Artículo de método

Sistema robótico de extremidades superiores controlado por interfaz cerebro-computadora para mejorar las actividades diarias en pacientes con accidente cerebrovascular

2.4K vistas

⸱

DOI:

10.3791/67601

⸱

18 de abril de 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

En este artículo

Resumen

Este estudio presenta un sistema de interfaz cerebro-computadora (BCI) para pacientes con accidente cerebrovascular, que combina señales de electroencefalografía y electrooculografía para controlar una mano robótica de la extremidad superior, mejorando las actividades diarias. En la evaluación se utilizó el Test Bimanual de Berlín para el Ictus (BeBiTS).

Resumen

Este estudio presenta un robot de asistencia de extremidades superiores controlado por la interfaz cerebro-computadora (BCI) para la rehabilitación posterior a un accidente cerebrovascular. El sistema utiliza señales de electroencefalograma (EEG) y electrooculograma (EOG) para ayudar a los usuarios a asistir a la función de las extremidades superiores en las tareas cotidianas mientras interactúan con una mano robótica. Evaluamos la efectividad de este sistema de robot BCI utilizando la Prueba Bimanual de Berlín para Accidentes Cerebrovasculares (BeBiTS), un conjunto de 10 tareas de la vida diaria que involucran ambas manos. Ocho pacientes con accidente cerebrovascular participaron en este estudio, pero solo cuatro participantes pudieron adaptarse al entrenamiento del sistema robótico BCI y realizar el postBeBiTS. En particular, cuando la puntuación preBeBiTS para cada ítem fue de cuatro o menos, el sistema robótico BCI mostró una mayor eficacia asistencial en la evaluación postBeBiTS. Además, nuestra mano robótica actual no ayuda con las funciones del brazo y la muñeca, lo que limita su uso en tareas que requieren movimientos complejos de la mano. Se necesitan más participantes para confirmar la eficacia del entrenamiento del sistema BCI-robot, y las investigaciones futuras deben considerar el uso de robots que puedan ayudar con una gama más amplia de funciones de las extremidades superiores. Este estudio tuvo como objetivo determinar la capacidad del sistema BCI-robot para ayudar a los pacientes a realizar las actividades de la vida diaria.

Introducción

El deterioro de la función de las extremidades superiores debido a un accidente cerebrovascular limita la capacidad para realizar las actividades diarias, especialmente las tareas bimanuales1. La rehabilitación de la mano es, por lo tanto, un componente clave de la rehabilitación del ictus, siendo la terapia de espejo2 y la terapia de movimiento inducida por restricción (CIMT)3 enfoques bien conocidos. Investigaciones recientes indican que los sistemas robóticos de interfaz cerebro-computadora (BCI) basados en EEG pueden ser una terapia de asistencia efectiva para mejorar la recuperación de la función de la mano en pacientes con accidente cerebrovascular 4,5,6. Los sistemas robóticos BCI se centran en acoplar la intención activa del paciente de intentar un movimiento motor con su rendimiento. Se están llevando a cabo investigaciones activas para determinar si este enfoque es efectivo para la rehabilitación 7,8,9,10,11,12,13.

En este estudio, presentamos un sistema robótico de asistencia de extremidades superiores controlado por BCI diseñado para ayudar a los pacientes con accidente cerebrovascular a realizar actividades bimanuales. El sistema utiliza electroencefalogramas (EEG) para detectar e interpretar las señales cerebrales asociadas con las imágenes motoras y las combina con electrooculogramas (EOG) para entradas de control adicionales. Estas señales neurofisiológicas permiten a los pacientes controlar una mano robótica que ayuda con los movimientos de los dedos14. Este enfoque cierra la brecha entre el deseo del paciente de moverse y la capacidad física, lo que podría facilitar la recuperación motora y aumentar la independencia en las tareas diarias.

