkeit der Bewegungen und minimierte die Variabilität zwischen den Probanden in den aufgezeichneten Daten. Schließlich können Virtual-Reality-Headsets für nur 300 US-Dollar erworben werden und haben das Potenzial, mehrere Bewertungen zu beherbergen. Einmal programmiert, würde dies die mit der typischen professionellen Bewertung verbundenen Kosten erheblich senken und eine bessere Zugänglichkeit dieser validierten klinischen Standardtests sowohl in klinischen als auch in Remote-/Home-Umgebungen ermöglichen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die experimentellen Verfahren wurden vom West Virginia University Institutional Review Board (IRB), Protokoll # 1311129283, genehmigt und hielten sich an die Prinzipien der Deklaration von Helsinki. Die Risiken dieses Protokolls sind gering, aber es ist notwendig, den Teilnehmern alle Verfahren und potenziellen Risiken zu erklären, und es wurde eine schriftliche, informierte Einwilligung mit Unterlagen eingeholt, die vom institutionellen Ethikprüfungsausschuss genehmigt wurden.

1. Systemeigenschaften und Aufbau

HINWEIS: Das Setup für dieses Protokoll besteht aus den folgenden Elementen: (1) EMG-Sensoren und -Basis, (2) EMG-Datenerfassungssoftware (DAQ), (3) einem Motion-Capture-System und (4) einem VR-Headset mit entsprechender Software. Diese Komponenten sind in Abbildung 1 visualisiert.

  1. Einrichtung der Systemkomponenten
    1. Schließen Sie das EMG-System an.
      1. Schließen Sie die EMG-Basisstation an die Stromversorgung an.
      2. Verbinden Sie die EMG-Basisstation mit einem dedizierten Computer (Abbildung 1C), der die Datenerfassungsskripte enthält.
        HINWEIS: Beispielskripte finden Sie unter: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0. Einige kommerzielle Produkte werden möglicherweise mit einer lizenzierten Datenerfassungssoftware geliefert, die ebenfalls verwendet werden kann.
    2. Schließen Sie das Motion-Capture-System an.
      1. Schließen Sie einen zweiten dedizierten Computer (Abbildung 1A) an einen Netzwerkrouter an.
      2. Verbinden Sie den Netzwerkrouter mit einem Motion-Capture-Server.
      3. Verbinden Sie den Motion-Capture-Server zur Visualisierung mit einem Computermonitor.
      4. Verbinden Sie die Kameras mit dem Motion-Capture-Server.
    3. Schließen Sie das VR-System an.
      1. Verbinden Sie das VR-Headset mit einem dritten dedizierten Computer mit den entsprechenden Datenerfassungsskripten (Abbildung 1B).
        HINWEIS: Beispielskripte finden Sie unter: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0
      2. Laden Sie die VR-Spielumgebung mit den beabsichtigten Aufgaben auf den Computer, der mit dem VR-Headset verbunden ist (Abbildung 1B).
    4. Bereiten Sie den Bereich vor, in dem das Subjekt die Aufgabe erledigen wird.
      1. Verwenden Sie einen armlosen, stabilen Stuhl, um sicherzustellen, dass das normale Greifen des Motivs nicht beeinträchtigt wird.
      2. Vergewissern Sie sich zur Sicherheit und Genauigkeit der gesammelten Daten, dass der Prüfbereich frei von Hindernissen ist.
    5. Synchronisieren Sie die Systeme.
      1. Verwenden Sie eine benutzerdefinierte Softwarefunktion, um Systeme rechtzeitig mit einem einmaligen Server zu synchronisieren.
      2. Alternativ können Sie einen Computer oder einen bevorzugten Nachrichtenmanager verwenden.

figure-protocol-1
Abbildung 1: Aufbau der Versuchsausrüstung. (A) Die Markierungs-Motion-Capture-Kameras sind auf dem Boden und in der Decke um den Versuchsraum herum positioniert, um einen optimalen Raum für die Bewegungsverfolgung zu schaffen. Ein dedizierter Computer wird verwendet, um die Motion-Capture-Software auszuführen und die Daten zu speichern. (B) Das Headset, das zur Anzeige des modifizierten BBT in VR verwendet wird, ist mit einem dedizierten Computer verbunden, auf dem die virtuellen Bewertungs- und Aufgabendaten gespeichert werden. (C) Die EMG-Basis ist mit einem dedizierten Computer verbunden, auf dem die Muskelaktivitätsdaten während der Aufgabenausführung aufgezeichnet und gespeichert werden. EMG-Sensoren und LED-Marker für die Bewegungserfassung werden während der Sitzung am Arm des Probanden platziert (siehe Abbildung 2). Abkürzungen: VR = virtuelle Realität; EMG = Elektromyographie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

2. Experimentelle Verfahren

HINWEIS: Eine visuelle Darstellung des in diesem Protokoll beschriebenen experimentellen Ablaufs ist in Abbildung 2 dargestellt.

