方法論記事

仮想修正ボックスおよびブロックテスト中の運動と筋肉活動の定量的評価のためのセットアップ

DOI：

10.3791/65736

⸱

2024年1月12日

 ,  ,  ,  , 
1Department of Neuroscience, West Virginia University, 2Department of Human Performance, West Virginia University, 3Department of Biomedical Engineering, West Virginia University

* These authors contributed equally

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ここで説明するプロトコルは、上肢欠損の定量的評価を強化することを目的としており、クリニックと自宅の両方でリモート評価のための追加技術を開発することを目的としています。バーチャルリアリティとバイオセンサー技術を標準的な臨床技術と組み合わせて、神経筋系の機能に関する洞察を提供します。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

動く能力は、私たちが世界と対話することを可能にします。この能力が損なわれると、生活の質と自立性が大幅に低下し、合併症を引き起こす可能性があります。最近では、対面式サービスへのアクセスが限られているため、遠隔での患者の評価とリハビリテーションの重要性が高まっています。例えば、COVID-19のパンデミックにより、予期せぬ規制が厳しくなり、緊急性のない医療サービスへのアクセスが減少しました。さらに、リモートケアは、サービスへのアクセスが限られている農村部、サービスの行き届いていない地域、低所得地域の医療格差に対処する機会を提供します。

遠隔医療の選択肢を通じてアクセシビリティを向上させることで、病院や専門家の訪問回数が制限され、日常的なケアがより手頃な価格で利用できるようになります。最後に、すぐに入手できる市販の家電製品を在宅医療に使用すると、症状、治療効果、および治療投与量の定量的観察が改善されるため、患者の転帰を向上させることができます。遠隔医療はこれらの問題に対処するための有望な手段ですが、そのようなアプリケーションでは、運動障害を定量的に特徴付けることが非常に重要です。次のプロトコルは、この知識のギャップに対処して、臨床医や研究者が複雑な動きと根底にある筋肉活動に関する高解像度のデータを取得できるようにすることを目指しています。最終的な目標は、機能的な臨床検査の遠隔投与のためのプロトコルを開発することです。

ここでは、参加者は、手の機能を評価するために頻繁に使用される医学的なボックスアンドブロックタスク(BBT)を実行するように指示されました。このタスクでは、被験者はバリアで区切られた2つのコンパートメント間で標準化されたキューブを輸送する必要があります。私たちは、リモート評価プロトコルの開発の可能性を実証するために、仮想現実に修正されたBBTを実装しました。筋肉の活性化は、表面筋電図法を使用して各被験者についてキャプチャされました。このプロトコルにより、運動障害を詳細かつ定量的に特徴付けるための高品質なデータを取得することができました。最終的には、これらのデータは、仮想リハビリテーションや遠隔患者モニタリングのプロトコルの開発に使用される可能性があります。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

動きとは、私たちが世界とどのように相互作用するかです。コップ一杯の水を拾ったり、歩いて通勤したりするなどの日常的な活動は簡単に思えるかもしれませんが、これらの動きでさえ、中枢神経系、筋肉、手足の間の複雑なシグナル伝達に依存しています1。そのため、個人の自立と生活の質は、個人の四肢機能のレベルと高い相関関係があります2,3。脊髄損傷(SCI)や末梢神経損傷のような神経学的損傷は、永続的な運動障害を引き起こし、それによって日常生活の単純な活動さえも実行する能力を低下させる可能性があります4,5。国立神経疾患・脳卒中研究所によると、米国では1億人以上が運動障害を経験しており、脳卒中が主な原因の1つとなっています6,7,8。これらの怪我の性質上、患者はしばしば長期のケアを必要とし、定量的な運動評価と遠隔治療が有益である可能性があります。

運動障害を治療するための現在の実践では、理学療法士や作業療法士などの訓練を受けた専門家による観察を通じて、機能の初期評価と継続的な臨床評価の両方が必要になることがよくあります。標準で検証された臨床検査では、多くの場合、訓練を受けた専門家が実施する必要があり、特定の時間的制約と、事前定義された動きや機能的なタスクの主観的な採点が必要です。しかし、健康な人でも、関節角度をさまざまに組み合わせることで、同じ動きをすることができます。この概念は、筋骨格系の冗長性と呼ばれます。

機能的な臨床試験では、被験者間のばらつきの根底にある個々の冗長性が考慮されていないことがよくあります。臨床医にとっても研究者にとっても、冗長性によって引き起こされる正常な変動性と運動の病理学的変化を区別することは依然として課題です。十分に訓練された評価者によって実施される標準化された臨床評価は、低解像度のスコアリングシステムを利用して、評価者間のばらつきを減らし、テストの有効性を向上させます。しかし、これにより天井効果が生じ、軽度の動きに障害を持つ可能性のある被験者の感度と予測妥当性が低下する9,10。さらに、これらの臨床検査では、欠損が受動的な身体力学によって引き起こされているのか、それとも能動的な筋肉協調によって引き起こされているのかを区別することはできません。これは、初期診断や患者固有のリハビリテーション計画を設計する際に重要になる可能性があります。無作為化臨床試験では、これらの臨床試験11,12,13によって提供される証拠に基づいて策定された治療計画の有効性に一貫性がないことが明らかになりました。いくつかの研究では、将来の介入の設計を導くために使用できる定量的でユーザーフレンドリーな臨床指標の必要性が強調されています14,15。

以前の研究では、脳卒中後の腕の障害において、すぐに利用できる消費者向けモーションキャプチャデバイスを使用した自動動作評価の実装と、乳がん患者の胸部手術後の肩の機能の評価を実証しました16,17。さらに、特定の活動的な動きの筋肉のモーメントを推定するためにアクティブな関節モーメントを使用することは、関節角度18と比較して、脳卒中後の運動障害のより感度の高い尺度であることを示しました。したがって、モーションキャプチャと表面筋電図検査(EMG)は、標準的な臨床検査で無症候性と診断されたが、まだ運動困難、疲労、または痛みを経験している可能性のある患者の評価において非常に重要である可能性があります。この論文では、運動障害のある患者集団における在宅評価とリハビリテーションの方法の将来の開発のために、標準的な臨床検査中の運動の詳細かつ定量的な特性評価を可能にする可能性のあるシステムについて説明します。

