Name: Haptische / Graphic Rehabilitation: Integration eines Roboters in einer virtuellen Umgebung Bibliothek und ihre Anwendung auf die Therapie von Schlaganfällen (Video) | JoVE Journal
Uploaded: 2011-08-08T13:00:00.000+00:00
Duration: 13 min 44 s
Description: Erfahren Sie die Integration eines Roboters in eine virtuelle Umgebung für die Schlaganfalltherapie. Diese Methode nutzt Open-Source-Software und Wrapper-Klassen, um verschiedene Rehabilitationsroboter flexibel einzusetzen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Ich möchte die technische Hilfe von Brian Zenowich, Daniel Evestedt und Winsean Lin anerkennen.

Einführung Es gibt einen wachsenden Bedarf in allen der Mensch-Maschine-Interaktion (MMI) für intuitive und effiziente interaktive Umgebungen. Zahlreiche Branchen weiterhin stärker abhängig von HMI, wie zum Beispiel: Rehabilitationsrobotik, der Automobilindustrie, Metall verarbeitenden, Verpackungsmaschinen, Pharma-, Lebensmittel-, Getränke-und Versorgungsunternehmen. Technologies in diesen Bereichen tätig sind: Display-Terminals, PCs und HMI Software. Diese Technologien können miteinander kombiniert werden, um unbegrenzte Funktionen ausführen. Roboter können zur direkten Interaktion mit den Nutzern, wie beispielsweise die Bereitstellung als Musiklehrer zu erleichtern. Zum Beispiel haben Forscher an der Waseda Universität ein Roboter, der das Saxophon zu den Menschen, wie zu spielen zu lehren und die Interaktion zwischen Lehrer und Schüler ein Verständnis spielt geschaffen. Andere Robotik-Forscher haben eine Vision-basierte fliegenden Roboter vorgenommen, um festzustellen, wie künstliche Intelligenz kann in intelligente Interaktionen mit der Umwelt 2 zu entwickeln. Die besondere Konzentration dieses Papier befindet sich innerhalb Rehabilitationsrobotik. Im Bereich der Forschung und Industrie, wird die schnelle Tempo des Wandels für neue Produkte und Anforderungen der Nutzer wachsen. Diese Forderungen durchzusetzen größeren Herausforderungen bei der Skalierbarkeit. Deshalb Code-Design geworden ist integraler bei der Erfüllung der Bedürfnisse dieser Personen in einer fristgerechten Weise. Daher würden die Qualität eines starken architektonischen Kandidaten sind leicht austauschbar Grafik-Roboter-Systeme, die Treiber-Unterstützung beinhalten. Die H3DAPI Architektur erfüllt diese Anforderungen und damit eine Wrapper-Klasse erstellt wurde. Darüber hinaus ist H3D für Virtual-Reality-Umgebungen, wie sie in Rehabilitationsrobotik benötigte. Neural Rehabilitationsrobotik will Roboter zum Zwecke der Unterstützung der Rehabilitation Profis zu nutzen. Die Hilfe, die diese Roboter liefern kommt in Form einer Kraft-Feld. Passed Motor Befehl Forscher wie Shadmehr und Mussa-Ivaldi, Gewalt-Felder Motoranpassung zu fördern, und haben gefunden, 1) Anpassung an einer von außen angelegten Kraftfeld tritt mit verschiedenen Klassen von Bewegungen einschließlich, aber nicht zu erreichen Bewegungen begrenzt, und 2) Anpassung verallgemeinert über verschiedene Bewegungen, die den gleichen Regionen des äußeren Feldes 3 zu besuchen. Forschung aus biomechanischen Ingenieure in Performance-Based Progressive Robot-Assisted-Therapie zeigt, dass sich wiederholende, task-specific, zielgerichtet, roboter-assistierte Therapie wirksam bei der Verringerung motorischen Beeinträchtigungen in den betroffenen Arm nach Schlaganfall 4 ist, aber die genaue therapeutische Effekte und Parameter weiterhin ein Feld der Forschung sein. Sensorisches Feedback wirkt sich Lern-und Anpassungsprozess. Daher ist die nächste logische Frage wäre zu fragen, ob oder nicht künstlich erhöht das Ausmaß solcher Rückmeldungen würden schneller oder mehr vollständige Lernen / Anpassung zu fördern. Einige Forscher haben herausgefunden, dass die Anwendung mehr sensorisches Feedback Kräfte oder visuelle Hinweise, um Fehler verbessern kann eine angemessene neurologische Impulse zu geben, um höhere Ebenen der Anpassung / Lernen 5,6 zu fördern. Dies wird als "Fehler Augmentation" bezeichnet. Dieses Phänomen kann aufgrund der Tatsache, dass, sobald die Ergebnisse einer Motorsteuerung Aktion von der idealen abweicht, unser internes Modell selbst passt je nach Größe des Fehlers. Folglich wird, wie unser internes Modell nähert sich der äußeren Umgebung, Fehler bei der Ausführung einer Aufgabe ab. Forschung weiterhin anhaltende Praxis der funktionell relevanten Aktivitäten zur Wiederherstellung der Funktion zu unterstützen, obwohl viele aktuelle Gesundheitspolitik der Höhe der Zeit Patienten einschränken können Zeit mit Therapeuten zu verbringen. Die zwingende Frage ist, ob diese neuen Anwendungen der Technologie können noch weiter gehen, als einfach was eine höhere Dosierung von den aktuellen Stand der Pflege. Mensch-Maschine-Interaktion Studien haben neue Perspektiven in den Bereichen des motorischen Lernens ergeben, und kann in einigen Fällen bieten Wert für den therapeutischen Prozess aufgenommen. Spezialisierte Roboter-Geräte mit Computer-Displays kombiniert werden können erweitern Feedback der Fehler in Ordnung zu beschleunigen, zu verbessern oder Trigger-Motor Umlernen. Dieser Beitrag stellt eine Methode der Verwendung eines entwickelten Systems für eine klinische Intervention als ein Beispiel der Anwendung dieser Technologie. 1. Gründung HAPI Wrapper-Klasse für einen Roboter <ol><li> Erstellen Sie einen Wrapper für HAPI die Haptik Bibliothek, indem Sie eigene. Cpp und Header-Datei. Zum Beispiel verwenden wir den Namen HAPIWAM.cpp und HAPIWAM.h. </li><li> Legen Sie HAPIWAM.cpp in das Quellverzeichnis: HAPI / src </li><li> Legen Sie HAPIWAM.h in die Header-Datei-Verzeichnis: HAPI / include / HAPI </li><li> An der Spitze der HAPIWAM.h gehören zu den Haupt-Header-Datei (en) Ihrer Roboter, im Falle des Barrett WAM, das wäre: </li></ol> &lt;em&gt; extern "C" { # Include &lt;include/btwam.h&gt; } # Include &lt;HAPI/HAPIHapticsDevice.h&gt; Hinweis: extern "C" ist erforderlich, um Compiler Mangeln zu lösen, weil die mitgelieferten Bibliothek in 'C' geschrieben wird und die H3DAPI ist in C + + geschrieben. <ol start="5"><li> In HAPIWAM.h, erstellen Sie Ihre Klasse und die folgenden 4 Funktionen </li></ol> bool initHapticsDevice (int); bool releaseHapticsDevice (); void updateDeviceValues ​​(DeviceValues ​​&amp; dv, HAPITime dt); void sendOutput (HAPIHapticsDevice: DeviceOutput &amp; d, HAPITime t); <ol start="6"><li> Vergewissern Sie sich, Ihre Klasse erbt öffentlich von der HAPIhapticsdevice Klasse. </li><li> Erstellen Sie eine Kopfzeile Schutz für Ihre Klasse. </li><li> Erstellen Sie statische DeviceOutput und statische HapticsDeviceRegistration Attribute unter dem HAPIWAM Klasse. </li><li> Erstellen Sie statische Member-Funktionen für Rückrufe. </li><li> Definieren Sie Ihre Konstruktor und Destruktor in HAPIWAM.cpp. </li><li> Registrieren Sie Ihr Gerät in HAPIWAM.cpp. </li><li> Definieren Sie Ihre 4 geerbt Funktionen und Rückrufe in HAPIWAM.cpp. </li></ol> 2. HAPI Bibliothek Schöpfung <ol><li> Nun, da haben wir die HAPI Wrapper-Klasse erstellt haben, müssen wir Ihre Wrapper in die HAPI Bibliothek zu bauen. Die WAM hängt von einigen Bibliotheken, die H3DAPI nicht auf in seiner rohen Form abhängen, wird daher diese Bibliotheken müssen auf HAPI hinzugefügt werden. Zum HAPI / HAPI / build und bearbeiten CMakeLists.txt. Fügen Sie die abhängigen Bibliotheken nach der Zeile "SET (OptionalLibs) sagt. </li><li> Öffnen Sie ein Kommandozeilen-Konsole und navigieren Sie zu: HAPI / HAPI / build und geben Sie die folgenden 3 Befehle in dieser Reihenfolge: </li></ol> cmake. sudo make sudo make install 3. H3D-Wrapper-Klasse <ol><li> Zum Erstellen der Wrapper-Klasse für die H3D-Bibliothek mit Ihrem HAPIWAM, erstellen Sie zuerst WAMDevice.cpp im Quellverzeichnis: H3DAPI/src </li><li> Legen Sie WAMDevice.h in die Header-Datei-Verzeichnis: H3DAPI/include/H3D </li><li> WAMDevice.h sollte die Standard-Header-Datei für alle H3DAPI Geräte mit dem Namen ersetzt, um was Sie wollen. </li><li> WAMDevice.cpp sollte die Standard-Quelle für alle H3DAPI Geräte mit dem Namen ersetzt, um was Sie wollen. </li><li> Nun, da der Wrapper-Klasse erstellt wurde, den Wiederaufbau der H3DAPI Bibliothek. Tun Sie dies, indem Sie CMakeLists.txt in der gleichen Weise, in Schritt 2.1 durchgeführt wurde, nur unter dem Verzeichnis: H3DAPI/build. </li><li> Erstellen Sie den H3DAPI Bibliothek unter dem Verzeichnis H3DAPI/build </li></ol> cmake. sudo make sudo make install 4. Finite State Machine <ol><li> Jede gezielte Erreichen