  1. EMG einrichten
    1. Um die Platzierung des EMG-Sensors für die beste Signalqualität zu bestimmen, tasten Sie den Muskelbauch ab, während der Teilnehmer den entsprechenden Muskelanspannt 27. In Tabelle 1 finden Sie die in diesem Protokoll verwendete Muskelauswahl.
    2. Reinigen Sie mit einem Alkoholtupfer sorgfältig jede Elektrode und die vorgesehene Sensorplatzierungsstelle am Arm des Probanden.
      HINWEIS: Eine gründliche Reinigung sowohl der EMG-Sensoren als auch der Haut des Probanden gewährleistet eine niedrige Elektroden-Haut-Impedanz. Dadurch wird sichergestellt, dass die aufgezeichneten EMG-Daten ein hohes Signal-Rausch-Verhältnis aufweisen. Überschüssiges Haar an der Platzierungsstelle des Sensors kann zu einer schlechten Datenqualität führen, selbst wenn sie ordnungsgemäß gereinigt wird. In diesem Fall kann es notwendig sein, die Haare zu rasieren.
    3. Nachdem Sie die EMG-Elektroden und die Haut des Probanden vorbereitet haben, platzieren Sie die EMG-Sensoren auf dem Probanden, um einen guten Kontakt zwischen den Elektroden und der Haut zu gewährleisten. Bipolare Elektroden sollten so positioniert werden, dass die Sensoren parallel zur Richtung der Muskelfasern stehen.
  2. Motion-Capture-System einrichten
    HINWEIS: Dies ist möglicherweise nicht erforderlich, wenn nur ein VR-Headset verwendet wird, um Handbewegungen für die Kinematik zu verfolgen.
    1. Kalibrieren Sie die Motion-Tracking-Kameras gemäß den Anweisungen des Herstellers. Bewegen Sie den Kalibrierstab durch den Experimentierraum, um die Motion-Tracking-Kameras zu kalibrieren und die 3D-Achse des Raums einzustellen.
      HINWEIS: Das in diesem Protokoll verwendete Marker-Motion-Capture-System enthält einen Kalibrierstab mit LED-Markierungen.
    2. Platzieren Sie die LED-Motion-Capture-Marker an den knöchernen Orientierungspunkten der oberen Extremität und des Rumpfes des Probanden, die für die Konstruktion der gewünschten biomechanischen Modelle benötigt werden.
    3. Verwenden Sie die mitgelieferte Motion-Capture-Software, um sicherzustellen, dass alle Marker von den Motion-Capture-Kameras erkannt und verfolgt werden. Weisen Sie den Probanden an, mehrere Übungsbewegungen auszuführen, während das Studienpersonal die Markerdaten in Echtzeit visuell überwacht.
  3. Einrichten einer Aufgabe zur Bewertung von VR-Fähigkeiten
    1. Positionieren Sie einen Stuhl in der Mitte des Motion-Capture-Experimentierraums. Verwenden Sie einen Stuhl, der dem für den herkömmlichen Test in der Praxis verwendeten Stuhl ähnelt.
    2. Kalibrieren Sie das VR-Headset auf dem Stuhl, auf dem der Proband die Bewertungsaufgabe ausführen wird. Weisen Sie den Probanden nach der Kalibrierung an, sich auf den Stuhl zu setzen und das VR-Headset auf den Kopf zu setzen.
    3. Messen Sie bei sitzender Person den Abstand zwischen der Schulter der Person und dem Boden sowie die Länge des Armes der Person. Verwenden Sie diese Entfernungen, um die Position festzulegen, an der die Tabelle und die Bewertungsaufgabe in VR angezeigt werden.
    4. Geben Sie im VR-Task-Control-Skript die Maße des Probanden ein und programmieren Sie die gewünschte Anzahl von Block-Spawn-Wiederholungen.
      HINWEIS: In diesem modifizierten BBT werden einzelne Blöcke nacheinander spawnen, um die Reproduzierbarkeit zu erhöhen.
  4. Weisen Sie den Probanden an, die modifizierte BBT-Bewertung in VR durchzuführen.
    1. Geben Sie dem Probanden eine kurze Erklärung der Aufgabe.
      1. Der virtuelle Block spawnt auf der linken oder rechten Seite, je nach Bestimmung des Experimentators.
      2. Erklären Sie dem Probanden, dass er den virtuellen Block aufnehmen, über die Partition transportieren und auf dem Ziel in der gegenüberliegenden Kammer platzieren muss (Abbildung 2).
        HINWEIS: In der hier verwendeten virtuellen modifizierten BBT verschwindet der Block automatisch und spawnt so oft an der Startposition, wie vom Experimentator festgelegt.
    2. Beginnen Sie mit dem Sammeln von EMG-Daten.
    3. Beginnen Sie mit dem Sammeln von Motion-Capture-Daten.
    4. Starten Sie die Aufgabe zur Bewertung der VR-Fähigkeiten.
      1. Lassen Sie die Aufgabe für die voreingestellte Anzahl von Wiederholungen laufen, bevor sie automatisch beendet wird.
    5. Speichern Sie die EMG- und kinematischen Daten für die Post-hoc-Analyse.
    6. Bestimmen Sie einen klinisch relevanten Score für die modifizierte BBT post-hoc als die Anzahl der Blöcke, die in 60 s erfolgreich über die Barriere oder Wiederholungen der Aufgabe übertragen wurden.

figure-protocol-2
Abbildung 2: Versuchsprotokoll, VR-Aufgabe und Aufbau des Probanden. (A) Flussdiagramm, das das hier verwendete Versuchsprotokoll beschreibt. (B) Beispielansicht eines modifizierten BBT, das in einer VR-Umgebung implementiert wurde. Anatomische Messungen werden verwendet, um die VR-Aufgabe zu kalibrieren und sicherzustellen, dass der virtuelle Tisch an der richtigen relativen Position spawnt. (C) Platzierung von LED-Motion-Capture-Markern und EMG-Sensoren auf dem Motiv. EMG-Sensoren werden an den interessierenden Muskeln platziert und LED-Motion-Capture-Marker werden über knöchernen Orientierungspunkten positioniert. Abkürzungen: VR = virtuelle Realität; EMG = Elektromyographie; LED = Leuchtdiode. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EMG-, Kinematik- und Kraftdaten, die von Probanden erhalten wurden, die dieses Protokoll verwenden, können verwendet werden, um Bewegungen bei Wiederholungen derselben Aufgabe sowie bei verschiedenen Aufgaben zu charakterisieren. Die hier gezeigten Daten stellen Ergebnisse von gesunden Kontrollteilnehmern dar, um die Machbarkeit dieses Aufbaus zu demonstrieren. Repräsentative EMG-Profile, die von einem gesunden Probanden aufgenommen wurden, der die modifizierte BBT in VR durchführte, sind in Abbildung 3 dargestellt. Es ist eine hohe Muskelaktivierung des vorderen Deltamuskels (DELT_A) zu sehen, was darauf hindeutet, dass er bei jeder Greifbewegung der primäre Beweger des Arms ist. Unterarm- und Handgelenkstreckmuskeln (ECU und ECR) wurden ebenfalls deutlich aktiviert, was darauf hindeutet, dass diese Muskeln verwendet werden, um das Greifen des Blocks während der gesamten Bewegung zu unterstützen. Schließlich deutet eine erhöhte Aktivität der Daumenmuskulatur (EPB und APB) auf ihre Verwendung beim Greifen und Lösen des Blocks hin. Während die EMG-Profile, die während der modifizierten BBT in VR aufgezeichnet wurden, ähnlich wie die reale Aufgabe waren, war die maximale Muskelaktivität während der VR-Bewertung reduziert. Diese Ergebnisse deuten darauf hin, dass sowohl das standardmäßige BBT in der realen Welt als auch das modifizierte BBT in VR ähnliche motorische Steuerungsmechanismen einsetzen.

