Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Gehirn-Computer-Schnittstelle-gesteuertes Robotersystem für die oberen Gliedmaßen zur Verbesserung der täglichen Aktivitäten bei Schlaganfallpatienten

2.5K Aufrufe

⸱

DOI:

10.3791/67601

⸱

18. April 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

In dieser Studie wird ein Gehirn-Computer-Interface (BCI)-System für Schlaganfallpatienten vorgestellt, das Elektroenzephalographie- und Elektrookulographie-Signale kombiniert, um eine Roboterhand der oberen Gliedmaßen zu steuern und so die täglichen Aktivitäten zu verbessern. Bei der Evaluation wurde der Berliner Bimanuelle Test für Schlaganfall (BeBiTS) durchgeführt.

Zusammenfassung

In dieser Studie wird ein Brain-Computer Interface (BCI)-gesteuerter Assistenzroboter für die Rehabilitation nach einem Schlaganfall vorgestellt. Das System nutzt Elektroenzephalogramm (EEG) und Elektrookulogramm (EOG) Signale, um den Benutzern zu helfen, die Funktion der oberen Gliedmaßen bei alltäglichen Aufgaben zu unterstützen, während sie mit einer Roboterhand interagieren. Wir haben die Wirksamkeit dieses BCI-Robotersystems mit dem Berlin Bimanual Test for Stroke (BeBiTS) bewertet, einem Set von 10 Aufgaben des täglichen Lebens, bei denen beide Hände beteiligt sind. Acht Schlaganfallpatienten nahmen an dieser Studie teil, aber nur vier Teilnehmer konnten sich an das BCI-Robotersystemtraining anpassen und das postBeBiTS durchführen. Insbesondere wenn die preBeBiTS-Punktzahl für jedes Item vier oder weniger betrug, zeigte das BCI-Robotersystem eine größere assistive Wirksamkeit bei der postBeBiTS-Bewertung. Darüber hinaus unterstützt unsere derzeitige Roboterhand die Arm- und Handgelenksfunktionen nicht, was ihren Einsatz bei Aufgaben einschränkt, die komplexe Handbewegungen erfordern. Es sind mehr Teilnehmer erforderlich, um die Trainingswirksamkeit des BCI-Robotersystems zu bestätigen, und zukünftige Forschung sollte den Einsatz von Robotern in Betracht ziehen, die ein breiteres Spektrum an Funktionen der oberen Gliedmaßen unterstützen können. Ziel dieser Studie war es, die Fähigkeit des BCI-Robotersystems zu bestimmen, Patienten bei der Durchführung von Aktivitäten des täglichen Lebens zu unterstützen.

Einleitung

Eine Beeinträchtigung der Funktion der oberen Extremitäten aufgrund eines Schlaganfalls schränkt die Fähigkeit ein, alltägliche Aktivitäten auszuführen, insbesondere bimanuelle Tätigkeiten1. Die Handrehabilitation ist daher ein wichtiger Bestandteil der Schlaganfallrehabilitation, wobei die Spiegeltherapie2 und die Constraint-Induced Movement Therapy (CIMT)3 bekannte Ansätze sind. Neuere Forschungen deuten darauf hin, dass EEG-basierte Brain-Computer Interface (BCI)-Robotersysteme eine wirksame unterstützende Therapie zur Verbesserung der Wiederherstellung der Handfunktion bei Schlaganfallpatienten sein können 4,5,6. BCI-Robotersysteme konzentrieren sich darauf, die aktive Absicht des Patienten, eine motorische Bewegung zu versuchen, mit seiner Leistung zu koppeln. Es wird aktiv geforscht, um festzustellen, ob dieser Ansatz für die Rehabilitation wirksam ist 7,8,9,10,11,12,13.

In dieser Studie stellen wir ein BCI-gesteuertes assistives Robotersystem für die oberen Gliedmaßen vor, das Schlaganfallpatienten bei der Ausführung bimanueller Tätigkeiten unterstützen soll. Das System verwendet Elektroenzephalogramme (EEG), um Gehirnsignale zu erkennen und zu interpretieren, die mit motorischen Bildern verbunden sind, und kombiniert sie mit Elektrookulogrammen (EOG) für zusätzliche Steuereingaben. Diese neurophysiologischen Signale ermöglichen es den Patienten, eine Roboterhand zu steuern, die bei Fingerbewegungen unterstützt14. Dieser Ansatz schließt die Lücke zwischen dem Bewegungsdrang des Patienten und der körperlichen Leistungsfähigkeit, was möglicherweise die motorische Erholung erleichtert und die Unabhängigkeit bei täglichen Aufgaben erhöht.