Investigadores de la Universidad Médica Charité de Berlín desarrollaron el Berlin Bimanual Test for Stroke (BeBiTS), una herramienta de evaluación integral, para evaluar la eficacia de este sistema robótico BCI15. El BeBiTS proporciona una medida cuantitativa de la mejora funcional mediante la evaluación de la capacidad para realizar diez actividades bimanuales esenciales para la vida diaria. La evaluación califica cada tarea individualmente y evalúa cinco componentes de la función de la mano: alcanzar, agarrar, estabilizar, manipular y levantar. Permite una evaluación integral de las mejoras funcionales de los pacientes, centrándose en las actividades de la vida diaria. Además, nos permite cuantificar la contribución del sistema robótico BCI en la mejora de funciones específicas de la mano. Por lo tanto, este estudio tiene como objetivo desarrollar un sistema robótico de asistencia BCI eficaz mediante la comparación de las puntuaciones de BeBiTS antes y después de las sesiones de entrenamiento en pacientes con accidente cerebrovascular.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

La Junta de Revisión Institucional del Hospital Bundang de la Universidad Nacional de Seúl revisó y aprobó todos los procedimientos experimentales (IRB No. B-2205-756-003). Reclutamos a ocho pacientes con accidente cerebrovascular y les explicamos detalladamente los detalles relevantes antes de obtener su consentimiento. Después de obtener el consentimiento informado, el protocolo procede de la siguiente manera: realizamos una evaluación BeBiTS antes de la capacitación BCI, seguida de la capacitación BCI utilizando EOG y EEG. Después, los participantes usan el robot para realizar otra evaluación de BeBiTS (Figura 1).

1. Configuración del sistema de entrenamiento del robot BCI

  1. Reclutamiento de pacientes
    1. Realizar el proceso de selección utilizando los siguientes criterios de inclusión.
      1. Seleccione pacientes de 20 a 68 años con deterioro de las funciones de las extremidades superiores.
      2. Seleccione pacientes que no puedan flexionar o extender los dedos de la mano paralizada.
      3. Seleccionar pacientes con un solo accidente cerebrovascular subcortical (incluidos los accidentes cerebrovasculares isquémicos y hemorrágicos).
      4. Seleccione pacientes que hayan pasado más de 6 meses después de la lesión cerebral.
      5. Seleccione pacientes con una puntuación de Fugl-Meyer deteriorada de menos de 31.
    2. Proporcionar a todos los pacientes reclutados información detallada sobre el procedimiento experimental y obtener el consentimiento informado firmado.
      NOTA: Un representante legal debe proporcionar el consentimiento informado firmado si un paciente cumple con los criterios pero no puede firmar el consentimiento.
  2. Sistema BCI: dispositivo de EEG
    1. Utilice un sistema de visualización de EEG (consulte la Tabla de materiales) para el registro de datos.
    2. Utilice una computadora personal (PC) con software BCI personalizado y conecte la PC al dispositivo de EEG.
  3. Mano robótica de asistencia en extremidades superiores
    1. Una mano robótica de asistencia16 que soporta tres dedos se utiliza en la extremidad superior deteriorada del paciente. Este robot es un guante suave, similar al cuero, diseñado para cubrir solo tres dedos: el pulgar, el índice y el dedo medio. Conecte el robot de forma inalámbrica a la computadora mediante un dongle USB.
    2. Cuando se conecta a la computadora a través de un dongle, el estado inicial del robot es neutro, lo que significa que su mano está completamente abierta. El sistema BCI diseñado configura el robot para que su mano solo pueda cerrarse cuando reconozca la intención de cerrar el puño, en función de si el valor medido del EEG cumple con el umbral. La Figura 2 muestra el esquema de este sistema de robot BCI.

2. Evaluación de robots BCI

  1. Prueba bimanual de Berlín para accidentes cerebrovasculares (BeBiTS)
    NOTA: La evaluación BeBiTS es una herramienta para evaluar el rendimiento de 10 actividades bimanuales de la vida diaria en pacientes con accidente cerebrovascular.
    1. Coloque al paciente cómodamente en un sillón frente a un escritorio. Asegúrese de que el paciente esté colocado cerca del escritorio, aproximadamente a 30 cm de distancia de los objetos utilizados en la evaluación, para realizar las tareas de evaluación utilizando ambos brazos y manos.
    2. Guarde los siguientes 10 ítems para la evaluación de las actividades bimanuales: Abrir un frasco; abrir un paquete de plástico; abrir una botella de agua; vierte un vaso de agua; cortar masilla similar a la carne; limpiar un plato; levantar una olla; abrir un tubo de pasta de dientes; aplicar pasta de dientes en un cepillo de dientes; Cierra la cremallera de una chaqueta.
      NOTA: Las 10 tareas de evaluación utilizan elementos de evaluación, todos los cuales se realizan sentados en un escritorio. Cada acción se puntúa sobre 10, con una puntuación general de 100.
    3. Evalúe y califique cinco componentes de la función de la mano junto con las puntuaciones de los elementos individuales. Estos componentes y sus respectivas puntuaciones son alcanzar (20), agarrar (20), estabilizar (10), manipular (33) y levantar (17), sumando la puntuación total 100 puntos (Figura 3).