VR-Hand-Tracking-Daten wurden verwendet, um kinematische Daten zu erhalten, die glatte Profile von Gelenkwinkeltrajektorien während der modifizierten BBT erzeugten, die in VR implementiert wurde (Abbildung 4). Die Verwendung von Daumen, Mittel- und Zeigefinger beim Greifen des Blocks ist durch Veränderungen des Gelenkwinkels sowohl am proximalen als auch am distalen Interphalangealgelenk gekennzeichnet (Abbildung 4). Die Gelenkwinkel der Finger 2 (Zeigefinger) und 3 (Mitte) ändern sich entlang ähnlicher Bahnen, was darauf hindeutet, dass sie gleichzeitig zum Greifen und anschließenden Loslassen des Blocks verwendet werden. Im Vergleich dazu zeigen die Finger 4 (Ring) und 5 (kleiner Finger) ein deutliches Muster in Gelenkwinkeländerungen an den proximalen und distalen Interphalangealgelenken. Dies deutet nicht nur darauf hin, dass sie nicht zum Greifen des Blocks verwendet wurden, sondern zeigt auch, dass ihre Bewegung gegenüber den Fingern 2 und 3 eine typische Bewegung außerhalb der Synergie markieren könnte, bei der diese Finger gebeugt bleiben, während der Block losgelassen wird. Diese fraktionierte Kontrolle der Fingerstreckung im Vergleich zur Flexion kann bei jemandem mit motorischen Defiziten nach einem Schlaganfall fehlen. Tabelle 2 zeigt die durchschnittlichen Verbindungswinkelbereiche während der Aufgabe. Darüber hinaus können auch das Timing jeder Bewegung oder Bewegungsphase, wie z. B. Greifen und Greifen, und die Anzahl der Wiederholungen in einem bestimmten Zeitraum aus den kinematischen Daten gemessen werden, die vom VR-Headset erhalten werden.

Die Qualität der aus diesem Protokoll gewonnenen Daten kann durch die gründliche Berücksichtigung mehrerer Faktoren maximiert werden. Wie bereits erwähnt, ist die Erfassung hochwertiger EMG-Daten auf einen engen Kontakt zwischen den Sensorelektroden und der Haut angewiesen. Wenn die Sensoren sicher positioniert sind, weisen EMG-Daten ein hohes Signal-Rausch-Verhältnis mit deutlichen Burst-Perioden auf, die anzeigen, wann sich die Muskeln aktiv zusammenziehen (Abbildung 5). Deutliche Ausbrüche elektrischer Aktivität, die der Muskelkontraktion entsprechen, können sowohl im ungefilterten (Abbildung 5A) als auch im gefilterten (Abbildung 5B) Signal mit minimalem Rauschen sichtbar gemacht werden. Abnorme oder unerwartete Erhöhungen der Signalamplitude können auf Bewegungsartefakte hinweisen, die durch eine unsichere Befestigung von EMG-Sensoren auf der Haut entstehen können. Werden verdrahtete Sensoren verwendet, kann dies auch durch Drähte entstehen, die während der Bewegung baumeln. Hochwertige Motion-Capture-Daten erfordern, dass die Gliedmaßen in klarer Kamerasicht bleiben, damit der Tracking-Algorithmus die relativen Koordinaten der verfolgten Punkte präzise auflösen kann. Große oder abrupte Änderungen der Koordinaten von verfolgten Punkten oder fehlende Koordinatenwerte weisen auf eine minderwertige Motion Capture-Datenqualität hin. Während die Interpolation von Markern verwendet werden kann, um fehlende Koordinaten zu berechnen, ist diese Methode nur für kurze Zeiträume relativ zur Dauer der Bewegung gültig.

figure-results-1
Abbildung 3: Repräsentative gefilterte und rektifizierte EMG-Profile, die von einem gesunden Probanden aufgenommen wurden, der 10 Wiederholungen der modifizierten BBT in VR durchführte. (A) Proximale Armbeuger (Bizeps kurzer Kopf, rot; Bizeps langer Kopf, grau; vorderer Deltamuskel, schwarz). (B) Proximale Armstrecker (Trizeps langer Kopf, grün; lateraler Trizeps, blau). (C) Distale Armflexoren (Flexor carpi ulnaris, rot; Flexor carpi radialis, schwarz). (D) Distale Armstrecker (Extensor carpi ulnaris, grün; Extensor carpi radialis, blau). (E) Finger- und Daumenmuskulatur (Flexor digitorum superficialis, rot; Extensor digitorum communis, grün; Extensor pollicis brevis, blau; Abductor pollicis brevis, braun). Diese Figur ist eine Adaption von Yough28. Abkürzungen: BBT = Box- und Blockaufgabe; EMG = Elektromyographie; BIC_SH = Bizeps kurzer Kopf; BIC_LO = Bizeps langer Kopf; DELT_A = vorderer Deltamuskel); TRI_LO = Trizeps langer Kopf; TRI_LAT = lateraler Trizeps; FCU = Flexor carpi ulnaris; FCR = Flexor carpi radialis; ECU = Extensor carpi ulnaris; ECR = Extensor carpi radialis; FDS = Flexor digitorum superficialis; EDC = extensor digitorum communis; EPB = Extensor pollicis brevis; APB = Abductor pollicis brevis. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 4: Repräsentative kinematische Profile, die von einem gesunden Probanden aufgenommen wurden, der 10 Wiederholungen der modifizierten BBT in VR durchführte. (A) Gelenkwinkel des Daumens an den CMC-, MCP- und IP-Gelenken. (B) Gelenkwinkel der MCP-Gelenke der Ziffern 2-5. (C) Gelenkwinkel der PIP-Gelenke der Ziffern 2-5. (D) Gelenkwinkel der DIP-Verbindungen der Ziffern 2-5. Die Zahlen nach jedem Gelenknamen geben den Finger an, dem jedes Gelenk entspricht (Daumen = 1, Zeigefinger = 2, Mitte = 3, Ring = 4, kleiner Finger = 5). Diese Figur ist eine Adaption von Yough28. Abkürzungen: CMC = Carpometacarpal; Ad/Ab = Adduktion/Abduktion; E/F = Streckung/Beugung; MCP = Metacarpophalangeal; IP = interphalangeal; PIP = proximales Interphalangeal; DIP = distale Interphalangealität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-3
Abbildung 5: Repräsentative EMG-Sensordaten. (A) Rohe und (B) gefilterte EMG-Signale von einem optimal platzierten, sicheren EMG-Sensor am Flexor carpi ulnaris. Diese Figur ist eine Adaption von Yough28. Abkürzungen: EMG = Elektromyographie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Delsys Sensor-NummerMuskel
1Flexor carpi ulnaris
2Flexor carpi radialis
3Extensor carpi ulnaris
4Extensor carpi radialis longus
5Knorrenmuskel
6Flexor digitorum superficialis
7Extensor digitorum communis
8Bizeps brachii - medialer/kurzer Kopf
9Bizeps brachii - lateraler/langer Kopf
10Trizeps brachii - langer Kopf
11Trizeps brachii - seitlicher Kopf
12Vorderer Deltamuskel
13Lateraler Deltamuskel
14Extensor pollicis brevis
15Abductor pollicis brevis

Tabelle 1: Muskelauswahl für EMG-Sensoren für die Aufzeichnung in diesem Protokoll.