バーチャルリアリティ(VR)は、日常のタスクをモデル化しながら、没入感のあるユーザー体験を構築するために使用できます。通常、VR システムはユーザーの手の動きを追跡して、仮想環境とのシミュレートされたインタラクションを可能にします。ここで説明するプロトコルは、脳卒中または肩の手術後の障害の定量的評価における既製のビデオゲームコントローラーの使用を実証する他の研究と同様に、モーションキャプチャ用の消費者向けVR製品を使用して運動障害の評価を定量化する16,17。さらに、EMGは、筋肉収縮の根底にある神経活動の非侵襲的な尺度である19。そのため、EMGは、運動の神経制御の質を間接的に評価し、運動機能の詳細な評価を提供するために使用できます。筋電図や神経の損傷はEMGによって検出される可能性があり、筋ジストロフィーや脳性麻痺などの障害は、この手法を使用して一般的に監視されます20,21。さらに、筋電図は、運動学的評価22,23では明らかではないかもしれない筋力または痙縮の変化、ならびに疲労および筋肉の共活性化を追跡するために使用され得る。このような指標は、リハビリテーションの進行状況23,24,25を考慮する上で重要です。

ここで説明する実験パラダイムは、VRとEMGの組み合わせを活用して、従来の臨床評価ツールの限界に対処しようとしています。ここでは、参加者は、実際のオブジェクトとVRを使用して、修正されたボックスアンドブロックタスク(BBT)26 を実行するように求められました。標準 BBT は、肉眼的上肢機能の一般的な評価に使用される臨床ツールであり、被験者は 1 つのコンパートメントからパーティションを越えて、隣接するコンパートメントにできるだけ多くの 2.5 cm ブロックを 1 分以内に移動するように求められます。脳卒中やその他の神経筋疾患(上肢麻痺、痙性片麻痺など)の患者の欠損を確実に評価するためによく使用されますが、6〜89歳の健康な子供や大人についても規範的なデータが報告されています。仮想動作評価は、実生活で実施された検証済みの臨床テストの機能的側面をシミュレートするために使用されます。ここでは、VRを使用して必要なハードウェアを減らしながら、標準化された命令とプログラムされた自動スコアリングの提供を可能にします。そのため、訓練を受けた専門家による継続的な監督はもはや必要ありません。

この研究のBBTは、同じ場所に現れる一度に1つのブロックの到達と把持を捉えることに焦点を当てるために簡略化されています。これにより、動きの再現性が最大化され、記録されたデータの被験者間のばらつきが最小限に抑えられました。最後に、バーチャルリアリティヘッドセットはわずか300ドルで購入でき、複数の評価を収容できる可能性があります。プログラム化すれば、一般的な専門家による評価に関連するコストが大幅に削減され、臨床およびリモート/在宅環境の両方で、これらの標準的で検証済みの臨床検査へのアクセス性を高めることができます。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

実験手順は、ウェストバージニア大学の治験審査委員会(IRB)のプロトコル#1311129283によって承認され、ヘルシンキ宣言の原則に準拠していました。このプロトコルによるリスクは軽微ですが、すべての手順と潜在的なリスクを参加者に説明する必要があり、機関の倫理審査委員会によって承認された文書とともに書面によるインフォームドコンセントが取得されました。

1. システム特性と設計

注:このプロトコルのセットアップは、(1)EMGセンサーとベース、(2)EMGデータ収集(DAQ)ソフトウェア、(3)モーションキャプチャシステム、および(4)対応するソフトウェアを備えたVRヘッドセットの要素で構成されています。これらのコンポーネントを 図1に示します。

  1. システムコンポーネントのセットアップ
    1. EMGシステムを接続します。
      1. EMGベースステーションを接続して電源を入れます。
      2. EMGベースステーションを、DAQスクリプトを含む専用コンピュータ(図1C)に接続します。
        注: スクリプトの例は、https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0 にあります。一部の商用製品には、ライセンスされたDAQソフトウェアが付属している場合があり、これも使用できます。
    2. モーションキャプチャシステムを接続します。
      1. 2台目の専用コンピュータ(図1A)をネットワークルーターに接続します。
      2. ネットワークルーターをモーションキャプチャサーバーに接続します。
      3. モーションキャプチャサーバーをコンピューターモニターに接続して視覚化します。
      4. カメラをモーションキャプチャサーバーに接続します。
    3. VRシステムを接続します。
      1. VRヘッドセットを、対応するDAQスクリプトを備えた3台目の専用コンピュータに接続します(図1B)。
        注: スクリプトの例は、次の場所にあります https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0
      2. 目的のタスクを含むVRゲーム環境を、VRヘッドセットにリンクされたコンピューターにロードします(図1B)。
    4. 被験者がタスクを完了する領域を準備します。
      1. アームレスで頑丈な椅子を使用して、被験者の通常の到達に支障がないことを確認します。
      2. 収集されたデータの安全性と正確性のために、テストエリアにすべての障害物がないことを確認してください。
    5. システムを同期します。
      1. カスタムソフトウェア機能を使用して、システムをワンタイムサーバーに同期します。
      2. または、1 台のコンピューターまたは優先メッセージ マネージャーを使用します。

figure-protocol-1
図1:実験装置のセットアップ (A)マーカーモーションキャプチャカメラは、実験空間の周囲の床面と天井に配置され、モーショントラッキングに最適な空間を確保しています。モーションキャプチャーソフトウェアの実行とデータの保存には、専用のコンピューターが使用されます。(B)改造したBBTをVRで表示するためのヘッドセットは、仮想評価とタスクデータが保存される専用のコンピュータに接続されています。(C)EMGベースは、タスク実行中に筋肉活動データが記録され、保存される専用のコンピューターに接続されています。モーションキャプチャー用のEMGセンサーとLEDマーカーは、セッション中に被験者の腕に配置されます( 図2を参照)。略語:VR =バーチャルリアリティ。EMG = 筋電図検査。 この図の拡大版を表示するには、ここをクリックしてください。