Programm erfordert die Schaffung eines endlichen Automaten, um die experimentelle Protokoll oder Praxis-Regime zu kontrollieren. Typische Zustandsmaschinen gehören: Start der Prüfung, Start, Ziel Kontakt, und Ende der Studie. Ein Beispiel für die Funktion eines jeden Staates, und Kriterien, die zwischen den Staaten zu übertragen ist unten aufgeführt. </li><li> Der Start der Testversion erfordert die Zuweisung von einem Ziel. Targets Standorten kann nach dem Zufallsprinzip für jeden Versuch eingestellt werden oder kann aus einer Datei gesetzt werden. Der Beginn der Studie beendet, sobald der Benutzer auf das Ziel vor Geschwindigkeit Schwelle, typischerweise 0,06 Metern pro Sekunde ins Leben gerufen. </li><li> The Launch Zustand tritt nach dem Start der Studie. Dieser Zustand endet entweder einmal Berührt der Benutzer das Ziel oder Aufenthalte im Inneren des Ziels für einen bestimmten Zeitraum. Sobald das Ziel berührt wird, ermöglicht dies das Ziel Kontakt Staat. </li><li> Ziel Kontakt tritt während des Starts Zustand. Es kann zu beenden, sobald das Ziel erreicht oder nach dem Subjekt befindet sich innerhalb des Ziel für einen bestimmten Zeitraum. Ist diese Zeit abgelaufen ist, wird das Ende der Studie Zustand aktiviert. </li><li> The End of Trial Staat Signal der Datenerfassungs-Software, die Daten Datei zu markieren, in welchem ​​die Analyse der Software-Entwickler verwendet wurde, um das Ende der einzelnen Studien zu begrenzen. Sofern die letzte Prüfung abgeschlossen ist, kann das Ende des End of Trial Zustand der Start der Testversion Zustand. </li></ol> 5. Anwendung: Sanierung der Schlaganfall-Patienten <ol><li> Die Roboter-Schnittstelle wurde entwickelt, um Therapeuten Know-how beinhalten, während mit dem Roboter zu etwas, das sonst nicht getan werden kann. Die Technologie-fähige Anwendung (siehe weiter unten) der Fehler Vermehrung, die die Fehler durch den Patienten, die für mehrere namhafte Gründen erhöht die Umlernen Verfahren (Abb. 1) wahrgenommen vergrößert. </li><li> Eine dreidimensionale Haptik / Grafik-System namens Virtual Reality Robotic und Optical Operationen Machine (VRROOM). Dieses System stellte bisher 6, kombiniert eine projizierte Stereo-, Kopf-verfolgt Rendering auf einem semi-Spiegels Overlay-Anzeige mit einem Roboter-System, das aufgezeichnet Handgelenk Position und erzeugt eine Kraft-Vektor (Abb. 2). </li><li> Ein Kino-Qualität diGITAL Projektor (Christie Mirage 3000 DLP) zeigten die Bilder, die eine fünf Meter breite 1280x1024 Pixel überspannt, was zu einem 110 ° großen Betrachtungswinkel. Infrarot-Strahler synchronisiert getrennte linke und rechte Auge Bilder durch Liquid Crystal Display (LCD) Shutter-Brille (Stereographics, Inc). Ascension Flock of Birds magnetischen Elemente aufgespürt Bewegung des Kopfes, so dass die optische Anzeige mit den entsprechenden Kopf-zentrierten Sicht erbracht wurde. </li><li> Nach der Qualifikation für die Studie wurde jeder Teilnehmer der Funktionsfähigkeit von einem blinden rater bei Start und Ziel jeder Behandlung Paradigma mit einer einwöchigen Follow-up nach jeder und eine insgesamt 45-Tage-Follow-up-Evaluation ausgewertet. Jede Bewertung besteht aus einer Reihe von Bewegung (ROM) Bewertung in der VRROOM sowie klinische Maßnahmen einschließlich durchgeführt: die Box und Blocks Assessment, Wolf Motor Function Test (WMFT), Arm Motor Sektion der Fugl-Meyer (AMFM) und Beurteilung von einfachen funktionellen Reach (ASFR). </li><li> Ein exotendon Handschuh mit Handgelenkschiene wurde verwendet, um in neutrale Handgelenk und Hand Ausrichtung zu unterstützen. Das Zentrum des Roboters Griff war mit dem Unterarm befestigt platziert wurde hinter der Radiokarpalgelenks so, dass seine Kräfte am Handgelenk gehandelt, sondern erlaubt Bewegung an der Hand. </li><li> Der Arm des Patienten Gewicht wurde verringert durch eine Feder-powered Wilmington Robotic Exoskelett (WREX) Schwerkraft-Orthese ausgeglichen. Der Patient ist angewiesen Ziel war es, jagen einen Cursor vor ihnen präsentiert bewegt über ein Tracking-Gerät in der Hand des Therapeuten (Therapeutin Teleoperation). </li><li> Die Patienten der Praxis drei Tage pro Woche für ca. 40-60 Minuten, mit dem Patienten, den Therapeuten, und der Roboter gemeinsam in einem Trio. Betreff und Therapeuten saßen Seite an Seite, und das Thema war, um den Roboter am Handgelenk verbunden. </li><li> Jede Sitzung begann mit fünf Minuten passive Bewegungsübungen (PROM) mit dem Therapeuten, um ca. 10 Minuten für die Situierung der Patient in der Maschine folgen. Das Thema dann abgeschlossen sechs Blöcke von Bewegungstraining fünfminütigen jeweils mit Zwei-Minuten-Pausen zwischen den einzelnen Blöcken. </li><li> Während des Trainings angezeigt Teilnehmer zwei Cursor auf die Stereo-Darstellung. Der behandelnde Therapeut manipuliert einen Cursor, während der Teilnehmer kontrolliert die anderen. Die Patienten wurden angewiesen, den genauen Pfad des Therapeuten Cursor folgen, wie es in der gesamten Arbeitsbereich bewegt. </li><li> Fehler Augmentation bereitgestellt wurde sowohl optisch als auch durch Kräfte, die durch den Roboter generiert. Als Teilnehmer aus Therapeuten Cursor abwich, war ein momentaner Fehler Vektor e als Differenz in der Position zwischen den Therapeuten Cursor und dem Teilnehmer die Hand etabliert. Fehler wurde visuell durch einen Faktor von 1,5 e (m) als Teil des Fehlers Augmentation vergrößert. Darüber hinaus wurde ein Fehler vermehren Kraft von 100 e (N / m) auch angewendet, die war so programmiert, dass bei maximal 4 N aus Sicherheitsgründen zu sättigen. </li><li> Jede andere Behandlung Block bestand aus speziellen, standardisierten Bewegungen, die das gleiche für jede Sitzung wurden. Die anderen Blöcke erlaubt dem Therapeuten, Ausbildung in bestimmten Bereichen der Schwäche Therapeuten Know-how und ihre Beobachtungen anzupassen. Das Behandlungsprotokoll dabei die Praxis der bestimmte Bewegungen für alle Beteiligten, einschließlich Vor-und Seiten zu erreichen, Schulter-Ellenbogen-Kopplung und diagonal quer über den Körper. </li><li> Während praktizieren, war Tag für Tag Median Fehler als ein Ergebnis der Praxis gemessen. Besonderes Augenmerk wurde auf Blöcke von standardisierten Bewegungen, die das gleiche für jede Sitzung gegeben wurden. Diese wurden zu den Vortagen verglichen, um festzustellen, ob eine schrittweise Verbesserung von Tag zu Tag, was für den Patienten, den Therapeuten und dem Pflegepersonal (Abb. 3) gemeldet werden können, beobachtet werden konnte. </li><li> Primäre Maßnahmen des Ergebnisses wurden wöchentlich, 1 Woche nach Ende der Behandlung gemessen, und 45 Tage nach der mit der Vorratsspeicherung von Nutzen zu bestimmen. Wesentliche Ergebnisse waren die Fugl-Meyer motorischen Fähigkeiten der Gäste und unsere maßgeschneiderten Armreichweite Test, gemessen Bewegungsumfang. </li></ol> 6. Repräsentative Ergebnisse: Wenn das Protokoll korrekt ist, dann getan, wenn die &lt;AnyDevice&gt; Knoten in die H3DViewer oder H3DLoad geladen wird, sollte die WAM-Gerät erkannt und eingeleitet werden. Wenn die WAM mit einem anderen Roboter ersetzt, würde der Code selbst nicht geändert werden müssen. <img src="/files/ftp_upload/3007/3007fig1.jpg" alt="Abbildung 1" data-altupdatedat="1787634011000" data-alt="Abbildung 1"> Abbildung 1. Unterrichtsfach in der Haptik / Grafik Apparat sitzen. <img src="/files/ftp_upload/3007/3007fig2.jpg" alt="Abbildung 2" data-altupdatedat="1787634011000" data-alt="Abbildung 2"> Abbildung 2. Unterrichtsfach in der Haptik / Grafik Apparat mit Physiotherapeut sitzen. <img src="/files/ftp_upload/3007/3007fig3.jpg" alt="Abbildung 3" data-altupdatedat="1787634011000" data-alt="Abbildung 3"> Abbildung 3. Konfiguration für Rehabilitation of der Schlaganfall-Patienten. A) unterliegen und Therapeuten zusammenarbeiten, sitzend und mit dem großen Arbeitsbereich haptische / Grafik-Display, um die Bewegung der Praxis. Der Therapeut bietet eine Stichwort für das Thema, und kann individuell ausgestattet, um die Bedürfnisse des Patienten. Der Roboter bietet Kräfte, die das Bein weg vom Ziel schieben und das visuelle Feedback-System verbessert die Fehler des Cursors. B) Typische chronische Schlaganfall-Patienten verbessert sich von Tag zu Tag. Jeder Punkt repräsentiert die mittlere Fehler für eine 2-Minuten-Block von stereotypen funktionelle Bewegung gemessen. Während der Patient zeigt die Fortschritte in der 2-Wochen-Frist und insgesamt profitieren, hat diese Person nicht immer jeden Tag zu verbessern.