3. Sistema de entrenamiento de robots BCI

  1. Configuración de EEG
    1. Abra el sistema BCI. La figura 4 muestra la pantalla completa cuando se abre el sistema BCI.
    2. Coloque una tapa y conecte el amplificador.
    3. En el módulo de origen, seleccione EegoModule | modo de impedancia. Presione Inicio en el módulo de fuente, que muestra luz azul (Figura 5A).
    4. Asegúrese de que las impedancias estén por debajo de 10k ohmios, luego presione Stop en el módulo de fuente.
    5. Cambie el modo a EEG para transmitir los datos y presione inicio. Verifique la señal con el software proporcionado (Figura 5B).
  2. Calibración de EOG
    1. En el módulo de preprocesamiento, seleccione la tubería específica para el montaje de EOG (por ejemplo, SMR-EOGleft para el electrodo EOG en el ojo izquierdo; Figura 6A).
    2. En el módulo de tareas, establezca el número de indicaciones (por ejemplo, 10). El módulo de tareas establece direcciones contralaterales a la mano robótica (Figura 6B).
    3. Indique al participante que realice breves movimientos oculares laterales en la dirección de las 10 flechas que aparecen (Figura 6C).
    4. Consulta el gráfico de resultados inmediatamente después del entrenamiento. Las líneas grises representan cada intento de movimiento ocular; confirme que la línea naranja, que es el promedio, toca la línea de base, lo que indica que el entrenamiento es exitoso (Figura 7).
    5. Si el entrenamiento se realiza correctamente, registre el valor del parámetro de umbral .
      NOTA: La repetición constante de los movimientos oculares es esencial. Aunque varía de un participante a otro, el entrenamiento de EOG es generalmente práctico después de unos tres intentos y generalmente mejora con el entrenamiento repetido.
  3. Calibración de EEG
    1. En el módulo de tareas, elija EEGCalibrationTaskModule (figura 8A). Establezca el Número de indicaciones en el módulo Tarea en 5.
    2. En el módulo de retroalimentación, establezca Lateralidad en el lado de la mano robótica y asegúrese de que Mostrar Pac-Man no esté seleccionado (Figura 8B).
    3. Indique al participante que se imagine apretando un puño cuando aparezca en la pantalla negra el mensaje "Imagine haciendo un puño" (Figura 8C). Pida al participante que se relaje cuando la pantalla esté en negro. Repita este proceso, con la imaginación apretando el puño durando 5 segundos y el período de descanso variando aleatoriamente entre 10 segundos y 15 segundos.
    4. Revise el gráfico de resultados después de la calibración del EEG y utilice el patrón característico de ERD en la banda mu de 8-12 Hz durante las imágenes del motor para determinar el rango de frecuencia adecuado del participante. Registre el valor del parámetro de 11 Hz en el gráfico de la izquierda de la Figura 9, que muestra la respuesta ERD durante las imágenes del motor en comparación con el estado de reposo. En el gráfico de la derecha de la figura 9, resalte la línea roja distintiva, que representa las imágenes de puño apretado, y la línea azul, que indica el estado relajado, en relación con la línea de umbral punteada horizontal.
    5. Si el entrenamiento de calibración de EEG se realiza adecuadamente, registre el valor de referencia y el umbral debajo del gráfico de la derecha.
      NOTA: Sin embargo, puede haber casos en los que la capacitación en calibración a corto plazo sea un desafío debido a problemas como la falta de comprensión de las instrucciones proporcionadas o el analfabetismo BCI.
  4. Entrenamiento con retroalimentación
    1. Después de completar el entrenamiento de EOG y EEG, establezca valores de parámetros que distingan la intención de hacer un puño para la frecuencia objetivo específica de interés, el valor de referencia y el umbral identificados por el gráfico de resultados en el entrenamiento anterior.
    2. Usando los parámetros configurados, proceda con el entrenamiento de retroalimentación usando Pac-Man. Si los parámetros están correctamente configurados después del entrenamiento, observe que la boca de Pac-Man se cerrará gradualmente cuando el participante imagine apretando el puño. Si la boca de Pac-Man no se cierra correctamente, repita el entrenamiento de calibración de EEG mientras ajusta el valor de referencia y el umbral (Figura 10).
  5. Experimento: Evaluación de BeBiTS utilizando el sistema robótico BCI
    1. Después de completar toda la capacitación de retroalimentación (aproximadamente 30 minutos), haga que el participante use el robot y realice la evaluación posterior a BeBiTS utilizando el sistema BCI entrenado.
      NOTA: Si la espasticidad de la mano del paciente es grave, se necesita un cuidado especial al usar el robot. Además, la asistencia de tres dedos proporcionada por el robot puede no ser suficiente para algunos pacientes, lo que dificulta la realización de todos los movimientos requeridos en la evaluación BeBiTS. En tales casos, solo se evalúan los movimientos que se pueden realizar.
    2. Espere a que aparezca en la pantalla la luz blanca que indica el estado de listo e inicio, como se muestra en la Figura 11A. Después de confirmar la luz blanca, los participantes mueven sus ojos hacia un lado para cambiar la luz a verde (Figura 11B). Cuando aparece la luz verde, los participantes se imaginan apretando el puño.
      NOTA: Si el sistema reconoce bien la intención del participante, activa el robot que lleva el participante para apretar el puño.
    3. Pida al participante que apriete el puño con la ayuda del robot y luego realice la acción que se muestra en la Figura 11C.
    4. La Figura 11D muestra una luz roja, lo que indica que el robot mantiene una posición de puño cerrado. Al completar la acción, el participante observa esta luz roja en la pantalla, como se ilustra en la Figura 11D. En este punto, si el participante quiere volver a abrir la mano con la ayuda del robot, puede mover los ojos para cambiar el color de la luz de nuevo a blanco.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