2. 実験手順

注:このプロトコルで説明されている実験フローの視覚的表現を 図2に示します。

  1. EMGのセットアップ
    1. 最高の信号品質のためのEMGセンサの配置を決定するために、参加者が関連する筋肉27を収縮させながら、筋肉腹を触診する。このプロトコルで使用される筋肉の選択については、 表1 を参照してください。
    2. アルコールワイプを使用して、各電極と被験者の腕の目的のセンサー配置部位を慎重に清掃します。
      注:EMGセンサーと被験者の皮膚の両方を徹底的に洗浄すると、電極と皮膚のインピーダンスが低くなります。これにより、記録されたEMGデータの信号対雑音比が高くなります。センサー配置部位の余分な髪の毛は、適切に洗浄してもデータの品質が低下する可能性があります。この場合、髪の毛を剃る必要があるかもしれません。
    3. EMG電極と被験者の皮膚を準備した後、EMGセンサーを被験者に置き、電極と皮膚がしっかりと接触するようにします。バイポーラ電極は、センサーが筋線維の方向に平行になるように配置する必要があります。
  2. モーションキャプチャシステムのセットアップ
    注:キネマティクスの手の動きを追跡するためにVRヘッドセットのみを使用している場合は、これが必要ない場合があります。
    1. 製造元の指示に従って、モーショントラッキングカメラをキャリブレーションします。キャリブレーションワンドを実験空間全体で動かして、モーショントラッキングカメラをキャリブレーションし、空間の3D軸を設定します。
      注意: このプロトコルで使用されるマーカーモーションキャプチャシステムには、LEDマーカー付きのキャリブレーションワンドが含まれています。
    2. 目的の生体力学的モデルを構築するために必要な、被験者の上肢と体幹の骨のランドマークに LED モーション キャプチャ マーカーを配置します。
    3. 付属のモーションキャプチャソフトウェアを使用して、すべてのマーカーがモーションキャプチャカメラによって認識され、追跡されていることを確認します。被験者にいくつかの練習動作を行うように指示し、研究担当者はマーカーデータをリアルタイムで視覚的に監視します。
  3. VRスキル評価タスクの設定
    1. モーションキャプチャーの実験空間の中央に椅子を配置します。従来の実際のテストで使用されるものと同様の椅子を使用してください。
    2. 被験者が評価タスクを実行する椅子でVRヘッドセットを調整します。キャリブレーションが完了したら、被験者に椅子に座ってVRヘッドセットを頭に置くように指示します。
    3. 被験者が座っている状態で、被験者の肩と地面の間の距離と、被験者の腕の長さを測定します。これらの距離を使用して、VR でテーブルと評価タスクがスポーンする場所を設定します。
    4. VRタスク制御スクリプトで、被験者の測定値を入力し、ブロックスポーンの繰り返しを希望の数プログラムします。
      注:このModified BBTでは、再現性を高めるために、個々のブロックが一度に1つずつスポーンされます。
  4. 被験者に VR で修正された BBT 評価を実行するように指示します。
    1. 被験者にタスクの簡単な説明を提供します。
      1. 仮想ブロックは、実験者が決定した左側または右側にスポーンします。
      2. 被験者に、仮想ブロックを拾い上げ、パーティションを越えて輸送し、反対側のコンパートメントのターゲットに配置する必要があることを説明します(図2)。
        注:ここで使用されている仮想修正BBTでは、ブロックは自動的に消え、実験者が決定した回数だけ開始位置で再スポーンします。
    2. EMGデータの収集を開始します。
    3. モーションキャプチャデータの収集を開始します。
    4. VR スキル評価タスクを開始します。
      1. タスクを自動的に終了する前に、事前に設定された回数の繰り返しを実行します。
    5. EMGと運動学データを事後解析のために保存します。
    6. Modified BBT の事後実験の臨床的に関連性のあるスコアを、60 秒でタスクのバリアまたは繰り返しを成功裏に通過したブロックの数として決定します。

figure-protocol-2
図2:実験プロトコル、VRタスク、および被験者のセットアップ(A)ここで使用した実験プロトコルを説明するフロー図。(B) VR環境で実装された修正BBTの例。解剖学的測定は、VRタスクのキャリブレーションに使用され、仮想テーブルが正しい相対位置にスポーンすることを確認します。(C)LEDモーションキャプチャマーカーとEMGセンサーを被写体に配置します。EMGセンサーは目的の筋肉に配置され、LEDモーションキャプチャマーカーは骨のランドマークの上に配置されます。略語:VR =バーチャルリアリティ。EMG = 筋電図;LED = 発光ダイオード。この図の拡大版を表示するには、ここをクリックしてください。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

このプロトコルを使用して被験者から取得したEMG、運動学、および力のデータは、同じタスクの繰り返し間、および異なるタスク中の動きを特徴付けるために使用できます。ここに示すデータは、この設定の実現可能性を示すために、健康なコントロール参加者からの結果を表しています。VRで修正BBTを行った健康な被験者から記録された代表的なEMGプロファイルを 図3に示します。三角筋前部(DELT_A)の高い筋肉活性化が見られ、それが各到達動作の腕の主要な動きであることを示唆しています。前腕と手首の伸筋(ECUとECR)も顕著に活性化されており、これらの筋肉が動作中にブロックの把持を支えるために使用されていることが示唆されています。最後に、親指の筋肉(EPBおよびAPB)の活動の増加は、ブロックの把持と解放における親指の筋肉の使用を示しています。VR での修正 BBT 中に記録された EMG プロファイルは現実世界のタスクと類似していましたが、VR 評価中の最大筋活動は減少しました。これらの結果は、標準的な現実世界のBBTとVRの変更されたBBTの両方が同様の運動制御メカニズムに関与していることを示唆しています。