FreiheitsgradMinimaler Gelenkwinkel (rad)Maximaler Gelenkwinkel (rad)Helligkeit (rad)
Supination-Pronation des Handgelenks0.240.680,44 ± 0,17
Handgelenkstreckung-Beugung-0.47-0.40,1 ± 0,06
Handgelenk-Adduktion-Abduktion-0.18-0.10,08 ± 0,03
Karpometakarpale Adduktion-Abduktion0.350.550,2 ± 0,09
Carpometacarpale Flexion-Extension0.050.240,18 ± 0,12
Daumen Mittelhandflexion-Extension-0.23-0.150,08 ± 0,02
Daumen Interphalangeale Flexion-Extension-0.56-0.480,09 ± 0,03
Index Metakarpalextension-Flexion0.250.50,25 ± 0,13
Index Proximale interphalangeale Extension-Flexion0.740.940.0.2 ± 0.14
Index Distale interphalangeale Extension-Flexion0.670.810,15 ± 0,1
Mittlere Mittelhandextension-Flexion0.250.460,2 ± 0,11
Mittlere proximale interphalangeale Extension-Flexion0.891.070,18 ± 0,11
Mittlere distale interphalangeale Extension-Flexion0.740.90,15 ± 0,1
Ringmetakarpal-Extension-Flexion0.220.420,2 ± 0,14
Ring Proximale interphalangeale Extension-Flexion0.91.10,2 ± 0,15
Ring Distale interphalangeale Extension-Flexion0.780.930,15 ± 0,1
Kleine Mittelhandextension-Flexion0.320.480,16 ± 0,04
Kleine proximale interphalangeale Extension-Flexion0.931.090,16 ± 0,09
Kleine distale interphalangeale Extension-Flexion0.760.90,14 ± 0,09

Tabelle 2: Durchschnittliche Gelenkwinkelbereiche während einer modifizierten BBT. Bewegungsrichtungen in DOF-Namen entsprechen negativ-positiven Richtungen. Zum Beispiel in "Handgelenkssupination-Pronation" ist die Supination in die negative Richtung und die Pronation in die positive Richtung.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EMG-Anlage
Die Hardware des EMG-Systems besteht aus 15 EMG-Sensoren, die zur Gewinnung von Muskelaktivierungsdaten verwendet werden. Eine kommerziell erhältliche Anwendungsprogrammierschnittstelle (API) wurde verwendet, um eine benutzerdefinierte EMG-Aufzeichnungssoftware zu generieren. Die Hardware des VR-Systems besteht aus einem Virtual-Reality-Headset, das zur Darstellung der immersiven VR-Umgebung verwendet wird, und einem Kabel, um das Headset mit dem dedizierten Computer zu verbinden, auf dem die virtuelle Bewertungsaufgabe gespeichert ist. Die Software besteht aus einer 3D-Computergrafiksoftware zum Erstellen und Ausführen der VR-Aufgabe. Hier wurde ein modifizierter Box- und Blocktest, adaptiert von der beliebten manuellen Geschicklichkeitsbewertung26, als Bewertungsaufgabe verwendet. Die Interaktion mit der VR-Umgebung wurde durch die Verwendung eines Softwareprogramms ermöglicht, das entwickelt wurde, um den Ort zu berechnen, an dem der Tisch spawnt, die Aufgabe zu starten, Blöcke zu erzeugen und die Daten zu speichern.

Motion-Capture-System
Die Hardware des Motion-Capture-Systems besteht aus dem VR-Headset, dem Marker-Motion-Capture-System und dem VR-Motion-Controller. Das VR-Headset ist mit einer Hand-Tracking-Funktion durch vier eingebaute Infrarotkameras (72-120 Hz) ausgestattet. Diese Daten wurden für die kinematische Analyse aus dem Gerät extrahiert. Das Marker-Motion-Capture-System besteht aus einem Server, Kameras mit einem Sichtfeld von 60°, einer roten Leuchtdiode (LED) als Marker und einem Kalibrierungsobjekt. Um den Raum genau zu erfassen, müssen sich die Kameras leicht überlappen. Während des Experiments wurde ein bestimmter Aufnahmebereich von acht Kameras (480 Hz) umgeben, wobei sich vier an der Decke und vier am Boden befanden. Dieses System wurde vor dem Experiment kalibriert und ausgerichtet. Marker-Motion-Capture-Systeme können bevorzugt werden, da sie hochauflösende kinematische Daten sowohl für klinische als auch für Forschungsanwendungen liefern. Der VR-Motion-Controller enthält ein optisches Hand-Tracking-Modul, das die Hand- und Fingerbewegungen erfasst. Der Controller verfügt über zwei Nahinfrarotkameras mit 640 x 240 Pixeln (120 Hz), die in der Lage sind, Bewegungen bis zu 60 cm vom Gerät entfernt und in einem Sichtfeld von 140 x 120° zu verfolgen. Dieses Gerät wurde an der VR-Brille befestigt oder während der Bewegung über dem Kopf gesichert. 3D-Computergrafik-Entwicklungssoftware wurde verwendet, um die Handverfolgung zu visualisieren und Daten aus der VR-Umgebung zu sammeln. Die Daten von den markerlosen und markerlosen Motion-Capture-Systemen wurden mit Hilfe von benutzerdefinierten Softwareprogrammskripten erfasst und gespeichert. Beispiele für Software-Programmskripte finden Sie unter: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0.

Möglicher Austausch von Geräten
In diesem Protokoll werden drahtlose, bipolare Oberflächen-EMG-Elektroden verwendet, aber auch andere EMG-Technologien (verdrahtet usw.) können ersetzt werden. Bei Verwendung von handelsüblichen Sensoren, wie in der Materialtabelle beschrieben, kann die mitgelieferte Datenerfassungssoftware anstelle der benutzerdefinierten Softwareskripte (Abtastrate von 2.000 Hz) verwendet werden. Wenn alternative EMG-Sensoren verwendet werden, sollte auch Software verwendet werden, die mit diesem System kompatibel ist.