Forscher der Charité Medizinische Universität Berlin haben mit dem Berlin Bimanual Test for Stroke (BeBiTS) ein umfassendes Bewertungsinstrument entwickelt, um die Wirksamkeit dieses BCI-Robotersystemszu bewerten 15. Der BeBiTS bietet ein quantitatives Maß für die funktionelle Verbesserung, indem er die Fähigkeit bewertet, zehn bimanuelle Tätigkeiten auszuführen, die für das tägliche Leben unerlässlich sind. Die Bewertung bewertet jede Aufgabe einzeln und bewertet fünf Komponenten der Handfunktion: Greifen, Greifen, Stabilisieren, Manipulieren und Heben. Es ermöglicht eine umfassende Bewertung der funktionellen Verbesserungen der Patienten, wobei der Schwerpunkt auf den Aktivitäten des täglichen Lebens liegt. Darüber hinaus ermöglicht es uns, den Beitrag des BCI-Robotersystems zur Verbesserung spezifischer Handfunktionen zu quantifizieren. Ziel dieser Studie ist es daher, ein effektives BCI-Assistenzrobotersystem zu entwickeln, indem die BeBiTS-Scores vor und nach dem Training bei Schlaganfallpatienten verglichen werden.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Das Institutional Review Board des Seoul National University Bundang Hospital prüfte und genehmigte alle experimentellen Verfahren (IRB-Nr. B-2205-756-003). Wir haben acht Schlaganfallpatienten rekrutiert und die relevanten Details ausführlich erläutert, bevor wir ihre Einwilligung eingeholt haben. Nach Einholung der Einwilligungserklärung läuft das Protokoll wie folgt ab: Wir führen vor dem BCI-Training ein BeBiTS-Assessment durch, gefolgt von einem BCI-Training mittels EOG und EEG. Anschließend tragen die Teilnehmer den Roboter, um ein weiteres BeBiTS-Assessment durchzuführen (Abbildung 1).

1. Einrichtung des BCI-Roboter-Trainingssystems

  1. Patientenrekrutierung
    1. Führen Sie den Screening-Prozess anhand der folgenden Einschlusskriterien durch.
      1. Ausgewählte Patienten im Alter von 20 bis 68 Jahren mit eingeschränkten Funktionen der oberen Extremitäten.
      2. Wählen Sie Patienten aus, die nicht in der Lage sind, die Finger der gelähmten Hand zu beugen oder zu strecken.
      3. Ausgewählte Patienten mit einem einzigen subkortikalen Schlaganfall (einschließlich ischämischem und hämorrhagischem Schlaganfall).
      4. Wählen Sie Patienten aus, die mehr als 6 Monate nach einer Hirnverletzung sind.
      5. Ausgewählte Patienten mit einem beeinträchtigten Fugl-Meyer-Score von weniger als 31.
    2. Stellen Sie allen rekrutierten Patienten detaillierte Informationen über das experimentelle Verfahren zur Verfügung und holen Sie eine unterschriebene Einwilligungserklärung ein.
      HINWEIS: Ein gesetzlicher Vertreter muss die unterschriebene Einwilligungserklärung vorlegen, wenn ein Patient die Kriterien erfüllt, aber die Einwilligung nicht unterschreiben kann.
  2. BCI-System: EEG-Gerät
    1. Verwenden Sie für die Datenaufzeichnung ein EEG-Viewer-System (siehe Materialtabelle).
    2. Verwenden Sie einen PC (PC) mit benutzerdefinierter BCI-Software und verbinden Sie den PC mit dem EEG-Gerät.
  3. Roboterhand zur Unterstützung der oberen Gliedmaßen
    1. Eine unterstützende Roboterhand16 , die drei Finger stützt, wird an der beeinträchtigten oberen Gliedmaße des Patienten verwendet. Dieser Roboter ist ein weicher, lederähnlicher Handschuh, der nur drei Finger bedeckt: Daumen, Zeige- und Mittelfinger. Verbinden Sie den Roboter drahtlos über einen USB-Dongle mit dem Computer.
    2. Wenn der Roboter über einen Dongle mit dem Computer verbunden ist, ist der Ausgangszustand des Roboters neutral, was bedeutet, dass seine Hand vollständig geöffnet ist. Das konzipierte BCI-System richtet den Roboter so ein, dass sich seine Hand nur dann schließen kann, wenn er die Absicht erkennt, eine Faust zu machen, je nachdem, ob der gemessene EEG-Wert den Schwellenwert erreicht. Abbildung 2 zeigt den Schaltplan dieses BCI-Robotersystems.

