Articolo metodologico

Sistema robotico dell'arto superiore controllato dall'interfaccia cervello-computer per migliorare le attività quotidiane nei pazienti con ictus

2.4K visualizzazioni

⸱

DOI:

10.3791/67601

⸱

18 aprile 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 questo articolo

Sommario

Questo studio introduce un sistema di interfaccia cervello-computer (BCI) per i pazienti con ictus, che combina i segnali dell'elettroencefalografia e dell'elettrooculografia per controllare una mano robotica dell'arto superiore, migliorando le attività quotidiane. La valutazione ha utilizzato il Berlin Bimanual Test for Stroke (BeBiTS).

Abstract

Questo studio introduce un robot assistivo per l'arto superiore controllato da Brain-Computer Interface (BCI) per la riabilitazione post-ictus. Il sistema utilizza i segnali dell'elettroencefalogramma (EEG) e dell'elettrooculogramma (EOG) per aiutare gli utenti ad assistere la funzione dell'arto superiore nelle attività quotidiane mentre interagiscono con una mano robotica. Abbiamo valutato l'efficacia di questo sistema robotico BCI utilizzando il Berlin Bimanual Test for Stroke (BeBiTS), una serie di 10 attività quotidiane che coinvolgono entrambe le mani. Otto pazienti con ictus hanno partecipato a questo studio, ma solo quattro partecipanti sono stati in grado di adattarsi all'addestramento del sistema robotico BCI ed eseguire il postBeBiTS. In particolare, quando il punteggio preBeBiTS per ciascun elemento era pari o inferiore a quattro, il sistema robotico BCI ha mostrato una maggiore efficacia assistiva nella valutazione postBeBiTS. Inoltre, la nostra attuale mano robotica non assiste con le funzioni del braccio e del polso, limitandone l'uso in attività che richiedono movimenti complessi della mano. Sono necessari più partecipanti per confermare l'efficacia dell'addestramento del sistema BCI-robot e la ricerca futura dovrebbe prendere in considerazione l'utilizzo di robot in grado di assistere con una gamma più ampia di funzioni degli arti superiori. Questo studio mirava a determinare la capacità del sistema robotico BCI di assistere i pazienti nello svolgimento delle attività della vita quotidiana.

Introduzione

La compromissione della funzione degli arti superiori dovuta all'ictus limita la capacità di svolgere le attività quotidiane, in particolare i compiti bimanuali1. La riabilitazione della mano è, quindi, una componente chiave della riabilitazione dell'ictus, con la terapia dello specchio2 e la terapia del movimento indotta da vincoli (CIMT)3 che sono approcci ben noti. Ricerche recenti indicano che i sistemi robotici Brain-Computer Interface (BCI) basati su EEG possono essere un'efficace terapia assistiva per migliorare il recupero della funzione della mano nei pazienti con ictus 4,5,6. I sistemi robotici BCI si concentrano sull'accoppiamento dell'intenzione attiva del paziente di tentare un movimento motorio con le sue prestazioni. La ricerca è attivamente in corso per determinare se questo approccio è efficace per la riabilitazione 7,8,9,10,11,12,13.

In questo studio, presentiamo un sistema robotico assistivo per l'arto superiore controllato da BCI progettato per aiutare i pazienti con ictus a svolgere attività bimanuali. Il sistema utilizza elettroencefalogrammi (EEG) per rilevare e interpretare i segnali cerebrali associati alle immagini motorie e li combina con gli elettrooculogrammi (EOG) per ulteriori input di controllo. Questi segnali neurofisiologici consentono ai pazienti di controllare una mano robotica che assiste i movimenti delle dita14. Questo approccio colma il divario tra il desiderio di movimento del paziente e le capacità fisiche, facilitando potenzialmente il recupero motorio e aumentando l'indipendenza nelle attività quotidiane.