Anstatt das VR-Headset über ein Kabel mit dem Computer zu verbinden, kann das VR-Headset die interaktive Umgebung im Headset speichern. Die Implementierung der Funktion in zukünftigen Anwendungen für die Take-Home-Rehabilitation wäre für den Patienten von Vorteil. Das hier verwendete VR-Headset kann durch ein anderes immersives VR-Headset ersetzt werden. Vor der Substitution müsste dafür die Kompatibilität mit der Spieleentwicklungssoftware validiert werden.

Für die Erstellung der in diesem Protokoll beschriebenen virtuellen Umgebung und Aufgabe kann alternative Entwicklungssoftware verwendet werden. Darüber hinaus können andere klinische Bewertungen, die in VR übersetzt wurden, anstelle der hier dargestellten modifizierten BBT verwendet werden (z. B. der Action Research Arm Test (ARAT) oder der Graded Redefined Assessment of Strength, Sensation, and Prehension (GRASSP)). Während die BBT zur Beurteilung eines breiten Spektrums von neurologischen Verletzungen verwendet werden kann, würde die Verwendung alternativer klinischer Aufgaben die Bewertung anderer Bewegungsstörungen ermöglichen. Das GRASSP wird beispielsweise in erster Linie zur Beurteilung von Patienten mit Querschnittlähmung eingesetzt, während das ARAT am häufigsten zur Beurteilung von Hemiplegien aufgrund einer kortikalen Schädigung eingesetzt wird. Virtuelle Bewertungen könnten auch ohne Kontrolle durch ein Softwareprogrammskript (d. h. eigenständig) durchgeführt werden, aber die Datenerfassung und die Steuerung der Testverwaltung müssten berücksichtigt werden. Für die Bewertung von Fähigkeiten könnte ein greifbarer Box-and-Block-Test (BBT) anstelle der in VR26 entwickelten Aufgabe verwendet werden. Die Verwendung von Geräten aus der realen Welt würde eine alternative Motion-Capture-Technologie anstelle der von einem VR-Headset aufgezeichneten Hand-Tracking erfordern.

Zur Verfolgung der Handkinematik kann eine alternative zuverlässige Markierung oder markerlose Bewegungserfassung verwendet werden. Zum Beispiel kann VR-basierte Bewegungserfassung verwendet werden, um die Einrichtung zu vereinfachen und gleichzeitig die notwendigen Hand-Tracking-Daten zu erhalten, um kinematische Informationen zu extrahieren. Das hier verwendete Marker-Motion-Capture-System umfasst eine Software zur Kalibrierung des experimentellen Motion-Capture-Raums und zum Betrieb der Kameras (Abtastrate von 480 Hz). Es sollte eine alternative Motion-Capture-Technologie mit der entsprechenden Software verwendet werden.

In Abbildung 1 sind separate Computer dargestellt, auf denen jeweils eine andere Hardwarekomponente ausgeführt wird. Auf einem einzigen Hochleistungsrechner kann die gesamte Software für die Datenerfassung und VR ausgeführt werden. In dem hier beschriebenen Protokoll ist für die Verwendung von drei separaten Computern eine Datensynchronisierung erforderlich. Die rechtzeitige Synchronisierung der Daten über Geräte hinweg ist entscheidend für EMG-, Kinematik- und Force-Daten, um aussagekräftige Schlussfolgerungen zu ziehen. Benutzerdefinierte Softwareprogrammskripte mit einer integrierten datetime-Funktion wurden verwendet, um die Weltzeit auf jedem System zu Beginn der Aufgabe aufzuzeichnen. Entscheidend ist, dass alle Computer mit demselben Netzwerk verbunden sein müssen, damit diese Skripts ordnungsgemäß funktionieren. Nachdem die Startzeit mit datetime aufgezeichnet wurde, nutzten die Datenerfassungsskripte die tic- und toc-Funktionen, um die Zeit während des Versuchs zu erhöhen. Diese Funktionen haben eine Genauigkeit von ca. 0,000001 s, so dass Daten möglicherweise bei 1.000 kHz aufgezeichnet werden können. In unserem Setup liegt die höchste Abtastfrequenz bei 30 kHz, was weit unter den maximalen Möglichkeiten dieser Methode für die Aufzeichnung und Synchronisierung von Zeit auf verschiedenen Geräten liegt. Eine in Python entwickelte TCP-IP-Messaging-Anwendung (Transmission Control Protocol/Internet Protocol)29 wurde verwendet, um Daten zwischen der VR-Umgebung und der Datenerfassungsanwendung auf der Grundlage der IP-Adresse zu übertragen.

Neben der Sicherstellung der Zeitsynchronisation war es von entscheidender Bedeutung, Daten zu synchronisieren, die mit unterschiedlichen Abtastfrequenzen erfasst wurden. Zwei der Computer wurden manuell gestartet, um Motion-Capture-Daten (480 Hz) und EMG-Daten (2000 Hz) zu erfassen. Frühere Studien haben benutzerdefinierte Synchronisationsschaltungen verwendet, um ein gemeinsames Ereignis zwischen Systemen an Orientierungspunkten zu senden (z. B. wird ein Synchronisationsimpuls gesendet, wenn die Datenaufzeichnung beginnt, und erneut, wenn die Aufzeichnung endet)30. Hier ermöglicht die Verwendung der datetime-, tic- und toc-Funktionen des Softwareprogramms eine Synchronisierung, ohne dass zusätzliche Hardware erforderlich ist. Die hier eingesetzte kommerziell erhältliche TCP-IP-Messaging-Anwendung unterstützte zudem die durchgängige Kommunikation über Systeme hinweg. Dieses Framework für die Synchronisierung von Zeit und Datenerfassungshäufigkeiten über Systeme hinweg funktionierte auch dazu, Daten für erweiterte Post-hoc-Analysen konsistent zu organisieren.