VRハンドトラッキングデータを使用して、VRに実装された修正BBT全体の関節角度軌道の滑らかなプロファイルを生成する運動学的データを取得しました (図4)。親指、中指、人差し指でブロックをつかむと、近位指節関節と遠位指節関節の両方で関節角度が変化します (図4)。指2(人差し指)と指3(中指)の関節角度は、同様の軌道に沿って変化することが見られ、ブロックをつかんでから解放するために同時に使用されていることを示しています。一方、指4(リング)と5(小指)は、近位および遠位の指節間関節での関節角度の変化に明確なパターンを示しています。これは、それらがブロックをつかむのに使用されなかったことを示唆しているだけでなく、指2と3に対抗する動きが、ブロックが解放されている間、これらの指が屈曲したままである典型的な非相乗効果運動を示している可能性があることも示しています。この指の伸展と屈曲の分割制御は、脳卒中後の運動障害のある人には存在しない可能性があります。 表2 は、タスク中の平均関節角度範囲を示しています。また、把持やリーチなど、各動きや動きのフェーズのタイミングや、一定時間内の繰り返し回数も、VRヘッドセットから得られる運動学的データから計測することができます。

このプロトコルから得られるデータの品質は、いくつかの要因を徹底的に考慮することで最大化できます。前述のように、高品質のEMGデータを取得するには、センサー電極と皮膚との密接な接触が必要です。センサーがしっかりと配置されている場合、EMGデータはS/N比が高く、筋肉が活発に収縮していることを示すバーストの明確な期間があります(図5)。筋肉の収縮に対応する電気的活動の明確なバーストは、フィルタリングされていない信号(図5A)とフィルタリングされた信号(図5B)の両方で、ノイズを最小限に抑えて視覚化できます。信号振幅の異常または予期しない増加は、EMGセンサーの皮膚への不安定な取り付けに起因するモーションアーチファクトを示している可能性があります。有線センサーを使用する場合、動作中にワイヤーがぶら下がっていることも原因である可能性があります。高品質のモーションキャプチャデータでは、トラッキングアルゴリズムがトラッキングポイントの相対座標を正確に解決できるように、手足を鮮明なカメラビューに保持する必要があります。トラッキングされたポイントの座標が大きくまたは急激に変化したり、座標値が欠落している場合は、モーション キャプチャ データの品質が低いことを示します。マーカー補間は欠落している座標を計算するために使用できますが、この方法は移動時間に対して短い期間のみ有効です。

figure-results-1
図3:VRで修正されたBBTを10回繰り返す健康な被験者から記録された代表的なフィルタリングおよび修正されたEMGプロファイル (A)近位腕屈筋(上腕二頭筋短頭、赤、上腕二頭筋長頭、灰色、三角筋前部、黒)。(B)近位腕伸筋(上腕三頭筋長頭、緑、外側上腕三頭筋、青)。(C)遠位腕屈筋(尺骨屈筋、赤、橈側手根屈筋、黒)。(D)遠位腕伸筋(尺骨手根伸筋、緑、橈骨手根伸筋、青)。(E)指と親指の筋肉(flexor digitorum superficialis、赤、extensororum communis、緑、extensor pollicis brevis、青、abrevis外転筋、茶色)。この図はYough28から採用されています。略語:BBT =ボックスとブロックタスク。EMG = 筋電図;BIC_SH = 上腕二頭筋の短い頭。BIC_LO = 上腕二頭筋の長い頭。DELT_A = 三角筋前部);TRI_LO = 上腕三頭筋の長い頭。TRI_LAT = 外側上腕三頭筋;FCU = 尺骨手根屈筋;FCR = 橈骨手根屈筋;ECU = 尺骨手根伸筋;ECR = 橈骨手根伸筋;FDS = flexor digitorum superficialis;EDC = extensor digitorum communis;EPB = 小骨伸筋;APB = アブダクターポリシスブレビス。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-2
図4:VRで修正BBTを10回繰り返す健康な被験者から記録された代表的な運動学的プロファイル (A)CMC、MCP、およびIP関節での親指の関節角度。(B)数字2〜5のMCPジョイントのジョイント角度。(C)数字2〜5のPIPジョイントのジョイント角度。(D)数字2〜5のDIPジョイントのジョイント角度。各関節名に続く数字は、各関節が対応する指を示します(親指= 1、人差し指= 2、中指= 3、リング= 4、小指= 5)。この図はYough28から採用されています。略語:CMC =手根中手骨;Ad/Ab = 内転/外転;E / F =伸展/屈曲;MCP = 中手指節;IP = 指節間;PIP = 近位指節間;DIP =遠位指節間。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-3
図5:代表的なEMGセンサーデータ。 (A)尺骨屈筋の最適に配置された安全なEMGセンサーからの生のEMG信号と(B)フィルタリングされたEMG信号。この図はYough28から採用されています。略語:EMG =筋電図。 この図の拡大版を表示するには、ここをクリックしてください。

Delsys センサー番号筋肉
1尺骨手根屈筋
2橈骨屈筋
3尺骨手根伸筋
4橈骨手根筋
5アンコネウス
6屈筋指表在筋
7エクステンソルディジトラムコミュニス
8上腕二頭筋 - 内側/短頭
9上腕二頭筋 - 横方向/長頭
10上腕三頭筋 - 長い頭
11上腕三頭筋 - 側頭部
12三角筋前部
13外側三角筋
14ブレビス伸筋
15アブダクター・ポリシス・ブレビス