<ol><li>Solis, J., Takeshi, N., Petersen, K., Takeuchi, M., Takanishi, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+the+anthropomorphic+saxophonist+robot+WAS-1%3A+Mechanical+design+of+the+simulated+organs+and+implementation+of+air+pressure%5BTitle%5D)+AND+%22Advanced+Robotics+Journal%22%5BJournal%5D)">Development of the anthropomorphic saxophonist robot WAS-1: Mechanical design of the simulated organs and implementation of air pressure.</a> Advanced Robotics Journal. 24, 629-650 (2010).</li>
<li>Evolving Won-Based Flying Robots. Zufferey, J. C., Floreano, D. Proceedings of the 2nd International Workshop on Biologically Motivated Computer Vision, 2002 November, Berlin, , Springer-Verlag. 592-600 (2002).</li>
<li>Conditt, M. A., Gandolfo, F., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+motor+system+does+not+learn+the+dynamics+of+the+arm+by+rote+memorization+of+past+experience%5BTitle%5D)+AND+%22Journal+of+Neurophysiology%22%5BJournal%5D)">The motor system does not learn the dynamics of the arm by rote memorization of past experience.</a> Journal of Neurophysiology. 78, 554-554 (1997).</li>
<li>Krebs, H. I., Palazzolo, J. J., Dipietro, L., Ferraro, M., Krol, J., Rannekleiv, K., Volpe, B. T., Hogan, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rehabilitation+robotics%3A+Performance-based+progressive+robot-assisted+therapy%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">Rehabilitation robotics: Performance-based progressive robot-assisted therapy.</a> Autonomous Robots. 15, 7-20 (2003).</li>
<li>Wei, K., Kording, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relevance+of+error%3A+what+drives+motor+adaptation%5BTitle%5D)+AND+%22Journal+of+neurophysiology%22%5BJournal%5D)">Relevance of error: what drives motor adaptation.</a> Journal of neurophysiology. 101, 655-65 (2009).</li>
<li>Wei, Y., Bajaj, P., Scheidt, R., Patton, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+error+augmentation+for+enhancing+motor+learning+and+rehabilitative+relearning%5BTitle%5D)+AND+%22IEEE+International+Conference+on+Rehabilitation+Robotics%22%5BJournal%5D)">Visual error augmentation for enhancing motor learning and rehabilitative relearning.</a> IEEE International Conference on Rehabilitation Robotics. , 505-510 (2005).</li>
</ol>