Das hier beschriebene experimentelle Protokoll ist extrem anpassbar, um den unterschiedlichen Bedürfnissen von klinischen oder Forschungsgruppen gerecht zu werden, mit dem Potenzial, sowohl in klinischen als auch in häuslichen/entfernten Umgebungen angewendet zu werden. Während wir eine Bewertung der Muskelaktivität und Kinematik mit Hilfe eines modifizierten BBT in VR beschrieben haben, kann ein ähnlicher Aufbau für verschiedene klinische Tests verwendet werden und kann bei reduzierten Datensätzen sogar vereinfacht werden. So können z.B. EMG- und Kraftsensoren ausgeschlossen werden, wenn nur kinematische Daten benötigt werden. Die reine Erfassung kinematischer Daten würde lediglich den Einsatz eines Motion-Capture-Systems erfordern. Zusätzliche Hardware wie Elektroenzephalographie oder Elektrokardiographie könnte ebenfalls integriert werden, um zusätzliche Daten aufzuzeichnen. Anstelle von Standard-Oberflächen-EMG-Elektroden kann ein Oberflächen-EMG mit hoher Dichte oder ein intramuskuläres EMG verwendet werden, um genauere Muskelaktivitätsdaten aufzuzeichnen31,32. Darüber hinaus können andere funktionelle klinische Tests, wie z. B. ARAT oder GRASSP, verwendet werden, um motorische Defizite in verschiedenen Patientenpopulationen zu bewerten. Während der hier beschriebene Aufbau in erster Linie für Forschungszwecke gedacht ist, um Bewegungsdefizite in VR besser quantifizieren zu können, wollen wir einen ähnlichen Aufbau entwickeln, um eine Fernüberwachung und -rehabilitation von Patienten zu ermöglichen. Wir gehen davon aus, dass dieses Protokoll mit Standard-VR-Brillen für Verbraucher, die mit Handbewegungsverfolgung ausgestattet sind, in Kombination mit einem tragbaren EMG-Aufzeichnungsgerät leicht angepasst werden kann. In zukünftigen Studien wollen wir dieses Protokoll für den Heimgebrauch weiterentwickeln, indem wir eine kostengünstige, tragbare EMG-Hülle mit hoher Dichte einbauen, die derzeit entwickelt wird.

Im Vergleich zur traditionellen Physio- oder Ergotherapie in einer Klinik oder einem Rehabilitationszentrum bietet die VR-Rehabilitation viele potenzielle Vorteile. Während das hier beschriebene Protokoll in erster Linie für Forschungszwecke gedacht ist, können virtuelle Auswertungsmethoden möglicherweise aus der Ferne und mit handelsüblichen Geräten implementiert werden, ohne dass teure, spezialisierte medizinische Geräte erforderlich sind. Darüber hinaus sind VR-Systeme in der Lage, Handbewegungen quantitativ zu verfolgen, um Einblicke in die Bewegungsqualität zu erhalten, was mit der Standardbewertung möglicherweise nicht möglich ist33,34. Die Vergleichbarkeit von Bewegungen in VR mit realen Aufgaben bleibt ein intensives Studienthema, und zukünftige Erkenntnisse werden sich darauf auswirken, wie VR für die Rehabilitation eingesetzt werden kann. Bei dem hier beschriebenen Vorgehen handelt es sich um einen flexiblen Aufbau, der mithilfe von VR standardisierte Bewegungen steuert und individuelle Kinematik- und EMG-Daten erhält. Daten, die aus Studien gewonnen wurden, die den beschriebenen Aufbau verwenden, können auch Einblicke in die Art und Weise geben, wie sich Individuen in der virtuellen Umgebung bewegen, und mögliche Mechanismen, durch die einige Probanden VR als immersiver empfinden. Dies ist von entscheidender Bedeutung, wenn es darum geht, reale klinische Bewertungen in eine VR-Umgebung zu übertragen.

Mehrere Schritte bei der Einrichtung und Ausführung dieses Protokolls müssen sorgfältig überwacht werden, um qualitativ hochwertige, genaue Daten zu erhalten. Von größter Bedeutung ist die richtige Platzierung des EMG-Sensors. Saubere, genaue EMG-Daten mit einem hohen Signal-Rausch-Verhältnis erfordern, dass die Sensoren auf desinfizierter, haarfreier Haut über dem Bauch des ausgewählten Muskels platziert werden27. Wenn ein Marker-Motion-Capture-System verwendet wird, müssen Marker genau auf knöchernen Orientierungspunkten platziert werden, um zuverlässige Daten für die Berechnung der interessierenden Gelenkwinkel zu erfassen. Im Vergleich zu den EMG-Sensoren gibt es eine gewisse Flexibilität in der Ausrichtung von Motion-Capture-Markern, aber es sollten immer mindestens drei nicht-kolineare Punkte verwendet werden, um die Position eines starren Körpers im Raum35 zu definieren. Bestimmte Techniken zur Berechnung von Gelenkwinkeln, wie z. B. die modellbasierte inverse Kinematik, erfordern eine exakte Platzierung von Markierungen. Bei Verwendung dieser Methode sollten die Positionen der experimentellen Marker mit denen des Modells36 übereinstimmen. Muskuloskelettale Modellierungssoftware, die für die Berechnung der inversen Kinematik entwickelt wurde, enthält in der Regel integrierte Rechenfunktionen für den Abgleich des Modells und der experimentellen Markerpositionen. OpenSim, eine von der Stanford University37 entwickelte Plattform, wird häufig für diese Art der Analyse verwendet. Sowohl die Sicherheit des EMG-Sensors als auch der Markierung sollte während der gesamten Aufgabe überwacht werden, um sicherzustellen, dass qualitativ hochwertige Daten aufgezeichnet werden.

Wenn die von diesem Protokoll abgerufenen Daten verrauscht sind, sollte sich die Fehlerbehebung auf die Berücksichtigung mehrerer Schritte konzentrieren. Erstens kann eine schlechte Platzierung des EMG-Sensors zu verrauschten Daten führen und sollte überprüft werden. Um dieses Problem zu mildern, ist die Hautvorbereitung vor dem Anbringen des EMG-Sensors wichtig, wie bereits erwähnt. Darüber hinaus kann es zu minderwertigen Motion-Capture-Daten kommen, wenn sich die Marker außerhalb des Bereichs der Kameras bewegen. Ein kurzer Verlust von verfolgten Punkten kann durch Interpolation behoben werden, aber wenn Marker weiterhin keine genauen Positionsdaten übertragen, können schwerwiegendere zugrunde liegende Probleme auftreten. Wenn ein einzelner Marker wiederholt ausfällt, kann dies darauf hindeuten, dass der Marker entweder durch die Bewegung des Motivs verdeckt wird oder sich außerhalb des Kamerabereichs bewegt. Darüber hinaus kann eine fehlerhafte Kamerakalibrierung dazu führen, dass mehrere Marker fehlschlagen. In diesem Szenario ist es am besten, das Motion-Capture-System vollständig neu zu kalibrieren, nachdem das Subjekt und die Testausrüstung aus dem Versuchsraum entfernt wurden. Darüber hinaus sollte eine ausreichende Beleuchtung verwendet werden, da Umgebungen mit schlechten Lichtverhältnissen die Erfassung hochwertiger Bewegungserfassungsdaten behindern können.