表1:このプロトコルで記録するためのEMGセンサーの筋肉選択。

自由度最小ジョイント角度(rad)最大ジョイント角度(rad)マグニチュード(rad)
手首の回外-回内0.240.680.44±0.17
手首の伸展-屈曲-0.47-0.40.1 ± 0.06
手首内転-外転-0.18-0.10.08±0.03
手根中手骨の内転-外転0.350.550.2 ± 0.09
手根中手骨屈曲-伸展0.050.240.18 ± 0.12
親指中手骨屈曲-エクステンション-0.23-0.150.08±0.02
親指指節間屈曲-伸展-0.56-0.480.09 ± 0.03
インデックス中手骨伸展-屈曲0.250.50.25±0.13
インデックス近位指節間伸展-屈曲0.740.940.0.2 ± 0.14
インデックス遠位指節間伸展-屈曲0.670.810.15 ± 0.1
中中手骨伸展-屈曲0.250.460.2 ± 0.11
中近位指節間伸展-屈曲0.891.070.18±0.11
中遠位指節間伸展-屈曲0.740.90.15 ± 0.1
リング中手骨伸展-屈曲0.220.420.2 ± 0.14
リング近位指節間伸展-屈曲0.91.10.2 ± 0.15
リング遠位指節間伸展-屈曲0.780.930.15 ± 0.1
リトル中手骨伸展-屈曲0.320.480.16 ± 0.04
小近位指節間伸展-屈曲0.931.090.16±0.09
リトル遠位指節間伸展-屈曲0.760.90.14 ± 0.09

表2:修正BBT中の平均関節角度範囲。 DOF 名の移動方向は、負-正の方向に対応します。例えば、「手首の回外-回内」では、回外は負の方向、回内は正の方向です。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EMGシステム
EMGシステムのハードウェアは、筋肉の活性化データを取得するために使用される15個のEMGセンサーで構成されています。市販のアプリケーションプログラミングインターフェイス(API)を使用して、カスタムEMG記録ソフトウェアを生成しました。VRシステムハードウェアは、没入型VR環境を表示するためのバーチャルリアリティヘッドセットと、バーチャル評価タスクが保存されている専用コンピュータにヘッドセットをリンクするためのケーブルで構成されています。このソフトウェアは、VRタスクを作成して実行するための3Dコンピューターグラフィックスソフトウェアで構成されています。ここでは、一般的な手動器用さ評価26から適応された修正されたボックスアンドブロックテストが評価タスクとして使用されました。VR環境との対話は、テーブルがスポーンする場所を計算し、タスクを開始し、ブロックをスポーンし、データを保存するように設計されたソフトウェアプログラムを使用して許可されました。

モーションキャプチャシステム
モーションキャプチャシステムのハードウェアは、VRヘッドセット、マーカーモーションキャプチャシステム、およびVRモーションコントローラーで構成されています。VRヘッドセットには、4つの内蔵赤外線カメラ(72-120 Hz)によるハンドトラッキング機能が装備されています。これらのデータは、運動学的分析のためにデバイスから抽出されました。マーカーモーションキャプチャシステムは、サーバー、視野角60°のカメラ、マーカーとしての赤色発光ダイオード(LED)、およびキャリブレーションオブジェクトで構成されています。空間を正確にキャプチャするには、カメラがわずかに重なる必要があります。実験中、特定のキャプチャエリアを8台のカメラ(480 Hz)で囲み、4台が天井に、4台が床にありました。このシステムは、実験前にキャリブレーションされ、調整されました。マーカーモーションキャプチャシステムは、臨床アプリケーションと研究アプリケーションの両方に高解像度の運動学的データを提供するため、好まれる場合があります。VRモーションコントローラーには、手と指の動きをキャプチャする光学式ハンドトラッキングモジュールが含まれています。コントローラーには 640 x 240 ピクセルの近赤外線カメラ (120 Hz) が 2 台搭載されており、デバイスから最大 60 cm まで、140 x 120° の視野で動きを追跡できます。このデバイスは、VRヘッドセットに取り付けられているか、移動中に頭の上に固定されていました。3Dコンピュータグラフィックス開発ソフトウェアを使用して、ハンドトラッキングを視覚化し、VR環境からデータを収集しました。マーカーレスおよびマーカーモーションキャプチャシステムからのデータは、カスタムソフトウェアプログラムスクリプトを使用して取得および保存されました。ソフトウェアプログラムのスクリプトの例は、https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0 にあります。

代替可能な機器の
このプロトコルでは、無線、バイポーラ、表面EMG電極が使用されますが、他のEMG技術(有線など)で代用することもできます。 「材料表」に記載されている標準的な市販のセンサを使用する場合は、カスタムソフトウェアスクリプト(サンプリングレート2,000 Hz)の代わりに付属のDAQソフトウェアを使用できます。別のEMGセンサーを使用する場合は、そのシステムと互換性のあるソフトウェアも使用する必要があります。

VRヘッドセットは、ケーブルでVRヘッドセットをコンピューターにリンクするのではなく、ヘッドセット内にインタラクティブ環境を保存する機能を備えています。このフィーチャーを将来のテイクホーム・リハビリテーションのアプリケーションに実装することは、患者にとって有利なこととなるでしょう。ここで使用しているVRヘッドセットは、別の没入型VRヘッドセットと交換できる場合があります。代替する前に、ゲーム開発ソフトウェアとの互換性を検証する必要があります。

別の信頼性の高いマーカーまたはマーカーレスモーションキャプチャを使用して、ハンドキネマティクスを追跡できます。たとえば、VRベースのモーションキャプチャを使用してセットアップを簡素化すると同時に、運動学的情報を抽出するために必要なハンドトラッキングデータを取得できます。ここで使用するマーカーモーションキャプチャシステムには、実験的なモーションキャプチャ空間をキャリブレーションし、カメラを実行するソフトウェアが含まれています(サンプリングレートは480Hz)。代替のモーションキャプチャテクノロジーは、適切な対応するソフトウェアと一緒に使用する必要があります。

図 1 には、それぞれ異なるハードウェア コンポーネントを実行している個別のコンピューターが示されています。1台の高性能コンピューターで、データ収集とVRのすべてのソフトウェアを実行できます。ここで説明するプロトコルでは、3 台の別々のコンピューターを使用するには、データの同期が必要です。デバイス間でデータを時間内に同期することは、EMG、運動学、およびフォースデータで意味のある結論を出すために重要です。組み込みのdatetime関数を使用したカスタムソフトウェアプログラムスクリプトを使用して、タスクの開始時に各システムの世界時を記録しました。重要なのは、これらのスクリプトが正しく機能するためには、すべてのコンピュータが同じネットワークに接続されている必要があるということです。datetimeを使用して開始時間を記録した後、DAQスクリプトはtic関数とtoc関数を使用して、試行中に時間をインクリメントしました。これらの関数の精度は約0.000001秒で、1,000kHzでデータを記録できる可能性があります。私たちのセットアップでは、最高サンプリング周波数は30kHzで、これはデバイス間での時間の記録と同期に関するこの方法の最大能力をはるかに下回っています。Pythonで開発された伝送制御プロトコル/インターネットプロトコル(TCP-IP)メッセージングアプリケーション29を使用して、IPアドレスに基づいてVR環境とDAQアプリケーションとの間でデータを伝送した。