2. BCI-Roboter-Bewertung

  1. Berliner Bimanueller Test für Schlaganfall (BeBiTS)
    HINWEIS: Das BeBiTS-Assessment ist ein Instrument zur Bewertung der Leistung von 10 bimanuellen Aktivitäten des täglichen Lebens bei Schlaganfallpatienten.
    1. Positionieren Sie den Patienten bequem in einem Sessel mit Blick auf einen Schreibtisch. Stellen Sie sicher, dass der Patient in der Nähe des Schreibtisches positioniert ist, ca. 30 cm von den bei der Beurteilung verwendeten Gegenständen entfernt, um die Bestimmungsaufgaben mit beiden Armen und Händen durchzuführen.
    2. Bewahren Sie die folgenden 10 Punkte für die Beurteilung von bimanuellen Aktivitäten auf: Öffnen Sie ein Glas; Öffnen Sie eine Plastiktüte; öffne eine Wasserflasche; gießen Sie ein Glas Wasser ein; schnitt fleischähnlichen Kitt; Reinigen Sie ein Geschirr; Heben Sie einen Topf an; Öffnen Sie eine Zahnpastatube; Tragen Sie Zahnpasta auf eine Zahnbürste auf. Schließen Sie den Reißverschluss einer Jacke.
      HINWEIS: Die 10 Bewertungsaufgaben verwenden Bewertungsaufgaben, die alle an einem Schreibtisch sitzend durchgeführt werden. Jede Aktion wird mit 10 Punkten bewertet, mit einer Gesamtpunktzahl von 100.
    3. Bewerten und bewerten Sie fünf Komponenten der Handfunktion neben den einzelnen Item-Bewertungen. Diese Komponenten und ihre jeweiligen Punktzahlen sind Erreichen (20), Greifen (20), Stabilisieren (10), Manipulieren (33) und Heben (17), wobei die Gesamtpunktzahl 100 Punkte ergibt (Abbildung 3).