Das beschriebene Protokoll hat mehrere Einschränkungen. Zunächst erfordert das hier dargestellte Setup den Einsatz mehrerer Motion-Capture-Kameras. Die Absicht dieses Protokolls ist es jedoch, hochauflösende Daten zu sammeln, um Bewegungsdefizite in VR besser zu quantifizieren, bevor klinische Untersuchungen aus der Ferne durchgeführt werden, die vom Patienten allein durchgeführt werden können. Darüber hinaus fehlt es bei Aufgaben, die in VR ausgeführt werden, an taktilem Feedback. Dies ist wichtig zu beachten, da das taktile Feedback allein die Größe der Greifkraft38,39 verändern kann. Dies kann sich auf die Muskelaktivierung oder die Kinematik auswirken, wenn eine Aufgabe in einer virtuellen Umgebung ausgeführt wird, anstatt materielle Geräte zu verwenden. Wenn man davon ausgeht, dass taktiles Feedback von entscheidender Bedeutung ist (z. B. wenn Patienten auch sensorische Defizite haben), kann der Einsatz von haptischen Robotern zur Nachahmung des taktilen Feedbacks einbezogen werden. Trotz dieser Einschränkung gehen wir davon aus, dass die Daten aus dem hier beschriebenen Aufbau entscheidend für die Quantifizierung von Veränderungen der Kinematik und Muskelaktivität bei reinen VR-Aufgaben für Patienten mit Bewegungsstörungen sein werden. Dies wird dazu beitragen, solche klinischen Tests für den Heimgebrauch anzupassen. Eine weitere Einschränkung dieses Protokolls besteht darin, dass während des Tests jeweils ein einzelner Block präsentiert wird. In der Standard-BBT werden zunächst 150 Holzklötze in ein Fach der Box gelegt. Diese modifizierte BBT wurde entwickelt, um die Reproduzierbarkeit der aufgezeichneten Motion-Capture- und EMG-Daten zu erhöhen, indem ein Block simuliert wird, der am selben virtuellen Ort respawnt. Daher ist die modifizierte BBT, die in VR implementiert ist, wahrscheinlich eine vereinfachte Aufgabe. In zukünftigen Studien wird es wichtig sein, dass die modifizierte BBT in VR mit dem Aufbau der Standard-BBT konsistent ist, um die Validität der Inhalte zu gewährleisten.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte anzugeben.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wurde vom Office of the Assistant Secretary of Defense for Health Affairs im Rahmen des Restoring Warfighters with Neuromusculoskeletal Injuries Research Program (RESTORE) unter der Auszeichnung Nr. W81XWH-21-1-0138 unterstützt. Meinungen, Interpretationen, Schlussfolgerungen und Empfehlungen sind die der Autoren und werden nicht unbedingt vom Verteidigungsministerium unterstützt.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Armloser StuhlN/AEin Stuhl, auf dem die Probanden sitzen können, sollte armlos sein, damit ihre Arme nicht beeinträchtigt werden.
ComputerDell TechnologiesDrei Computer wurden verwendet, um die Datenerfassungsgeräte zu begleiten.
Leap Motion ControllerUltraleapOptisches Hand-Tracking-Modul, das die Hand- und Fingerbewegungen erfasst. Der Controller verfügt über zwei Nahinfrarotkameras mit einer Auflösung von 640 x 240 Pixeln (120 Hz), die in der Lage sind, Bewegungen bis zu 60 cm vom Gerät entfernt und in einem 140 x 120°; Sichtfeld. Dieses Gerät wurde an der VR-Brille befestigt oder während der Bewegung über dem Kopf gesichert.
MATLABMathWorks, Inc. Programmierplattform zur Entwicklung der benutzerdefinierten Datenerfassungssoftware
Oculus Quest 2Meta ImmersivesVirtual-Reality-Headset mit Hand-Tracking-Funktion über 4 eingebaute Infrarotkameras (72-120 Hz). Kann durch andere ähnliche Geräte ersetzt werden (z. B. HTC Vive, HP Reverb, Playstation VR).
Oculus Quest 2 Link KabelMetaWird verwendet, um das Headset mit dem Computer zu verbinden, auf dem das VR-Spiel gespeichert wurde
PhaseSpace Motion CapturePhaseSpace, Inc.Markered Motion-Capture-System, bestehend aus einem Server, Kameras mit einem Sichtfeld von 60°, einer roten Leuchtdiode (LED) als Marker und einem Kalibrierungsobjekt
Trigno Wireless SystemDelsys, Inc.Von Delsys Inc., umfasst EMG, Beschleunigungsmesser, Kraftsensoren, eine Basisstation und eine Erfassungssoftware. Die Trigno-MATLAB Application Programming Interface (API) wurde verwendet, um eine kundenspezifische Aufzeichnungssoftware zu entwickeln.
UnReal Engine 4Epic GamesSoftware zum Erstellen und Ausführen der modifizierten Box-and-Block-Aufgabe in VR

