Article de méthode

Système robotique de membre supérieur contrôlé par interface cerveau-ordinateur pour améliorer les activités quotidiennes chez les patients victimes d’un AVC

2.4K vues

⸱

DOI :

10.3791/67601

⸱

18 avril 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

Dans cet article

Résumé

Cette étude présente un système d’interface cerveau-ordinateur (BCI) pour les patients victimes d’un AVC, qui combine des signaux d’électroencéphalographie et d’électrooculographie pour contrôler une main robotique d’un membre supérieur, améliorant ainsi les activités quotidiennes. L’évaluation a été effectuée à l’aide du test bimanuel de Berlin pour l’AVC (BeBiTS).

Résumé

Cette étude présente un robot d’assistance des membres supérieurs contrôlé par l’interface cerveau-ordinateur (BCI) pour la réadaptation post-AVC. Le système utilise les signaux de l’électroencéphalogramme (EEG) et de l’électrooculogramme (EOG) pour aider les utilisateurs à aider la fonction des membres supérieurs dans les tâches quotidiennes tout en interagissant avec une main robotique. Nous avons évalué l’efficacité de ce système de robot BCI à l’aide du test bimanuel de Berlin pour l’AVC (BeBiTS), un ensemble de 10 tâches de la vie quotidienne impliquant les deux mains. Huit patients victimes d’un AVC ont participé à cette étude, mais seulement quatre d’entre eux ont pu s’adapter à l’entraînement du système robotique BCI et effectuer le postBeBiTS. Notamment, lorsque le score preBeBiTS pour chaque élément était de quatre ou moins, le système robotique BCI a montré une plus grande efficacité d’assistance dans l’évaluation postBeBiTS. De plus, notre main robotique actuelle n’aide pas aux fonctions du bras et du poignet, ce qui limite son utilisation dans les tâches nécessitant des mouvements complexes de la main. D’autres participants sont nécessaires pour confirmer l’efficacité de l’entraînement du système de robot BCI, et les recherches futures devraient envisager l’utilisation de robots capables d’aider à un plus large éventail de fonctions des membres supérieurs. Cette étude visait à déterminer la capacité du système BCI-robot à aider les patients à effectuer les activités de la vie quotidienne.

Introduction

L’altération de la fonction des membres supérieurs due à un accident vasculaire cérébral limite la capacité d’effectuer des activités quotidiennes, en particulier des tâches bimanuelles1. La rééducation de la main est donc un élément clé de la réadaptation post-AVC, la thérapie par le miroir2 et la thérapie par le mouvement induit par contrainte (CIMT)3 étant des approches bien connues. Des recherches récentes indiquent que les systèmes robotiques d’interface cerveau-ordinateur (BCI) basés sur l’EEG peuvent être une thérapie d’assistance efficace pour améliorer la récupération de la fonction de la main chez les patients victimes d’un AVC 4,5,6. Les systèmes robotiques BCI se concentrent sur le couplage de l’intention active du patient de tenter un mouvement moteur avec ses performances. Des recherches sont activement menées pour déterminer si cette approche est efficace pour la réadaptation 7,8,9,10,11,12,13.

Dans cette étude, nous présentons un système robotique d’assistance des membres supérieurs contrôlé par BCI conçu pour aider les patients victimes d’un AVC à effectuer des activités bimanuelles. Le système utilise des électroencéphalogrammes (EEG) pour détecter et interpréter les signaux cérébraux associés à l’imagerie motrice et les combine avec des électrooculogrammes (EOG) pour des entrées de contrôle supplémentaires. Ces signaux neurophysiologiques permettent aux patients de contrôler une main robotique qui aide aux mouvements des doigts14. Cette approche comble le fossé entre le désir de bouger d’un patient et la capacité physique, facilitant potentiellement la récupération motrice et augmentant l’indépendance dans les tâches quotidiennes.