3. BCI-Roboter-Trainingssystem

  1. EEG-Aufbau
    1. Öffnen Sie das BCI-System. Abbildung 4 zeigt den gesamten Bildschirm, wenn das BCI-System geöffnet wird.
    2. Setzen Sie eine Kappe auf und schließen Sie den Verstärker an.
    3. Wählen Sie im Quellmodul die Option EegoModule | Impedanzmodus. Drücken Sie im Quellmodul auf Start, da blaues Licht angezeigt wird (Abbildung 5A).
    4. Stellen Sie sicher, dass die Impedanzen unter 10 kOhm liegen, und drücken Sie dann Stopp im Quellmodul.
    5. Ändern Sie den Modus auf EEG , um die Daten zu streamen, und drücken Sie Start. Überprüfen Sie das Signal mit der angegebenen Software (Abbildung 5B).
  2. EOG-Kalibrierung
    1. Wählen Sie im Vorverarbeitungsmodul die Pipeline aus, die für die EOG-Montage spezifisch ist (z. B. SMR-EOGleft für EOG-Elektrode auf dem linken Auge; Abbildung 6A).
    2. Legen Sie im Aufgabenmodul die Anzahl der Cues fest (z. B. 10). Das Task-Modul legt Richtungen kontralateral zur Roboterhand fest (Abbildung 6B).
    3. Weisen Sie den Teilnehmer an, kurze seitliche Augenbewegungen in Richtung der 10 erscheinenden Pfeile auszuführen (Abbildung 6C).
    4. Überprüfen Sie das Ergebnisdiagramm unmittelbar nach dem Training. Die grauen Linien stellen jeden Versuch einer Augenbewegung dar. Vergewissern Sie sich, dass die orangefarbene Linie, die den Durchschnitt darstellt, die Basislinie berührt, was darauf hinweist, dass das Training erfolgreich war (Abbildung 7).
    5. Wenn das Training erfolgreich ist, notieren Sie sich den Wert des Schwellenwerts .
      HINWEIS: Eine konsequente Wiederholung der Augenbewegungen ist unerlässlich. Obwohl es von Teilnehmer zu Teilnehmer unterschiedlich ist, ist das EOG-Training in der Regel nach etwa drei Versuchen praxisnah und verbessert sich in der Regel mit wiederholtem Training.
  3. EEG-Kalibrierung
    1. Wählen Sie im Aufgabenmodul EEGCalibrationTaskModule aus (Abbildung 8A). Legen Sie die Anzahl der Cues im Task-Modul auf 5 fest.
    2. Stellen Sie im Feedback-Modul die Lateralität auf die Seite der Roboterhand ein, und stellen Sie sicher, dass die Option "Pac-Man anzeigen " deaktiviert ist (Abbildung 8B).
    3. Weisen Sie den Teilnehmer an, sich vorzustellen, wie er eine Faust ballt, wenn die Aufforderung "Stell dir vor, eine Faust zu machen" auf dem schwarzen Bildschirm erscheint (Abbildung 8C). Bitten Sie den Teilnehmer, sich zu entspannen, wenn der Bildschirm schwarz ist. Wiederholen Sie diesen Vorgang, wobei die vorherrschende Fantasie 5 s dauert und die Ruhephase zufällig zwischen 10 s und 15 s variiert.
    4. Überprüfen Sie das Ergebnisdiagramm nach der EEG-Kalibrierung und verwenden Sie das charakteristische ERD-Muster im 8-12 Hz mu-Band während der motorischen Bildgebung, um den geeigneten Frequenzbereich des Teilnehmers zu bestimmen. Notieren Sie den Parameterwert von 11 Hz aus dem linken Diagramm in Abbildung 9, das die ERD-Reaktion während der Motorbildgebung im Vergleich zum Ruhezustand zeigt. Markieren Sie im rechten Diagramm von Abbildung 9 die deutliche rote Linie, die ein Bild mit geballten Fäusten darstellt, und die blaue Linie, die den entspannten Zustand in Bezug auf die horizontale gestrichelte Schwellenwertlinie anzeigt.
    5. Wenn das EEG-Kalibrierungstraining ausreichend durchgeführt wird, notieren Sie den Referenzwert und den Schwellenwert unterhalb des rechten Diagramms.
      HINWEIS: Es kann jedoch Fälle geben, in denen eine kurzfristige Kalibrierungsschulung aufgrund von Problemen wie mangelndem Verständnis der bereitgestellten Anweisungen oder BCI-Analphabetismus eine Herausforderung darstellt.
  4. Training mit Feedback
    1. Legen Sie nach Abschluss des EOG- und EEG-Trainings Parameterwerte fest, die die Absicht unterscheiden, eine Faust für die spezifische Zielfrequenz des Interesses, den Referenzwert und den Schwellenwert zu machen, die im Ergebnisdiagramm des vorherigen Trainings identifiziert wurden.
    2. Fahren Sie mit den konfigurierten Parametern mit dem Feedback-Training mit Pac-Man fort. Wenn die Parameter nach dem Training richtig eingestellt sind, beobachten Sie, dass sich Pac-Mans Mund allmählich schließt, wenn der Teilnehmer sich vorstellt, die Faust zu ballen. Wenn der Mund von Pac-Man nicht richtig schließt, wiederholen Sie das EEG-Kalibrierungstraining, während Sie den Referenzwert und den Schwellenwert anpassen (Abbildung 10).
  5. Experiment: BeBiTS-Bewertung mit dem BCI-Robotersystem
    1. Lassen Sie den Teilnehmer nach Abschluss aller Feedback-Schulungen (ca. 30 Minuten) den Roboter tragen und führen Sie die postBeBiTS-Bewertung mit dem trainierten BCI-System durch.
      HINWEIS: Wenn die Handspastik des Patienten schwerwiegend ist, ist beim Tragen des Roboters besondere Vorsicht geboten. Darüber hinaus kann es sein, dass die Drei-Finger-Unterstützung des Roboters für einige Patienten nicht ausreicht, was es schwierig macht, alle für die BeBiTS-Beurteilung erforderlichen Bewegungen auszuführen. In solchen Fällen werden nur die Bewegungen ausgewertet, die ausgeführt werden können.
    2. Warten Sie, bis das weiße Licht, das den Bereitschafts- und Startstatus anzeigt, auf dem Bildschirm angezeigt wird, wie in Abbildung 11A dargestellt. Nachdem sie das weiße Licht bestätigt haben, bewegen die Teilnehmer ihre Augen zur Seite, um das Licht auf grün zu schalten (Abbildung 11B). Wenn das grüne Licht erscheint, stellen sich die Teilnehmer vor, wie sie die Faust ballen.
      HINWEIS: Wenn das System die Absicht des Teilnehmers gut erkennt, aktiviert es den vom Teilnehmer getragenen Roboter, um die Faust zu ballen.
    3. Lassen Sie den Teilnehmer mit Hilfe des Roboters die Faust ballen und führen Sie dann die in Abbildung 11C gezeigte Aktion aus.
    4. Abbildung 11D zeigt ein rotes Licht, das anzeigt, dass der Roboter eine geballte Faust einnimmt. Nach Abschluss der Aktion beobachtet der Teilnehmer dieses rote Licht auf dem Bildschirm, wie in Abbildung 11D dargestellt. Wenn der Teilnehmer an dieser Stelle seine Hand mit Hilfe des Roboters wieder öffnen möchte, kann er seine Augen bewegen, um die Lichtfarbe wieder auf weiß zu ändern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Abbildung 12 zeigt die Ergebnisse des EOG- und EEG-Trainings. Abbildung 12A zeigt die Ergebnisse eines gut trainierten Teilnehmers. Die EOG-Trainingswerte sind konsistent, wobei der Durchschnitt (orangefarbene fette Linie) die Schwellenwertlinie ordnungsgemäß erreicht. In den EEG-Trainingsergebnissen wird auch klar zwischen der blauen (Ruhezustand) und der roten (motorische Bildung) Linie unterschieden.