La Figura 12 muestra los resultados del entrenamiento de EOG y EEG. La figura 12A representa los resultados de un participante bien entrenado. Los valores de entrenamiento de EOG son coherentes, y el promedio (línea naranja en negrita) alcanza correctamente la línea de umbral. Los resultados del entrenamiento del EEG también distinguen claramente entre las líneas azul (estado de reposo) y rojas (imágenes motoras).

En contraste, la

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Esta investigación presentó un sistema robótico de asistencia de extremidades superiores BCI para ayudar a los pacientes con accidente cerebrovascular en la ejecución de las tareas diarias. Evaluamos la eficacia de las tareas bimanuales a través de la prueba BeBiTS15 e implementamos un entrenamiento para el funcionamiento del robot de asistencia de miembro superior a través del sistema BCI14. Este enfoque, a diferencia de los procedimientos...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses que declarar.

Agradecimientos

Este trabajo contó con el apoyo del Programa de Colaboración Internacional entre la Academia y la Industria Alemana y Coreana sobre Robótica y Construcción Ligera/Carbono, financiado por el Ministerio Federal de Educación e Investigación de la República Federal de Alemania y el Ministerio de Ciencia y TIC de Corea (Subvención Nº P0017226)

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
BCI2000de software de propósito general de códigopara la investigación de la interfaz cerebro-computadora (BCI) que es gratuito para uso no comercial
BrainVision LSL Viewer Brain Products GmbHes una herramienta útil para monitorear sus flujos de marcadores y EEG LSL.
Mini amplificador eego con tapas originales de protección de ondas de 8 canales (F3, F4, C3, Cz, C4, P3, P4, EOG)Ant Neuro, Países BajosDiseño compacto y ligero: El mini amplificador eego es pequeño y ligero, y ofrece una excelente portabilidad e idoneidad para la grabación de EEG en diversos entornos.
Neomano neofect, CoreaMaterial del guante: Cuero, velcro, tela antideslizante
Material del alambre: Hilo sintético < br / > Peso: 65 g (sin batería)
cubren tres dedos: el pulgar, el índice y el dedo medio
computadora personal ( PC) con software BCI personalizadoPortátil con ventana
sistema abierto

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Robot de miembro superiorrehabilitaci n de accidentes cerebrovascularesse ales de EEG y EOGcontrol de mano rob ticafunci n bimanualentrenamiento de imaginer a motoraneurorrehabilitaci nactividades de la vida diariaevaluaci n BeBiTS

Artículos relacionados