Des chercheurs de l’Université de médecine de la Charité à Berlin ont mis au point le Berlin Bimanual Test for Stroke (BeBiTS), un outil d’évaluation complet, pour évaluer l’efficacité de ce système robotique BCI15. Le BeBiTS fournit une mesure quantitative de l’amélioration fonctionnelle en évaluant la capacité à effectuer dix activités bimanuelles essentielles à la vie quotidienne. L’évaluation note chaque tâche individuellement et évalue cinq composantes de la fonction de la main : atteindre, saisir, stabiliser, manipuler et soulever. Il permet une évaluation complète des améliorations fonctionnelles des patients, en se concentrant sur les activités de la vie quotidienne. De plus, il nous permet de quantifier la contribution du système robotique BCI dans l’amélioration de fonctions spécifiques de la main. Cette étude vise donc à développer un système de robot d’assistance BCI efficace en comparant les scores BeBiTS avant et après les séances d’entraînement chez les patients victimes d’un AVC.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le comité d’examen institutionnel de l’hôpital Bundang de l’Université nationale de Séoul a examiné et approuvé toutes les procédures expérimentales (IRB n° B-2205-756-003). Nous avons recruté huit patients victimes d’un AVC et leur avons expliqué en détail les détails pertinents avant d’obtenir leur consentement. Après avoir obtenu le consentement éclairé, le protocole se déroule comme suit : nous effectuons une évaluation BeBiTS avant la formation BCI, suivie d’une formation BCI à l’aide de l’EOG et de l’EEG. Ensuite, les participants portent le robot pour effectuer une autre évaluation BeBiTS (Figure 1).

1. Configuration du système de formation BCI-robot

  1. Recrutement des patients
    1. Effectuez le processus de sélection en utilisant les critères d’inclusion suivants.
      1. Sélectionner les patients âgés de 20 à 68 ans présentant une altération des fonctions des membres supérieurs.
      2. Sélectionnez les patients qui sont incapables de fléchir ou d’étendre les doigts de la main paralysée.
      3. Sélectionner les patients ayant subi un seul AVC sous-cortical (y compris l’AVC ischémique et l’AVC hémorragique).
      4. Sélectionnez des patients qui sont plus de 6 mois après une lésion cérébrale.
      5. Sélectionnez des patients dont le score de Fugl-Meyer est inférieur à 31.
    2. Fournir à tous les patients recrutés des informations détaillées sur la procédure expérimentale et obtenir un consentement éclairé signé.
      REMARQUE : Un représentant légal doit fournir le consentement éclairé signé si un patient répond aux critères mais ne peut pas signer le consentement.
  2. Système BCI : appareil EEG
    1. Utilisez un système de visualisation EEG (voir la table des matériaux) pour l’enregistrement des données.
    2. Utilisez un ordinateur personnel (PC) avec un logiciel BCI personnalisé et connectez le PC à l’appareil EEG.
  3. Assistance des membres supérieurs main robotique
    1. Une main robotique d’assistance16 qui soutient trois doigts est utilisée sur le membre supérieur altéré du patient. Ce robot est un gant souple, semblable à du cuir, conçu pour couvrir seulement trois doigts : le pouce, l’index et le majeur. Connectez le robot sans fil à l’ordinateur à l’aide d’un dongle USB.
    2. Lorsqu’il est connecté à l’ordinateur via un dongle, l’état initial du robot est neutre, ce qui signifie que sa main est complètement ouverte. Le système BCI conçu configure le robot de manière à ce que sa main ne puisse se fermer que lorsqu’il reconnaît l’intention de faire un poing, selon que la valeur EEG mesurée atteint ou non le seuil. La figure 2 montre le schéma de ce système de robot BCI.

2. Évaluation BCI-robot

  1. Test bimanuel de Berlin pour l’AVC (BeBiTS)
    REMARQUE : L’évaluation BeBiTS est un outil permettant d’évaluer la performance de 10 activités bimanuelles de la vie quotidienne chez les patients victimes d’un AVC.
    1. Positionnez confortablement le patient dans un fauteuil face à un bureau. Assurez-vous que le patient est positionné près du bureau, à environ 30 cm des objets utilisés dans l’évaluation, pour effectuer les tâches d’évaluation en utilisant les bras et les mains.
    2. Conservez les 10 éléments suivants pour l’évaluation des activités bimanuelles : Ouvrez un bocal ; ouvrir un paquet en plastique ; ouvrir une bouteille d’eau ; versez un verre d’eau ; couper du mastic semblable à de la viande ; nettoyer un plat ; soulevez une casserole ; ouvrez un tube de dentifrice ; appliquer du dentifrice sur une brosse à dents ; Fermez la fermeture éclair d’une veste.
      REMARQUE : Les 10 tâches d’évaluation utilisent des éléments d’évaluation, qui sont tous effectués assis à un bureau. Chaque action est notée sur 10, avec une note globale de 100.
    3. Évaluez et notez cinq composantes de la fonction de la main en plus des scores de chaque élément. Ces composantes et leurs scores respectifs sont l’atteinte (20), la préhension (20), la stabilisation (10), la manipulation (33) et le levage (17), le score total totalisant 100 points (figure 3).