時刻の同期を確保するだけでなく、異なるサンプリング周波数で集録したデータを同期させることも非常に重要でした。2台のコンピュータを手動で起動して、モーションキャプチャデータ(480Hz)とEMGデータ(2000Hz)を記録しました。先行研究では、カスタム同期回路を利用して、試験ランドマークのシステム間で共通のイベントを送信しました(たとえば、データ記録の開始時に同期パルスが送信され、記録の終了時に再度送信されます)30。ここでは、ソフトウェアプログラムの datetime、 tic、 toc 関数を使用すると、ハードウェアを追加せずに同期できます。ここで使用している市販のTCP-IPメッセージングアプリケーションも、システム間の継続的な通信をサポートしていました。システム間で時間とデータ収集の頻度を同期するこのフレームワークは、高度な事後分析のためにデータを一貫して整理するのにも役立ちました。

ここで説明する実験プロトコルは、臨床グループや研究グループのさまざまなニーズに合わせて非常にカスタマイズ可能で、臨床と自宅/リモートの両方の設定に適用できる可能性があります。VR で修正された BBT を使用した筋活動と運動学の評価について説明しましたが、同様のセットアップをさまざまな臨床テストに使用でき、データセットを減らすために簡略化することさえできます。たとえば、運動学的データのみが必要な場合は、EMGセンサーと力センサーを除外できます。キネマティックデータの取得のみを行うには、モーションキャプチャシステムを使用するだけで済みます。脳波計や心電図などの追加のハードウェアも、追加のデータを記録するために含めることができます。標準的な表面EMG電極の代わりに、高密度の表面または筋肉内EMGを使用して、より正確な筋肉活動データ31,32を記録することができる。さらに、ARATやGRASSPなどの他の機能的臨床試験を使用して、さまざまな患者集団の運動障害を評価することができます。ここで説明するセットアップは、主に VR での動きの欠損をより定量化するための研究目的ですが、リモートでの患者のモニタリングとリハビリテーションを可能にする同様のセットアップを開発することを目指しています。このプロトコルは、手の動き追跡を備えた標準的な消費者向けVRゴーグルとウェアラブルEMG記録デバイスを組み合わせて簡単に適応できると予想しています。今後の研究では、このプロトコルを家庭での使用に向けてさらに発展させることを目指しており、現在開発中の低コストでウェアラブルな高密度筋電図スリーブを取り入れています。

クリニックやリハビリテーションセンターでの従来の理学療法や作業療法と比較して、VRリハビリテーションには多くの潜在的な利点があります。ここで説明するプロトコルは、主に研究目的で使用することを意図していますが、仮想評価方法は、高価で特殊な医療機器を必要とせずに、リモートで既製のデバイスを使用して実装できる可能性があります。さらに、VRシステムは、手の動きを定量的に追跡して、標準的な評価33,34では実現できない可能性のある動きの品質に関する洞察を提供することができます。VRでの動きと現実世界のタスクの比較可能性は、依然として集中的な研究のトピックであり、将来の洞察は、VRをリハビリテーションにどのように使用できるかに影響を与えるでしょう。ここで説明する手順は、VRを使用して標準化された動きをガイドし、個々の運動学的データとEMGデータを取得する柔軟なセットアップです。また、説明されたセットアップを利用した研究から得られたデータは、個人が仮想環境内でどのように動くか、および一部の被験者がVRをより没入感のあると感じる潜在的なメカニズムについての洞察を提供する可能性があります。これは、実際の臨床評価をVR環境に適応させる際に非常に重要です。

このプロトコルのセットアップと実行のいくつかのステップは、高品質で正確なデータを取得するために注意深く監視する必要があります。最も重要なのは、EMGセンサーの適切な配置です。高いS/N比でクリーンで正確なEMGデータを得るためには、選択した筋肉27の腹の上の消毒された毛のない皮膚にセンサーを配置する必要がある。同様に、マーカーモーションキャプチャシステムを使用する場合、マーカーを骨のランドマークに正確に配置して、関心のある関節角度を計算するための信頼性の高いデータをキャプチャする必要があります。EMGセンサと比較して、モーションキャプチャマーカーの向きにはある程度の柔軟性があるが、空間35内の剛体の位置を定義するために、常に少なくとも3つの非同一線上の点を使用すべきである。モデルベースのインバース キネマティクスなど、ジョイント角度を計算するための特定の手法では、正確なマーカー配置が必要になります。この方法を使用する場合、実験マーカーの位置はモデル36の位置と一致する必要があります。インバースキネマティクスの計算用に開発された筋骨格モデリングソフトウェアには、通常、モデルと実験マーカーの位置を一致させるための組み込み計算関数が含まれています。スタンフォード大学37によって開発されたプラットフォームであるOpenSimは、このタイプの分析に一般的に使用されます。EMGセンサーとマーカーの両方のセキュリティをタスク全体で監視して、高品質のデータが記録されるようにする必要があります。