I ricercatori dell'Università di Medicina Charité di Berlino hanno sviluppato il Berlin Bimanual Test for Stroke (BeBiTS), uno strumento di valutazione completo, per valutare l'efficacia di questo sistema robotico BCI15. Il BeBiTS fornisce una misura quantitativa del miglioramento funzionale valutando la capacità di svolgere dieci attività bimanuali essenziali per la vita quotidiana. La valutazione assegna un punteggio a ciascun compito individualmente e valuta cinque componenti della funzione della mano: raggiungere, afferrare, stabilizzare, manipolare e sollevare. Consente una valutazione completa dei miglioramenti funzionali dei pazienti, concentrandosi sulle attività della vita quotidiana. Inoltre, ci consente di quantificare il contributo del sistema robotico BCI nel migliorare specifiche funzioni manuali. Questo studio, quindi, mira a sviluppare un efficace sistema di robot assistivi BCI confrontando i punteggi BeBiTS prima e dopo le sessioni di allenamento nei pazienti con ictus.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Il Seoul National University Bundang Hospital Institutional Review Board ha esaminato e approvato tutte le procedure sperimentali (IRB n. B-2205-756-003). Abbiamo reclutato otto pazienti con ictus e spiegato a fondo i dettagli rilevanti prima di ottenere il loro consenso. Dopo aver ottenuto il consenso informato, il protocollo procede come segue: eseguiamo una valutazione BeBiTS prima della formazione BCI, seguita dalla formazione BCI utilizzando EOG ed EEG. Successivamente, i partecipanti indossano il robot per eseguire un'altra valutazione BeBiTS (Figura 1).

1. Configurazione del sistema di addestramento BCI-robot

  1. Reclutamento dei pazienti
    1. Eseguire il processo di screening utilizzando i seguenti criteri di inclusione.
      1. Seleziona pazienti di età compresa tra 20 e 68 anni con funzionalità compromesse degli arti superiori.
      2. Selezionare i pazienti che non sono in grado di flettere o estendere le dita della mano paralizzata.
      3. Selezionare i pazienti con un singolo ictus sottocorticale (incluso sia l'ictus ischemico che quello emorragico).
      4. Seleziona i pazienti che sono più di 6 mesi dopo la lesione cerebrale.
      5. Selezionare i pazienti con un punteggio Fugl-Meyer alterato inferiore a 31.
    2. Fornire a tutti i pazienti reclutati informazioni dettagliate sulla procedura sperimentale e ottenere il consenso informato firmato.
      NOTA: Un rappresentante legale deve fornire il consenso informato firmato se un paziente soddisfa i criteri ma non può firmare il consenso.
  2. Sistema BCI: dispositivo EEG
    1. Utilizzare un sistema di visualizzazione EEG (vedere la Tabella dei materiali) per la registrazione dei dati.
    2. Utilizzare un personal computer (PC) con software BCI personalizzato e collegare il PC al dispositivo EEG.
  3. Assistenza agli arti superiori mano robotica
    1. Una mano robotica assistiva16 che supporta tre dita viene utilizzata sull'arto superiore compromesso del paziente. Questo robot è un guanto morbido, simile alla pelle, progettato per coprire solo tre dita: il pollice, l'indice e il medio. Collega il robot in modalità wireless al computer utilizzando un dongle USB.
    2. Quando è collegato al computer tramite una chiavetta, lo stato iniziale del robot è neutro, il che significa che la sua mano è completamente aperta. Il sistema BCI progettato imposta il robot in modo che la sua mano possa chiudersi solo quando riconosce l'intenzione di fare un pugno, in base al fatto che il valore EEG misurato soddisfi la soglia. La Figura 2 mostra lo schema di questo sistema robotico BCI.

2. Valutazione del robot BCI

  1. Test bimanuale di Berlino per l'ictus (BeBiTS)
    NOTA: La valutazione BeBiTS è uno strumento per valutare le prestazioni di 10 attività bimanuali della vita quotidiana nei pazienti con ictus.
    1. Posizionare comodamente il paziente su una poltrona di fronte a una scrivania. Assicurarsi che il paziente sia posizionato vicino alla scrivania, a circa 30 cm di distanza dagli oggetti utilizzati nella valutazione, per eseguire le attività di valutazione utilizzando sia le braccia che le mani.
    2. Conserva i seguenti 10 elementi per la valutazione delle attività bimanuali: Apri un barattolo; aprire un pacchetto di plastica; aprire una bottiglia d'acqua; versare un bicchiere d'acqua; tagliare lo stucco simile alla carne; pulire un piatto; sollevare una pentola; aprire un tubetto di dentifricio; applicare il dentifricio su uno spazzolino da denti; Chiudi la cerniera di una giacca.
      NOTA: Le 10 attività di valutazione utilizzano elementi di valutazione, che vengono tutti eseguiti seduti a una scrivania. Ogni azione ha un punteggio su 10, con un punteggio complessivo di 100.
    3. Valuta e assegna un punteggio a cinque componenti della funzione della mano insieme ai punteggi dei singoli elementi. Questi componenti e i rispettivi punteggi sono il raggiungimento (20), l'afferramento (20), la stabilizzazione (10), la manipolazione (33) e il sollevamento (17), con un punteggio totale che si somma a 100 punti (Figura 3).