3. Système de formation de robot BCI

  1. Configuration EEG
    1. Ouvrez le système BCI. La figure 4 montre l’écran entier lorsque le système BCI est ouvert.
    2. Mettez un capuchon et connectez l’amplificateur.
    3. Dans le module Source, sélectionnez EegoModule | mode d’impédance. Appuyez sur Démarrer dans le module source, qui affiche une lumière bleue (Figure 5A).
    4. Assurez-vous que les impédances sont inférieures à 10 k Ohms, puis appuyez sur Stop dans le module source.
    5. Passez en mode EEG pour diffuser les données et appuyez sur Démarrer. Vérifiez le signal à l’aide du logiciel fourni (Figure 5B).
  2. Étalonnage EOG
    1. Dans le module de prétraitement, sélectionnez le Pipeline spécifique au montage EOG (par exemple, SMR-EOGleft pour l’électrode EOG sur l’œil gauche ; Figure 6A).
    2. Dans le module Tâche, définissez le nombre de repères (par exemple, 10). Le module Tâche définit les directions controlatérales à la main robotique (Figure 6B).
    3. Demandez au participant d’effectuer de brefs mouvements latéraux des yeux dans la direction des 10 flèches qui apparaissent (figure 6C).
    4. Vérifiez le graphique des résultats immédiatement après l’entraînement. Les lignes grises représentent chaque tentative de mouvement oculaire ; confirmer que la ligne orange, qui est la moyenne, touche la ligne de base, ce qui indique que la formation a réussi (figure 7).
    5. Si l’entraînement réussit, enregistrez la valeur du paramètre de seuil .
      REMARQUE : Une répétition constante des mouvements oculaires est essentielle. Bien qu’elle varie d’un participant à l’autre, la formation EOG est généralement pratique après environ trois tentatives et s’améliore généralement avec une formation répétée.
  3. Étalonnage EEG
    1. Dans le module Tâche, choisissez EEGCalibrationTaskModule (Figure 8A). Réglez le nombre de repères dans le module Tâche sur 5.
    2. Dans le module de rétroaction, réglez la latéralité sur le côté de la main robotique et assurez-vous que l’option Afficher Pac-Man n’est pas sélectionnée (Figure 8B).
    3. Demandez au participant d’imaginer qu’il serre le poing lorsque l’invite « Imagine faire un poing » apparaît sur l’écran noir (figure 8C). Demandez au participant de se détendre lorsque l’écran est noir. Répétez ce processus, en serrant le poing pendant 5 secondes et en variant aléatoirement entre 10 et 15 secondes.
    4. Examinez le graphique des résultats après l’étalonnage de l’EEG et utilisez le modèle ERD caractéristique dans la bande mu 8-12 Hz pendant l’imagerie motrice pour déterminer la gamme de fréquences appropriée du participant. Enregistrez la valeur du paramètre de 11 Hz à partir du graphique de gauche de la figure 9, qui montre la réponse ERD pendant l’imagerie motrice par rapport à l’état de repos. Dans le graphique de droite de la figure 9, mettez en évidence la ligne rouge distincte, qui représente l’imagerie du poing serré, et la ligne bleue, indiquant l’état de relaxation, par rapport à la ligne de seuil horizontale pointillée.
    5. Si l’entraînement à l’étalonnage EEG est effectué de manière adéquate, notez la valeur de référence et le seuil sous le graphique de droite.
      REMARQUE : Cependant, il peut y avoir des cas où la formation à l’étalonnage à court terme est difficile en raison de problèmes tels que le manque de compréhension des instructions fournies ou l’analphabétisme BCI.
  4. Formation avec retour d’information
    1. Après avoir terminé l’entraînement EOG et EEG, définissez des valeurs de paramètre qui distinguent l’intention de faire un poing pour la fréquence cible spécifique d’intérêt, la valeur de référence et le seuil identifiés par le graphique de résultat dans l’entraînement précédent.
    2. À l’aide des paramètres configurés, procédez à l’entraînement par rétroaction à l’aide de Pac-Man. Si les paramètres sont correctement réglés après l’entraînement, observez que la bouche de Pac-Man se fermera progressivement lorsque le participant s’imagine serrer le poing. Si la bouche de Pac-Man ne se ferme pas correctement, répétez l’entraînement d’étalonnage EEG tout en ajustant la valeur de référence et le seuil (Figure 10).
  5. Expérience : évaluation BeBiTS à l’aide du système robotique BCI
    1. Après avoir terminé toute la formation de rétroaction (environ 30 minutes), demandez au participant de porter le robot et d’effectuer l’évaluation postBeBiTS à l’aide du système BCI formé.
      REMARQUE : Si la spasticité de la main du patient est sévère, des précautions particulières sont nécessaires lors du port du robot. De plus, l’assistance à trois doigts fournie par le robot peut ne pas être suffisante pour certains patients, ce qui rend difficile l’exécution de tous les mouvements requis dans l’évaluation BeBiTS. Dans ce cas, seuls les mouvements qui peuvent être effectués sont évalués.
    2. Attendez que le voyant blanc indiquant l’état Prêt et Démarrage s’affiche à l’écran, comme illustré à la Figure 11A. Après avoir confirmé la lumière blanche, les participants déplacent leurs yeux d’un côté pour changer la lumière en vert (Figure 11B). Lorsque la lumière verte apparaît, les participants s’imaginent serrer le poing.
      REMARQUE : Si le système reconnaît bien l’intention du participant, il active le robot porté par le participant pour qu’il serre le poing.
    3. Demandez au participant de serrer le poing à l’aide du robot, puis d’effectuer l’action illustrée à la figure 11C.
    4. La figure 11D affiche une lumière rouge, indiquant que le robot maintient une position poing serré. À la fin de l’action, le participant observe cette lumière rouge à l’écran, comme illustré à la figure 11D. À ce stade, si le participant souhaite ouvrir à nouveau sa main à l’aide du robot, il peut bouger ses yeux pour changer la couleur de la lumière en blanc.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