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rosenbaum, D. A. Human motor control. , Elsevier Inc. (2010).
  2. Kalsi-Ryan, S., Curt, A., Fehlings, M., Verrier, M. Assessment of the hand in tetraplegia using the Graded Redefined Assessment of Strength, Sensibility and Prehension (GRASSP): impairment versus function. Topics in Spinal Cord Injury Rehabilitation. 14 (4), 34-46 (2009).
  3. Kalsi-Ryan, S., et al. The Graded Redefined Assessment of Strength Sensibility and Prehension: reliability and validity. Journal of Neurotrauma. 29 (5), 905-914 (2012).
  4. Menorca, R. M. G., Fussell, T. S., Elfar, J. C. Nerve physiology. Hand Clinics. 29 (3), 317-330 (2013).
  5. Spinal cord injury. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/disorders/spinal-cord-injury (2023).
  6. Peripheral neuropathy. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/patient-caregiver-education/fact-sheets/peripheral-neuropathy-fact-sheet (2023).
  7. Statistics: Get informed about Parkinson's disease with these key numbers. Parkinson's Foundation. , Available from: https://www.parkinson.org/understanding-parkinsons/statistics (2023).
  8. Virani, S. S., et al. Heart disease and stroke statistics-2021 update: a report from the American Heart Association. Circulation. 143 (8), e254(2021).
  9. Hsieh, Y., et al. Responsiveness and validity of three outcome measures of motor function after stroke rehabilitation. Stroke. 40 (4), 1386-1391 (2009).
  10. Van Der Lee, H., Beckerman, H., Lankhorst, G. J., Bouter, L. M. The responsiveness of the action research arm test and the Fugl-Meyer assessment scale in chronic stroke patients. Journal of Rehabilitation Medicine. 33 (3), 110-113 (2001).
  11. Duncan, P., et al. Randomized clinical trial of therapeutic exercise in subacute stroke. Stroke. 34 (9), 2173-2180 (2003).
  12. Saposnik, G., et al. Efficacy and safety of non-immersive virtual reality exercising in stroke rehabilitation (EVREST): a randomised, multicentre, single-blind, controlled trial. The Lancet Neurology. 15 (10), 1019-1027 (2016).
  13. Wolf, S. L., et al. The EXCITE stroke trial: Comparing early and delayed constraint-induced movement therapy. Stroke. 41 (10), 2309-2315 (2010).
  14. Krakauer, J. W., Carmichael, S. T. Broken movement: the neurobiology of motor recovery after stroke. , The MIT Press. Cambridge, MA. (2017).
  15. Pollock, A., et al. Interventions for improving upper limb function after stroke. Cochrane Database of Systematic Reviews. 2014 (11), (2014).
  16. Olesh, E. V., Yakovenko, S., Gritsenko, V. Automated assessment of upper extremity movement impairment due to stroke. PLoS ONE. 9 (8), e104487(2014).
  17. Gritsenko, V., et al. Feasibility of using low-cost motion capture for automated screening of shoulder motion limitation after breast cancer surgery. PLOS ONE. 10 (6), e0128809(2015).
  18. Thomas, A. B., Olesh, E. V., Adcock, A., Gritsenko, V. Muscle torques and joint accelerations provide more sensitive measures of poststroke movement deficits than joint angles. Journal of Neurophysiology. 126 (2), 591-606 (2021).
  19. De Luca, C. Electromyography. Encyclopedia of Medical Devices and Instrumentation. , (2006).
  20. Lin, C. -J., Guo, L. -Y., Su, F. -C., Chou, Y. -L., Cherng, R. -J. Common abnormal kinetic patterns of the knee in gait in spastic diplegia of cerebral palsy. Gait & Posture. 11 (3), 224-232 (2000).
  21. Lin, J., Shah, D., McCracken, C., Verma, S. Quantitative EMG in Duchenne muscular dystrophy (P6.328). Neurology. 86, (2016).
  22. EMG test for neuromuscular disease. Brigham and Women's Hospital. , Available from: https://www.brighamandwomens.org/medical-resources/emg-test (2023).
  23. Kuthe, C. D., Uddanwadiker, R. V., Ramteke, A. A. Surface electromyography based method for computing muscle strength and fatigue of biceps brachii muscle and its clinical implementation. Informatics in Medicine Unlocked. 12, 34-43 (2018).
  24. Holtermann, A., Grönlund, C., Karlsson, J. S., Roeleveld, K. Motor unit synchronization during fatigue: Described with a novel sEMG method based on large motor unit samples. Journal of Electromyography and Kinesiology. 19 (2), 232-241 (2009).
  25. Kim, H., Lee, J., Kim, J. Electromyography-signal-based muscle fatigue assessment for knee rehabilitation monitoring systems. Biomedical Engineering Letters. 8 (4), 345-353 (2018).
  26. Mathiowetz, V., Volland, G., Kashman, N., Weber, K. Adult norms for the box and block test of manual dexterity. American Journal of Occupational Therapy. 39 (6), 386-391 (1985).
  27. Hermens, H. J., Freriks, B., Disselhorst-Klug, C., Rau, G. Development of recommendations for SEMG sensors and sensor placement procedures. Journal of Electromyography and Kinesiology. 10 (5), 361-374 (2000).
  28. Yough, M. Advancing medical technology for motor impairment rehabilitation: Tools, protocols, and devices. Graduate Theses, Dissertations, and Problem Reports. , (2023).
  29. Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., Schwartz, A. B. Cortical control of a prosthetic arm for self-feeding. Nature. 453 (7198), 1098-1101 (2008).
  30. Talkington, W. J., Pollard, B. S., Olesh, E. V., Gritsenko, V. Multifunctional setup for studying human motor control using transcranial magnetic stimulation, electromyography, motion capture, and virtual reality. Journal of Visualized Experiments. (103), e52906(2015).
  31. Murillo, C., et al. High-density electromyography provides new insights into the flexion relaxation phenomenon in individuals with low back pain. Scientific Reports. 9 (1), 15938(2019).
  32. Péter, A., et al. Comparing surface and fine-wire electromyography activity of lower leg muscles at different walking speeds. Frontiers in Physiology. 10, 1283(2019).
  33. Isenstein, E. L., et al. Rapid assessment of hand reaching using virtual reality and application in cerebellar stroke. PLOS ONE. 17 (9), e0275220(2022).
  34. Varela-Aldás, J., Buele, J., López, I., Palacios-Navarro, G. Influence of hand tracking in immersive virtual reality for memory assessment. International Journal of Environmental Research and Public Health. 20 (5), 4609(2023).
  35. Robertson, D., et al. Human kinetics. Research methods in biomechanics. , Champaign, IL. (2004).
  36. Dunne, J. J., Uchida, T. K., Besier, T. F., Delp, S. L., Seth, A. A marker registration method to improve joint angles computed by constrained inverse kinematics. PLOS ONE. 16 (5), e0252425(2021).
  37. Delp, S. L., et al. OpenSim: Open-source software to create and analyze dynamic simulations of movement. IEEE Transactions on Biomedical Engineering. 54 (11), 1940-1950 (2007).
  38. Naceri, A., Gultekin, Y. B., Moscatelli, A., Ernst, M. O. Role of tactile noise in the control of digit normal force. Frontiers in Psychology. 12, 612558(2021).
  39. Wottawa, C. R., et al. The role of tactile feedback in grip force during laparoscopic training tasks. Surgical Endoscopy. 27 (4), 1111-1118 (2013).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Virtual Box And BlockMotion CaptureSurface ElectromyographyMuscle Activity AssessmentVirtual Reality RehabilitationRemote Patient MonitoringHand Function TestMotor Impairment QuantificationEMG SensorsUpper Limb Movement

Verwandte Artikel