Die Wrapper-Klassen in diesem Tutorial sind urheberrechtlich geschützt von Ian Sharp.

Diese Methode der Wrapper-Klasse Implementierung ermöglicht für verschiedene Roboter eingesetzt werden, ohne den Quellcode ändern, wenn Sie die H3DAPI. Insbesondere hätten die Forscher, die ihre haptische / Grafik-Umgebung geschrieben haben in H3D und getestet ihr Experiment mit einer Phantom-Roboter in der Lage sein für die Durchführung der gleichen oder ähnlichen Experiment mit dem Barrett WAM, und umgekehrt. Diese Art von Gerät unabhängige Cross-Kommunikation führt Folgen für die internationale Rehabilitierung Robotik-Forschung. Solche Auswirkungen ermöglichen eine schnelle haptische / Grafik Entwicklung der internationalen Forschungszusammenarbeit und inter-Forschungslabor Kommunikation. Rehabilitation Robotik ist noch die zahlreichen Parameter in motorischen Lernens beteiligt aufzudecken. Einer der zeitaufwendige Schritte bei der Haptik / Grafik Entwicklung beinhaltet Kompilierung. Mit zahlreichen Reha-Parameter, mit der Kompilierung für jedes Programm verschärft, steigt die Entwicklungs-Lebenszyklus, um alle möglichen Permutationen Gruppe Test schnell. H3D mit seiner Abwesenheit Zusammenstellung Anforderungen, ermöglicht die schnelle Entwicklung von zahlreichen Virtual-Reality-Szenen. Dies ist insofern ein Vorteil für jene Forscher Anwärter auf die Auswirkungen der verschiedenen Übungsszenarien Sonde. Einschränkungen dieses &quot;hart codiert&quot; Wrapper-Klasse Integrationsansatz zählt die Tatsache, dass dieses Verfahren jedes Mal gibt es eine neue Verteilung der H3DAPI muss wiederholt werden. Mögliche Änderungen an der Integration der Wrapper-Klasse in Ihre aktuelle Verteilung der H3DAPI wäre, die Wrapper-Klasse separat erstellen aus dem H3DAPI. Sie würden dann Ihre Wrapper-Klasse in eine *. so Bibliothek-Datei. Dies würde die Klasse aus dem ursprünglichen H3DAPI Verteilung zu isolieren.