このプロトコルから取得されるデータにノイズが多い場合、トラブルシューティングはいくつかの手順の検討に焦点を当てる必要があります。まず、EMGセンサーの配置が適切でないと、ノイズの多いデータが生成されるため、検証する必要があります。この問題を軽減するには、前述のように、EMGセンサーを取り付ける前に皮膚を準備することが重要です。さらに、マーカーがカメラの範囲外に移動すると、モーションキャプチャデータが低くなる可能性があります。トラッキングされたポイントの一時的な損失は補間によって解決できますが、マーカーが正確な位置データを送信できない状態が続くと、より深刻な根本的な問題が発生する可能性があります。1 つのマーカーが繰り返しドロップアウトする場合は、マーカーが被写体の動きによって隠されているか、カメラの範囲外に移動していることを示している可能性があります。さらに、カメラのキャリブレーションに欠陥があると、いくつかのマーカーが失敗する可能性があります。このシナリオでは、実験空間から被験者とテスト機器を取り外した後、モーションキャプチャシステムを完全に再調整するのが最善です。また、暗い環境では高品質のモーションキャプチャデータの取得が妨げられる可能性があるため、十分な照明を使用する必要があります。

説明されているプロトコルには、いくつかの制限があります。まず、ここに示すセットアップでは、複数のモーションキャプチャカメラを使用する必要があります。ただし、このプロトコルの目的は、高解像度のデータを収集して、患者だけで完了する可能性のある完全なリモート臨床評価を開発する前に、VR での動きの欠損をより適切に定量化することです。さらに、VRで実行されるタスクには、触覚的なフィードバックがありません。触覚フィードバックだけでグリップ力38,39の大きさを変えることができるため、これは注意することが重要です。これは、タスクが有形の機器を使用するのではなく、仮想環境で実行される場合の筋肉の活性化や運動学に影響を与える可能性があります。触覚フィードバックが非常に重要であると考えられる場合(例えば、患者が感覚障害も経験している場合)、触覚フィードバックを模倣するために触覚ロボットの使用を含めることができる。この制限にもかかわらず、ここで説明するセットアップから得られるデータは、運動障害を持つ患者の VR のみのタスクにおける運動学と筋肉活動の変化を定量化する上で重要であると予想しています。これは、このような臨床検査を自宅での使用に適応させるのに役立ちます。このプロトコルの追加の制約は、テスト中に一度に 1 つのブロックが表示されることです。標準のBBTでは、最初にボックスの1つのコンパートメントに150個の木製ブロックが配置されます。この修正されたBBTは、同じ仮想ロケーションでリスポーンする1つのブロックをシミュレートすることにより、記録されたモーションキャプチャとEMGデータの再現性を向上させるように設計されました。そのため、VR に実装された修正された BBT は、より簡略化されたタスクである可能性が高いです。今後の研究では、VRで修正されたBBTが標準のBBTの設定と一致していることが重要になり、コンテンツの妥当性を確保することが重要になります。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者は、宣言する利益相反を持っていません。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この作業は、保健問題担当国防次官補室が、Restoring Warfighters with Neuromusculoskeletal Injuries Research Program(RESTORE)を通じて、賞番号W81XWH-21-1-0138の下で支援しました。意見、解釈、結論、および推奨事項は著者のものであり、必ずしも国防総省によって承認されているわけではありません。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
アームレスチェアN / A被験者が座るための椅子は、腕が邪魔されないようにアームレスにする必要があります。
コンピュータデル・テクノロジーズ データ収集機器に付属する3台のコンピュータが使用されました。
Leap Motion ControllerUltraleap手と指の動きを捉える光学式ハンドトラッキングモジュール。コントローラーには 2 台の 640 x 240 ピクセル近赤外線カメラ (120 Hz) があり、デバイスから最大 60 cm まで、140 x 120°C の動きを追跡できます。視野。このデバイスは、VRヘッドセットに取り付けられているか、移動中に頭の上に固定されていました。
MATLABMathWorks, Inc. カスタムデータ収集ソフトウェアの開発に使用されるプログラミングプラットフォーム
Oculus Quest 2Meta4つの赤外線内蔵カメラ(72-120 Hz)によるハンドトラッキング機能を備えた没入型バーチャルリアリティヘッドセット。他の類似デバイス(HTC Vive、HP Reverb、Playstation VRなど)で代用できます。
Oculus Quest 2 リンクケーブルメタVRゲームが格納されていたコンピューターにヘッドセットを接続するために使用
PhaseSpace Motion CapturePhaseSpace, Inc.サーバー、視野角60°Cのカメラ、赤色発光ダイオード(LED)をマーカーに、キャリブレーションオブジェクト
Trigno Wireless SystemDelsys, Inc.Delsys Inc.による、EMG、加速度計、力センサー、基地局、および収集ソフトウェアが含まれています。Trigno-MATLAB Application Programming Interface (API) を使用して、カスタム録音ソフトウェアを開発しました。
UnReal Engine 4Epic GamesSoftware を使用して、VR で変更されたボックスとブロックのタスクを作成および実行するために使用
で構成されるマーカーモーションキャプチャシステム。