3. Sistema di addestramento BCI-robot

  1. Configurazione EEG
    1. Aprire il sistema BCI. La Figura 4 mostra l'intera schermata quando il sistema BCI viene aperto.
    2. Metti un tappo e collega l'amplificatore.
    3. Nel modulo Sorgente, selezionare la modalità di impedenza EegoModule | . Premere Start nel modulo sorgente, che mostra una luce blu (Figura 5A).
    4. Assicurarsi che le impedenze siano inferiori a 10k Ohm, quindi premere Stop nel modulo sorgente.
    5. Cambia la modalità in EEG per trasmettere i dati e premi start. Controllare il segnale con il software fornito (Figura 5B).
  2. Calibrazione EOG
    1. Nel modulo di pre-elaborazione, selezionare la tubazione specifica per il montaggio EOG (ad esempio, SMR-EOGleft per l'elettrodo EOG sull'occhio sinistro; Figura 6A).
    2. Nel modulo Attività, imposta il Numero di segnali (ad esempio, 10). Il modulo Attività imposta le direzioni controlateralmente alla mano robotica (Figura 6B).
    3. Istruire il partecipante a eseguire brevi movimenti oculari laterali nella direzione delle 10 frecce che appaiono (Figura 6C).
    4. Controllare il grafico dei risultati subito dopo l'allenamento. Le linee grigie rappresentano ogni tentativo di movimento degli occhi; verificare che la linea arancione, che è la media, tocchi la linea di base, indicando che l'allenamento è riuscito (Figura 7).
    5. Se l'addestramento ha esito positivo, registrare il valore del parametro di soglia .
      NOTA: La ripetizione costante dei movimenti oculari è essenziale. Sebbene vari da partecipante a partecipante, la formazione EOG è generalmente pratica dopo circa tre tentativi e di solito migliora con la formazione ripetuta.
  3. Calibrazione EEG
    1. Nel modulo Attività, scegliere EEGCalibrationTaskModule (Figura 8A). Impostare il numero di spunti nel modulo Attività su 5.
    2. Nel modulo Feedback, impostare Lateralità sul lato della mano robotica e assicurarsi che Display Pac-Man non sia selezionato (Figura 8B).
    3. Chiedi al partecipante di immaginare di stringere un pugno quando sullo schermo nero appare il messaggio "Immagina di fare un pugno" (Figura 8C). Chiedi al partecipante di rilassarsi quando lo schermo è nero. Ripeti questo processo, con l'immaginazione che stringe i pugni che dura 5 secondi e il periodo di riposo che varia casualmente tra 10 e 15 secondi.
    4. Rivedere il grafico dei risultati dopo la calibrazione EEG e utilizzare il caratteristico modello ERD nella banda mu 8-12 Hz durante l'imaging motorio per determinare l'intervallo di frequenza appropriato del partecipante. Registrare il valore del parametro di 11 Hz dal grafico di sinistra nella Figura 9, che mostra la risposta ERD durante le immagini del motore rispetto allo stato di riposo. Nel grafico a destra della Figura 9, evidenziare la linea rossa distinta, che rappresenta le immagini che stringono i pugni, e la linea blu, che indica lo stato rilassato, in relazione alla linea di soglia tratteggiata orizzontale.
    5. Se l'addestramento alla calibrazione EEG viene eseguito in modo adeguato, registrare il valore di riferimento e la soglia sotto il grafico di destra.
      NOTA: Tuttavia, ci possono essere casi in cui la formazione sulla calibrazione a breve termine è impegnativa a causa di problemi come la mancanza di comprensione delle istruzioni fornite o l'analfabetismo BCI.
  4. Formazione con feedback
    1. Dopo aver completato l'addestramento EOG ed EEG, impostare i valori dei parametri che distinguono l'intenzione di fare un pugno per la frequenza target specifica di interesse, il valore di riferimento e la soglia identificati dal grafico dei risultati nell'addestramento precedente.
    2. Utilizzando i parametri configurati, procedere con la formazione di feedback utilizzando Pac-Man. Se i parametri sono impostati correttamente dopo l'allenamento, osserva che la bocca di Pac-Man si chiuderà gradualmente quando il partecipante immagina di stringere il pugno. Se la bocca di Pac-Man non si chiude correttamente, ripetere l'allenamento di calibrazione EEG regolando il valore di riferimento e la soglia (Figura 10).
  5. Esperimento: Valutazione BeBiTS utilizzando il sistema robotico BCI
    1. Dopo aver completato tutta la formazione di feedback (circa 30 minuti), chiedi al partecipante di indossare il robot e di condurre la valutazione postBeBiTS utilizzando il sistema BCI addestrato.
      NOTA: Se la spasticità della mano del paziente è grave, è necessaria un'attenzione particolare quando si indossa il robot. Inoltre, l'assistenza a tre dita fornita dal robot potrebbe non essere sufficiente per alcuni pazienti, rendendo difficile l'esecuzione di tutti i movimenti richiesti nella valutazione BeBiTS. In questi casi, vengono valutati solo i movimenti che possono essere eseguiti.
    2. Attendere che sullo schermo appaia la luce bianca che indica lo stato di pronto e avvio, come mostrato nella Figura 11A. Dopo aver confermato la luce bianca, i partecipanti spostano gli occhi da un lato per cambiare la luce in verde (Figura 11B). Quando appare la luce verde, i partecipanti immaginano di stringere il pugno.
      NOTA: Se il sistema riconosce bene l'intenzione del partecipante, attiva il robot indossato dal partecipante per stringere il pugno.
    3. Chiedi al partecipante di stringere il pugno con l'aiuto del robot, quindi di eseguire l'azione mostrata nella Figura 11C.
    4. La Figura 11D mostra una luce rossa, che indica che il robot sta mantenendo una posizione a pugno chiuso. Al termine dell'azione, il partecipante osserva questa luce rossa sullo schermo, come illustrato nella Figura 11D. A questo punto, se il partecipante vuole riaprire la mano con l'aiuto del robot, può muovere gli occhi per cambiare il colore della luce tornando al bianco.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