<ol><li> Die Anzeige genannt paris (Personal Augmented-Reality-Immersion-System), finden Sie unter <a href="http://www.evl.uic.edu">www.evl.uic.edu</a> </li><li> Die großen grauen Roboter ist das Barrett WAM: <a href="http://www.barrett.com">www.barrett.com</a> </li><li> Je kleiner, dünner schwarzer Roboter ist das Phantom: <a href="http://www.sensable.com">www.sensable.com</a> </li><li> Der Arm montiert ist die T-WREX, an der RIC entwickelt: <a href="http://www.ric.org/research/centers/mars2/Projects/development/d3.aspx">http://www.ric.org/research/centers/mars2/Projects/development/d3.aspx</a> </li><li> Die Shutter-Brillen für 3D-Vision: <a href="http://www.vrlogic.com">www.vrlogic.com</a> </li><li> Head-Tracking-Software. <a href="http://www.mechdyne.com">www.mechdyne.com</a> </li><li> Die H3DAPI selbst: <a href="http://www.h3dapi.org">www.h3dapi.org</a> </li></ol>

haptische / graphic rehabilitation: integration eines roboters in einer virtuellen umgebung bibliothek und ihre anwendung auf die therapie von schlaganfällen

Haptic/Graphic Rehabilitation: Integrating a Robot into a Virtual Environment Library and Applying it to Stroke Therapy

Neuere Forschungen, die interaktive Geräte für längere Therapie Praxis-Tests hat neue Perspektiven für die Robotik mit grafischen und anderen Formen von Biofeedback kombiniert ergeben. Vorherige Mensch-Roboter-interaktive Systeme haben verschiedene Software-Befehle benötigt, um für jeden Roboter führt zu unnötigen Entwicklungsstörungen Overhead-Zeit jedes Mal ein neues System zur Verfügung stehen umgesetzt werden. Zum Beispiel, wenn eine haptische / Grafik Virtual-Reality-Umgebung für einen bestimmten Roboter haptische Feedback wurde kodiert, wäre, dass bestimmte Roboter nicht in der Lage sein, für einen anderen Roboter ohne Neucodierung des Programms gehandelt werden. Allerdings haben die jüngsten Anstrengungen in der Open Source Community eine Wrapper-Klasse Ansatz, der nahezu identischen Reaktionen auslösen können, unabhängig von der Roboter verwendet vorgeschlagen. Das Ergebnis können die Forscher auf der ganzen Welt, um ähnliche Experimente mit gemeinsam genutztem Code auszuführen führen. Deshalb modular &quot;Schalten out&quot; eines Roboters für eine andere nicht beeinträchtigen würde Entwicklungszeit. In diesem Papier stellen wir die erfolgreiche Entwicklung und Implementierung einer Wrapper-Klasse für einen Roboter in die Open-Source-H3DAPI, die die Software-Befehle am häufigsten von allen eingesetzten Roboter integriert.

In jüngster Zeit haben eine große Menge an Interessenten kommen für Mensch-Roboter-interaktive Systeme. In diesem Papier beschreiben wir die Integration eines neuen Roboter-Gerät mit Open-Source-Software, die schnell machen kann möglich eine Bibliothek von interaktiven Funktionen. Wir haben dann Umrisse einer klinischen Anwendung für eine Neurorehabilitation Anwendung.

Haptische / Graphic Rehabilitation: Integration eines Roboters in einer virtuellen Umgebung Bibliothek und ihre Anwendung auf die Therapie von Schlaganfällen