La figure 12 montre les résultats de l’entraînement EOG et EEG. La figure 12A représente les résultats d’un participant bien formé. Les valeurs d’entraînement EOG sont cohérentes, la moyenne (ligne orange en gras) atteignant correctement la ligne de seuil. Les résultats de l’entraînement EEG distinguent également clairement les lignes bleue (état de repos) et rouges (imagerie motrice).

En revanche, la figure 12B

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette recherche a présenté un système robotique d’assistance BCI pour les membres supérieurs afin d’aider les patients victimes d’un AVC à exécuter leurs tâches quotidiennes. Nous avons évalué l’efficacité des tâches bimanuelles à l’aide du test BeBiTS15 et mis en place une formation à l’utilisation du robot d’assistance des membres supérieurs via le système BCI14. Cette approche, contrairement aux procédures de rééducation conventionnelles...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

Ce travail a été soutenu par le programme de collaboration internationale entre l’Allemagne et la Corée du Sud et de l’industrie sur la robotique et la construction légère/carbone, financé par le ministère fédéral de l’Éducation et de la Recherche de la République fédérale d’Allemagne et le ministère coréen des Sciences et des TIC (subvention n° P0017226)

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
BCI2000open sourceà usage général pour la recherche sur l’interface cerveau-ordinateur (BCI) qui est gratuit pour une utilisation non commerciale
BrainVision LSL Viewer  ;Brain Products GmbHest un outil pratique pour surveiller ses flux LSL, EEG et marqueurs.
eego mini amplificateur avec capuchons originaux waveguard 8 canaux (F3, F4, C3, C4, P3, P4, EOG)Ant Neuro, Pays-BasConception compacte et légère : Le mini amplificateur eego est petit et léger, offrant une excellente portabilité et une aptitude à l’enregistrement EEG dans divers environnements.
Neomano  ;neofect, CoréeGant Matériau : Cuir, velcro, Chiffon antidérapant
Matériau du fil : Fil synthétique
Poids : 65 g (sans batterie)
couvrent trois doigts : le pouce, l’index et le majeur
Ordinateur personnel  ;( PC) avec un logiciel BCI personnalisé  ;Ordinateur portable Windows
système logiciel

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Robot du membre sup rieurr ducation apr s un AVCsignaux EEG EOGcommande de main robotis efonction bimanuelleentra nement l imagerie motriceneuror adaptationactivit s de la vie quotidiennevaluation BeBiTS

Articles connexes