La Figura 12 mostra i risultati dell'addestramento EOG ed EEG. La Figura 12A rappresenta i risultati di un partecipante ben addestrato. I valori di addestramento EOG sono coerenti, con la media (linea arancione in grassetto) che raggiunge correttamente la linea di soglia. I risultati dell'allenamento EEG distinguono anche chiaramente tra le linee blu (stato di riposo) e rosse (immagini motorie).

Al contrario, la F...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questa ricerca ha presentato un sistema robotico assistivo per l'arto superiore BCI per supportare i pazienti colpiti da ictus nell'esecuzione delle attività quotidiane. Abbiamo valutato l'efficacia delle attività bimanuali attraverso il test BeBiTS15 e implementato la formazione per il funzionamento del robot di assistenza agli arti superiori tramite il sistema BCI14. Questo approccio, a differenza delle procedure di riabilitazione convenz...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno conflitti di interesse da dichiarare.

Ringraziamenti

Questo lavoro è stato sostenuto dal Programma di collaborazione internazionale tra il mondo accademico e l'industria tedesco-coreana sulla robotica e la costruzione leggera/carbonio, finanziato dal Ministero federale dell'istruzione e della ricerca della Repubblica federale di Germania e dal Ministero coreano della scienza e delle TIC (sovvenzione n. P0017226)

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
BCI2000open sourcegenerico per la ricerca sull'interfaccia cervello-computer (BCI) gratuito per uso non commerciale
BrainVision LSL Viewer Brain Products GmbHè uno strumento utile per monitorare i suoi flussi di EEG e marcatori LSL.
eego mini amplificatore con condensatori originali waveguard a 8 canali (F3, F4, C3, C3, C4, EOG)Ant Neuro, Paesi BassiDesign compatto e leggero: il mini amplificatore eego è piccolo e leggero, offre un'eccellente portabilità e idoneità per la registrazione EEG in vari ambienti.
Neomano neofect, KoreaGuanto Materiale: Pelle, velcro, Panno antiscivolo
Materiale del filo: Filo sintetico
Peso: 65 g (senza battuta)
coprono tre dita: il pollice e l'indice e il
medio del personal computer... PC) con software BCI personalizzato computer portatile con finestra
sistema software

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Robot per l arto superioreriabilitazione post ictussegnali EEG EOGcontrollo della mano roboticafunzione bimanualeallenamento al motor imageryneuroriabilitazioneattivit della vita quotidianavalutazione BeBiTS

Articoli correlati