Aktuelle Forschungsarbeiten, in denen interaktive Geräte für die langfristige therapeutische Praxis getestet wurden, haben neue Perspektiven für die Robotik in Kombination mit grafischen und anderen ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, einen Roboter in eine Bibliothek für virtuelle Umgebungen zu integrieren und anschließend den Roboter für die Schlaganfalltherapie einzusetzen. Dies wird erreicht, indem zunächst eine Wrapper-Klasse erstellt wird, um die Haptikbibliothek zu erweitern, und dann diese Wrapper-Klasse in die Haptikbibliothek integriert wird. Der nächste Schritt besteht darin, eine Wrapper-Klasse zu erstellen, um die Grafikbibliothek zu erweitern, und anschließend diese Wrapper-Klasse in die Grafikbibliothek zu integrieren, sobald die Wrapper-Klassen fertiggestellt sind.Die H 3D-API-Schnittstelle dient zum Einrichten einer endlichen Zustandsmaschine zur Untersuchung von Schlaganfallpatienten. Der integrierte Roboter wird anschließend zur Rehabilitation von Schlaganfallpatienten eingesetzt. Der Hauptvorteil dieser Technik besteht darin, dass keine unterschiedliche Softwareanwendung mehr für jeden Roboter geschrieben werden muss.Außerdem können diese Anwendungen unabhängig vom verwendeten Roboter von Wissenschaftlern weltweit ausgeführt werden. Diese Methode kann helfen, zentrale Fragen auf den Gebieten Rehabilitation, Robotik und motorische Kontrolle zu beantworten, beispielsweise inwieweit unser Nervensystem von einer Fehlervergrößerung profitieren könnte. Diese Methode kann Einblicke in Schlaganfall-bedingte Beeinträchtigungen liefern und unser Verständnis gesunder Funktionen vertiefen.Im Allgemeinen müssen Schlaganfallpatienten, die neu in der Rehabilitation mit Robotern sind, bestimmte Hürden überwinden, beispielsweise das Greifen des Handgriffs zu erlernen. Unsere erste Idee zu dieser Methode entstand, als wir erkannten, dass wir einen Roboter mit einem großen Arbeitsraum unter Schwerkraftkompensation benötigten. Außerdem wollten wir das erneute Verfassen von Software minimieren, sodass zukünftige Doktoranden von denjenigen profitieren könnten, die zuvor gearbeitet hatten, ohne dieselbe Arbeit erneut durchführen zu müssen.Dieses Video enthält Anweisungen zur Integration eines Ganzarm-Manipulations- oder WHAM-Roboters mit dem Open-Source-Code, der unter www.hthreedpi.org verfügbar ist. Um einen neuen Roboter in die Haptik-Bibliothek zu integrieren, besteht der erste Schritt darin, eine Wrapper-Klasse für HAP, die Haptic-Rendering-Engine, zu schreiben, die zur Steuerung der Bewegung des WHAM-Roboters verwendet wird. Beginnen Sie damit, eine CPP- und eine Header-Datei zu erstellen.Die für dieses Beispiel verwendeten Dateinamen lauten happy, wham, cpp und happy wham h. Legen Sie die Datei happy wham cpp in das Quellverzeichnis. Happy-Slash-Quelle, danach platzieren Sie happy.Wham h in das Header-Dateiverzeichnis. Happy Schrägstrich include Schrägstrich happy. Ganz oben in happy wham h die Haupt-Header-Dateien des Roboters einbinden.Beachten Sie, dass extern C erforderlich ist, um die Compiler-Mangling aufzulösen, da die eingebundene Bibliothek in C geschrieben ist und die H 3D API in C++ geschrieben ist. In happy wham h erstellen Sie die Klasse für den Roboter und fügen die vier Funktionen darin ein: Haptikgerät freigeben, Haptikgerät, Gerätewerte aktualisieren und Ausgabe senden. Stellen Sie sicher, dass die Klasse öffentlich von der Happy-Haptikgeräteklasse erbt.Erstellen Sie anschließend eine Header-Schutzanweisung für die Klasse. Danach definieren Sie die statischen Attribute für die Geräteausgabe und die Registrierung des Haptikgeräts innerhalb der happy-WHAM-Klasse. Anschließend erstellen Sie die statischen Memberfunktionen für Rückruffunktionen, die spezifisch für Ihren Roboter sind.Für einen WHAM-Roboter wird die Rückruffunktion in der Bull- und Haptikgeräte-Int-Funktion verwendet. Nachdem die Prototypen in der Header-Datei festgelegt wurden, öffnen Sie happy_wham.cpp und binden die geeigneten Header-Dateien und den Namensraum ein. Definieren Sie anschließend den Konstruktor und Destruktor in HappyWam.cpp.Registrieren Sie dann das Gerät in Happy Wam cpp. Definieren Sie nun die vier geerbten Funktionen und Rückruffunktionen in happy Wam cpp. Die Funktion zur Aktualisierung der Geräteparameter teilt dem Computer die Position des Roboterarms sowie die vom Roboter auf die Umgebung ausgeübte Kraft mit.Nachdem die Happy-Wrapper-Klasse erstellt wurde, besteht der nächste Schritt darin, einen Wrap in die Happy-Bibliothek einzubauen. Der WAM hängt von einigen Bibliotheken ab, von denen die H 3D API in ihrer ursprünglichen Form nicht abhängt. Daher müssen diese Bibliotheken zu happy hinzugefügt werden.Wechseln Sie zum Verzeichnis H 3D 2.1/ happy/ build und bearbeiten Sie die Datei C make lists text. Fügen Sie die abhängigen Bibliotheken nach der Zeile ein, die „Set optional libs“ lautet. Öffnen Sie eine Befehlskonsole, navigieren Sie zum Verzeichnis H 3D 2.1/ happy/ build und geben Sie nacheinander folgende Befehle ein: see make. pseudo make und pseudo make install, um die Integration des neuen Roboters mit dem H 3D-Open-Source-Code abzuschließen.Schreiben Sie eine zweite Wrap-Klasse für den Szenengraphen. API namens H 3D API. Dieses Beispiel verwendet eine Wrap-Klasse namens wam device.Navigieren Sie zum Quellverzeichnis H 3D AP I slash source, und erstellen Sie die WAM-Geräte-Datei CPP sowie wam device.Cpp. Fügen Sie die Standardquelle für alle H 3D PI-Geräte hinzu. Danach platzieren Sie Wam device H in das Header-Dateiverzeichnis.Das Wam-Gerät H sollte die Standard-Kopfdatei für alle H-3D-API-Geräte enthalten. Nachdem nun die Wrapper-Klasse erstellt wurde, muss die H-3D-PI-Bibliothek neu aufgebaut werden, indem die Cmake-Listen-Textdatei im Verzeichnis H-three-DPI/Build bearbeitet wird. Abschließend im Verzeichnis H-3D-PI/Build.Stellen Sie die H 3D API-Bibliothek mithilfe der Befehle CMake dot pseudo make und pseudo make install neu zusammen. Die neuen Wrapper-Klassen sind nun bereit für die Verwendung mit einem Roboter. Sobald die entsprechenden Wrapper-Klassen installiert sind, wird eine endliche Zustandsmaschine erstellt, um den experimentellen Protokollablauf für die gezielte Greifaufgabe mit dem Barrett-WHAM-Roboter zu steuern. Die Zustände der Zustandsmaschine sind Start des Versuchs, Start, Zielkontakt und Ende des Versuchs.Der Beginn des Versuchsdurchlaufs startet mit der Zuweisung eines Ziels. Die Zielpositionen können für jeden Durchlauf zufällig festgelegt werden oder aus einer Datei gelesen werden. Der Beginn des Versuchsdurchlaufs endet und der Startzustand beginnt.Sobald die Hand des Probanden über der Geschwindigkeitsschwelle, typischerweise 0,06 Meter pro Sekunde, in Richtung Ziel gestartet ist, endet der Startzustand und der Zielkontaktzustand beginnt, wenn der Cursor des Patienten das Ziel berührt. Sobald der Kontakt hergestellt ist, verschwindet das Ziel, der Zielkontaktzustand endet und der Versuchsendzustand beginnt.Der Zustand „Ende des Versuchs“ signalisiert der Datenerfassungssoftware, die Datendatei