Im Gegensatz dazu zeigt

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Im Rahmen dieser Studie wurde ein BCI-Assistenzrobotersystem für die oberen Gliedmaßen vorgestellt, um Schlaganfallpatienten bei der Ausführung täglicher Aufgaben zu unterstützen. Wir bewerteten die Wirksamkeit von bimanuellen Aufgaben durch den BeBiTS-Test15 und führten ein Training für die Bedienung des Assistenzroboters der oberen Gliedmaßen über das BCI-System14 durch. Dieser Ansatz ermöglicht es den Patienten, sich im Gegensatz zu herk...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben keine Interessenkonflikte anzugeben.

Danksagungen

Diese Arbeit wurde gefördert durch das Deutsch-Koreanische Hochschul-Industrie International Collaboration Program on Robotics and Lightweight Construction/Carbon, gefördert vom Bundesministerium für Bildung und Forschung der Bundesrepublik Deutschland und dem koreanischen Ministerium für Wissenschaft und IKT (Grant No. P0017226)

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
BCI2000Open-Source-Allzweck-Softwaresystem für die Erforschung von Gehirn-Computer-Schnittstellen (BCI), das für die nicht-kommerzielle Nutzung kostenlos ist
Brain Products GmbHein praktisches Tool zur Überwachung seiner LSL-EEG- und Markerströme.
eego Mini-Verstärker mit 8-Kanal (F3, F4, C3, Cz, C4, P3, P4, EOG) Waveguard Original Kappen Ant Neuro, NiederlandeKompaktes und leichtes Design: Der eego Mini-Verstärker ist klein und leicht und bietet eine hervorragende Portabilität und Eignung für die EEG-Aufzeichnung in verschiedenen Umgebungen.
Neomano neofect, KoreaHandschuhmaterial: Leder, Klettverschluss, rutschfestes Tuch
Drahtmaterial: Synthetischer Faden
Gewicht: 65 g (ohne Batterie)
decken drei Finger ab: Daumen, Zeige- und Mittelfinger
Personal Computer ( PC) mit benutzerdefinierter BCI-Software Fenster Laptop
BrainVision LSL Viewer 

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

Roboter für die obere ExtremitätSchlaganfall-RehabilitationEEG-EOG-Signalerobotische Handsteuerungbimanuelle Funktionmotorisches VorstellungstrainingNeurorehabilitationAktivitäten des täglichen LebensBeBiTS-Assessment
Gehirn-Computer-Schnittstelle-gesteuertes Robotersystem für die oberen Gliedmaßen zur Verbesserung der täglichen Aktivitäten bei Schlaganfallpatienten
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.