mit einem Trennzeichen für das Ende des Versuchs zu markieren. Sofern nicht der letzte Versuch abgeschlossen wurde, ermöglicht das Ende des „Ende des Versuchs“-Zustands den Beginn des „Start des Versuchs“-Zustands, und ein neues Ziel wird zugewiesen. Dieser Abschnitt demonstriert einen anderen Roboter, den sogenannten Phantom, der in der Rehabilitation von Schlaganfallpatienten verwendet wird.Indem der Wrap-Klassen-Code des Phantom in die entsprechenden Bibliotheken eingefügt wird, kann der neue Roboter in die virtuelle Umgebung integriert werden. Hier wird ein dreidimensionales haptisches Grafiksystem namens Virtual Reality Robotic and Optical Operations Machine oder kurz ROOM verwendet. Dieses System kombiniert eine projizierte stereoskopische, kopfverfolgte Darstellung auf einer halbdurchlässigen Spiegel-Overlay-Anzeige mit einem Robotersystem, das die Handgelenksposition erfassen und einen Kraftvektor erzeugen kann. Ein Digitalprojektor in Kinoqualität zeigt Bilder auf einer fünf Fuß breiten Anzeigefläche an, was einem Betrachtungswinkel von 110 Grad entspricht.Infrarotstrahler synchronisieren separate Bilder für das linke und rechte Auge über LCD-Shutter-Brillen. Die Kopfbewegung wird mit dem Ascension Flock of Birds magnetischen System verfolgt, sodass die visuelle Darstellung mit der entsprechenden, kopfzentrierten Perspektive wiedergegeben wird. Ein Exotendonschuh mit einer Handgelenkspalte unterstützt die neutrale Ausrichtung von Handgelenk und Hand.Das Zentrum des Robotergreifers wird am Unterarm hinter dem Radiokarpalgelenk angebracht. Dadurch wirken die Kräfte am Handgelenk, während eine freie Bewegung der Hand möglich bleibt. Das Gewicht des Patientenarms wird mithilfe einer federbetriebenen, gravitationsausgeglichenen Wilmington-Roboter-Exoskelett-Orthese verringert.Der Therapeut, der neben dem Patienten sitzt, bedient mit einem Steuergerät einen Cursor auf dem Bildschirm. Vor dem Patienten wird angewiesen, mit dem Robotergriff den Cursor zu verfolgen. Die Fehlervergrößerung erfolgt sowohl visuell als auch durch vom Roboter erzeugte Kräfte.Wenn sich der Cursor des Patienten vom Cursor des Therapeuten entfernt, wird der momentane Fehlervektor E als Positionsunterschied zwischen dem Cursor des Therapeuten und der Hand des Patienten definiert. Der Fehler wird visuell um einen Faktor von 1,5 E vergrößert, als Teil der Fehlerverstärkung. Zusätzlich wird eine fehlerverstärkende Kraft von 100 E auf den Arm des Patienten ausgeübt, die so programmiert ist, dass sie bei maximal vier Newton sättigt.Aus Sicherheitsgründen verstärkt die Fehlervergrößerung die vom Patienten wahrgenommenen Fehler, wodurch der Wiederlernprozess verbessert wird. Das Behandlungsprotokoll sieht vor, dass der Patient mehrere spezifische Bewegungen übt, darunter Vorwärts- und Seitwärtsreichen mit Schulter-Ellenbogen-Kopplung sowie diagonales Reichen über den Körper. Für die nächste Demonstration wird der obere Klassencode gewechselt und der Barrett-WHAM-Roboter verwendet.Das Ziel dieser nächsten Aufgabe besteht darin, dass entweder gesunde Probanden oder Schlaganfallpatienten ein virtuelles Projektil innerhalb der halbtransparenten grünen Kugel fangen. Wenn sich die Hände des Patienten außerhalb der Kugel bewegen, färbt sich die Kugel rot und der Arm des Patienten erhält eine Fehlerverstärkungs-Rückmeldung vom Roboter. Wenn der Patient das Projektil erfolgreich innerhalb des definierten Raums fängt, bleibt die Kugel grün.Diese Abbildung zeigt den mittleren Reichweitenfehler. Jeder Punkt repräsentiert den medianen Fehler, der für einen zweiminütigen Block stereotyper funktioneller Bewegungen gemessen wurde. Während die Patienten über den Zeitraum von zwei Wochen hinweg Fortschritte zeigen, war die Verbesserung nicht an jedem Tag eindeutig.Diese Abbildung zeigt den resultierenden Nutzen der Fehlerverstärkung bei der gezielten Verringerung der Variabilität von Bewegung zu Bewegung. Die oberen Diagramme zeigen Daten aus der Kontrollgruppe und die unteren Diagramme zeigen Daten aus der Behandlungsgruppe. Jede Farbe repräsentiert einen anderen Probanden.Die beiden horizontalen Linien zeigen die Position der Grenzen für die Aufgabe an. Das Ziel des Probanden bestand darin, das virtuelle Projektil innerhalb dieser Grenzen zu fangen. Die Position eines Punktes zeigt an, wo sich ein gegebener Proband der Kontaktzone am nächsten befand.Im Projektil überlagern die blauen, halbtransparenten Histogramme, die über den Rohdaten angezeigt werden, die Bewegungsverteilung der Gruppe. Entlang der anterioren Achse führten die Schlaganfallpatienten 600 Durchgänge der Fangaufgabe durch, wobei für die ersten 200 Durchgänge und die letzten 200 Durchgänge keine Fehlervergrößerungs-Rückmeldung gegeben wurde. Für die Durchgänge 201 bis 400 erhielten die Patienten keine Rückmeldung zur Fehlervergrößerung. Der Roboter gab dem Patienten eine Rückmeldung zur Fehlervergrößerung, was zu einer signifikanten Verbesserung der Fähigkeit des Patienten führte, das Ziel innerhalb der vorgegebenen Grenzen zu fangen.Nach dieser Vorgehensweise können traditionelle Rehabilitationsmethoden weiterhin durchgeführt werden, doch mit dem Roboter können wir stets quantifizieren, wo sich die Hand des Patienten zu jedem Zeitpunkt über viele wiederholte Versuche hinweg befindet. Diese Technik ebnete den Weg für neue Forschungsansätze im Bereich der Neuroingenieurwissenschaft, bei denen wir simuliertes Greifen innerhalb eines Bereichs untersuchen können, der viele mögliche Lösungen bietet. Nach dem Anschauen dieses Videos sollten Sie verstehen, wie Sie die H 3D-API-Bibliothek für einen Rehabilitationsroboter Ihrer Wahl erweitern und eine Vielzahl haptischer grafischer Schnittstellen zur Beurteilung und Behandlung von Schlaganfallpatienten anwenden können.Die Arbeit mit Robotern kann daher potenziell gefährlich sein, weshalb bei der Auswahl eines Roboters für solche menschlichen Interaktionen sorgfältig vorgegangen werden sollte. Für unser jüngstes Projekt haben wir den Barrett WHAM gewählt, da er leistungsstärker und zurücktreibbar ist. Zurücktreibbar bedeutet, dass er nahezu widerstandsfrei agieren kann, wenn wir ihn entsprechend programmieren, und dennoch zählt er zu den sichersten verfügbaren Optionen für die Mensch-Maschine-Interaktion.Es handelt sich um einen separaten Überwachungsrechner, der den Hauptrechner überwacht und das System deaktivieren kann, falls etwas schief läuft. Die dynamische Bremse stellt sicher, dass das System stets als Dämpfer fungiert, wenn es inaktiv ist. Obwohl viele Roboter sich unterschiedlich verhalten, überlappen sich viele ihrer Funktionen. Daher könnte die Übertragbarkeit unserer Techniken zwischen Robotern einen neuen Wissensaustausch zwischen Laboren fördern.Deutlich ist, dass Trainingsmaßnahmen wie die in dieser Studie demonstrierten ermutigende Hinweise darauf liefern, die Funktion bei Patienten wiederherzustellen sowie das Training in Sportarten, der ferngesteuerten Musikdarbietung, chirurgischen Techniken und jeder anderen Aufgabe, die wiederholte Übung erfordert, zu verbessern.

hapticgraphic-rehabilitation-integrating-robot-into-virtual

Research

Forschung

JoVE Journal

Bioengineering

Biotechnik

Wir entwickelten ein Echtzeit-Spiegel Robotersystem für die funktionelle Erholung von gelähmte Arme mit Hilfe der automatischen Steuerungstechnik, führte eine klinische Studie an gesunden Probanden und bestimmten Aufgaben durch Feedback von Reha-Ärzte. Diese einfache Spiegel Roboter kann mit einem gelähmte Arm effektiv zu Ergotherapie bei Schlaganfall-Patienten angewendet werden.

Roboter-Spiegel-Therapiesystem für die funktionelle Erholung von Hemiplegischen Arme

Wir beschreiben eine Roman virtual Reality basierte Setup die willentliche Kontrolle einerseits zur Leistungssteigerung der Motor-Skill (ungeübte) andererseits nutzt. Dies wird erreicht durch die Bereitstellung von Echtzeit-Bewegung-basierte sensorischen Feedback als ob die ungeübte Hand bewegt. Dieser neue Ansatz kann zur Rehabilitation von Patienten mit einseitigen Hemiparese zu verbessern.

Verwendung von Virtual Reality motorischen Wissenstransfer aus einer Hand zur anderen

Hier präsentieren wir Ihnen ein Protokoll zur Entwicklung und Anwendung eine mobile Game based virtual-Reality-Programm für die Wiederherstellung der oberen Extremität Dysfunktion bei Patienten mit Schlaganfall. Die vorliegende Studie zeigt, dass das mobile Programm durchführbar ist und effektiv fördert die oberen Extremität Genesung bei Schlaganfallpatienten.

Mobile Game based Virtual-Reality-Programm für die obere Extremität Schlaganfallrehabilitation

Die kombinierte Verwendung von transkranielle Gleichstrom Stimulation und Roboter-Therapie als ein Add-on für konventionelle Rehabilitationstherapie kann bessere therapeutische Ergebnisse durch Modulation der Plastizität des Gehirns führen. In diesem Artikel beschreiben wir die kombinierten Methoden, die in unserem Institut zur Verbesserung der motorischen Leistung nach einem Schlaganfall.

Der kombinierte Einsatz von Transcranial Direct aktuelle Stimulation und Roboter-Therapie für die obere Extremität

Das aktuelle Protokoll beschreibt, wie das VR-basierte digitale Berufsbildungssystem die Rehabilitation von Patienten mit kognitiven Beeinträchtigungen und Funktionsstörungen der oberen Extremitäten nach einem Schlaganfall verbessert.

Kognitives Funktions- und Rehabilitationstraining der oberen Extremitäten nach einem Schlaganfall mit einem digitalen Berufstrainingssystem

Es wird geschätzt, dass 1 von 6 Menschen weltweit in ihrem Leben einen Schlaganfall erleiden wird, der zu langfristigen Behinderungen führt, deren Rehabilitationsmechanismen noch wenig verstanden sind. Diese Studie schlägt ein Protokoll zur Bewertung der Gehirnaktivierung durch funktionelle Nahinfrarotspektroskopie (fNIRS) während einer Robotertherapiesitzung der unteren Extremitäten vor.

Ein Experiment mit funktioneller Nahinfrarotspektroskopie und robotergestützten Mehrgelenk-Zeigebewegungen der unteren Extremität

Dieses Protokoll beschreibt einen Rehabilitationsroboter für die oberen Gliedmaßen, der durch vier Modi intelligentes Feedback liefert. Diese Modi verbessern die Funktion und Flexibilität der oberen Gliedmaßen und verbessern so die Lebensqualität der Patienten.

Verbesserung der Funktion und der motorischen Fähigkeiten der oberen Gliedmaßen nach einem Schlaganfall durch einen Rehabilitationsroboter für die oberen Gliedmaßen

Dieses Versuchsprotokoll beschreibt den Einsatz eines dualen, aufgabenorientierten Robotersystems für die oberen Gliedmaßen für Schlaganfallpatienten mit Funktionsstörungen der oberen Extremitäten. Die Ergebnisse deuten darauf hin, dass dieses System die Funktion der oberen Gliedmaßen und die Aktivitäten im täglichen Leben von Schlaganfallpatienten erheblich verbessern kann.

Anwendung eines dualen aufgabenorientierten Robotersystems der oberen Extremität zur funktionellen Wiederherstellung der oberen Extremität bei Schlaganfallpatienten

Die Wirksamkeit der Kombination von Exoskelett-gestütztem, körpergewichtsgestütztem Laufbandtraining mit spielbasierter virtueller Realität für die Dual-Task-Fähigkeit bei Schlaganfallüberlebenden muss noch untersucht werden. Daher zielt dieses Rehabilitationsprogramm darauf ab, die potenziellen Funktionen und Vorteile dieser Kombination bei der Verbesserung der Gehfähigkeit während der Schlaganfallerholung zu untersuchen.

Ein Rehabilitationsprogramm für Exoskelett-gestütztes Laufbandtraining mit nicht-immersiver virtueller Realität für Schlaganfallpatienten

Diese Studie untersucht die Auswirkungen eines konfigurierbaren weichen pneumatischen Roboters auf die Verbesserung der Netzwerktopologie des gesamten Gehirns nach einem Schlaganfall. Die Analyse der Graphentheorie zeigt signifikante Verbesserungen des Clustering-Koeffizienten, der Pfadlänge und der globalen Effizienz. Die Ergebnisse unterstreichen das Potenzial programmierbarer robotischer Protokolle zur Modulation der Neuroplastizität und zur Optimierung der funktionellen Wiederherstellung in...

Weicher pneumatischer Roboter moduliert die Metriken der Graphentheorie des Gehirnnetzwerks für die Rehabilitation der Hand nach einem Schlaganfall

Dieses Protokoll zielt darauf ab, die klinische Wirksamkeit und den Patientenkomfort bei der Verwendung von Rehabilitationsrobotern am Bett der unteren Gliedmaßen zur Rehabilitation nach Schlaganfall zu bewerten, wobei die Ergebnisse mit den traditionellen manuellen Therapien durch randomisierte kontrollierte Studien verglichen werden.

Anwendung von Rehabilitationsrobotern für untere Extremitäten am Bett in der Schlaganfallrehabilitation: Eine randomisierte kontrollierte Studie

Erfahren Sie die Integration eines Roboters in eine virtuelle Umgebung für die Schlaganfalltherapie. Diese Methode nutzt Open-Source-Software und Wrapper-Klassen, um verschiedene Rehabilitationsroboter flexibel einzusetzen.

Haptische / Graphic Rehabilitation: Integration eines Roboters in einer virtuellen Umgebung Bibliothek und ihre Anwendung auf die Therapie von Schlaganfällen (Video) | JoVE Journal

Haptische / Graphic Rehabilitation: Integration eines Roboters in einer virtuellen Umgebung Bibliothek und ihre Anwendung auf die Therapie von Schlaganfällen

Weitere Videos entdecken