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rosenbaum, D. A. Human motor control. , Elsevier Inc. (2010).
  2. Kalsi-Ryan, S., Curt, A., Fehlings, M., Verrier, M. Assessment of the hand in tetraplegia using the Graded Redefined Assessment of Strength, Sensibility and Prehension (GRASSP): impairment versus function. Topics in Spinal Cord Injury Rehabilitation. 14 (4), 34-46 (2009).
  3. Kalsi-Ryan, S., et al. The Graded Redefined Assessment of Strength Sensibility and Prehension: reliability and validity. Journal of Neurotrauma. 29 (5), 905-914 (2012).
  4. Menorca, R. M. G., Fussell, T. S., Elfar, J. C. Nerve physiology. Hand Clinics. 29 (3), 317-330 (2013).
  5. Spinal cord injury. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/disorders/spinal-cord-injury (2023).
  6. Peripheral neuropathy. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/patient-caregiver-education/fact-sheets/peripheral-neuropathy-fact-sheet (2023).
  7. Statistics: Get informed about Parkinson's disease with these key numbers. Parkinson's Foundation. , Available from: https://www.parkinson.org/understanding-parkinsons/statistics (2023).
  8. Virani, S. S., et al. Heart disease and stroke statistics-2021 update: a report from the American Heart Association. Circulation. 143 (8), e254(2021).
  9. Hsieh, Y., et al. Responsiveness and validity of three outcome measures of motor function after stroke rehabilitation. Stroke. 40 (4), 1386-1391 (2009).
  10. Van Der Lee, H., Beckerman, H., Lankhorst, G. J., Bouter, L. M. The responsiveness of the action research arm test and the Fugl-Meyer assessment scale in chronic stroke patients. Journal of Rehabilitation Medicine. 33 (3), 110-113 (2001).
  11. Duncan, P., et al. Randomized clinical trial of therapeutic exercise in subacute stroke. Stroke. 34 (9), 2173-2180 (2003).
  12. Saposnik, G., et al. Efficacy and safety of non-immersive virtual reality exercising in stroke rehabilitation (EVREST): a randomised, multicentre, single-blind, controlled trial. The Lancet Neurology. 15 (10), 1019-1027 (2016).
  13. Wolf, S. L., et al. The EXCITE stroke trial: Comparing early and delayed constraint-induced movement therapy. Stroke. 41 (10), 2309-2315 (2010).
  14. Krakauer, J. W., Carmichael, S. T. Broken movement: the neurobiology of motor recovery after stroke. , The MIT Press. Cambridge, MA. (2017).
  15. Pollock, A., et al. Interventions for improving upper limb function after stroke. Cochrane Database of Systematic Reviews. 2014 (11), (2014).
  16. Olesh, E. V., Yakovenko, S., Gritsenko, V. Automated assessment of upper extremity movement impairment due to stroke. PLoS ONE. 9 (8), e104487(2014).
  17. Gritsenko, V., et al. Feasibility of using low-cost motion capture for automated screening of shoulder motion limitation after breast cancer surgery. PLOS ONE. 10 (6), e0128809(2015).
  18. Thomas, A. B., Olesh, E. V., Adcock, A., Gritsenko, V. Muscle torques and joint accelerations provide more sensitive measures of poststroke movement deficits than joint angles. Journal of Neurophysiology. 126 (2), 591-606 (2021).
  19. De Luca, C. Electromyography. Encyclopedia of Medical Devices and Instrumentation. , (2006).
  20. Lin, C. -J., Guo, L. -Y., Su, F. -C., Chou, Y. -L., Cherng, R. -J. Common abnormal kinetic patterns of the knee in gait in spastic diplegia of cerebral palsy. Gait & Posture. 11 (3), 224-232 (2000).
  21. Lin, J., Shah, D., McCracken, C., Verma, S. Quantitative EMG in Duchenne muscular dystrophy (P6.328). Neurology. 86, (2016).
  22. EMG test for neuromuscular disease. Brigham and Women's Hospital. , Available from: https://www.brighamandwomens.org/medical-resources/emg-test (2023).
  23. Kuthe, C. D., Uddanwadiker, R. V., Ramteke, A. A. Surface electromyography based method for computing muscle strength and fatigue of biceps brachii muscle and its clinical implementation. Informatics in Medicine Unlocked. 12, 34-43 (2018).
  24. Holtermann, A., Grönlund, C., Karlsson, J. S., Roeleveld, K. Motor unit synchronization during fatigue: Described with a novel sEMG method based on large motor unit samples. Journal of Electromyography and Kinesiology. 19 (2), 232-241 (2009).
  25. Kim, H., Lee, J., Kim, J. Electromyography-signal-based muscle fatigue assessment for knee rehabilitation monitoring systems. Biomedical Engineering Letters. 8 (4), 345-353 (2018).
  26. Mathiowetz, V., Volland, G., Kashman, N., Weber, K. Adult norms for the box and block test of manual dexterity. American Journal of Occupational Therapy. 39 (6), 386-391 (1985).
  27. Hermens, H. J., Freriks, B., Disselhorst-Klug, C., Rau, G. Development of recommendations for SEMG sensors and sensor placement procedures. Journal of Electromyography and Kinesiology. 10 (5), 361-374 (2000).
  28. Yough, M. Advancing medical technology for motor impairment rehabilitation: Tools, protocols, and devices. Graduate Theses, Dissertations, and Problem Reports. , (2023).
  29. Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., Schwartz, A. B. Cortical control of a prosthetic arm for self-feeding. Nature. 453 (7198), 1098-1101 (2008).
  30. Talkington, W. J., Pollard, B. S., Olesh, E. V., Gritsenko, V. Multifunctional setup for studying human motor control using transcranial magnetic stimulation, electromyography, motion capture, and virtual reality. Journal of Visualized Experiments. (103), e52906(2015).
  31. Murillo, C., et al. High-density electromyography provides new insights into the flexion relaxation phenomenon in individuals with low back pain. Scientific Reports. 9 (1), 15938(2019).
  32. Péter, A., et al. Comparing surface and fine-wire electromyography activity of lower leg muscles at different walking speeds. Frontiers in Physiology. 10, 1283(2019).
  33. Isenstein, E. L., et al. Rapid assessment of hand reaching using virtual reality and application in cerebellar stroke. PLOS ONE. 17 (9), e0275220(2022).
  34. Varela-Aldás, J., Buele, J., López, I., Palacios-Navarro, G. Influence of hand tracking in immersive virtual reality for memory assessment. International Journal of Environmental Research and Public Health. 20 (5), 4609(2023).
  35. Robertson, D., et al. Human kinetics. Research methods in biomechanics. , Champaign, IL. (2004).
  36. Dunne, J. J., Uchida, T. K., Besier, T. F., Delp, S. L., Seth, A. A marker registration method to improve joint angles computed by constrained inverse kinematics. PLOS ONE. 16 (5), e0252425(2021).
  37. Delp, S. L., et al. OpenSim: Open-source software to create and analyze dynamic simulations of movement. IEEE Transactions on Biomedical Engineering. 54 (11), 1940-1950 (2007).
  38. Naceri, A., Gultekin, Y. B., Moscatelli, A., Ernst, M. O. Role of tactile noise in the control of digit normal force. Frontiers in Psychology. 12, 612558(2021).
  39. Wottawa, C. R., et al. The role of tactile feedback in grip force during laparoscopic training tasks. Surgical Endoscopy. 27 (4), 1111-1118 (2013).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

Virtual Box And BlockMotion CaptureSurface ElectromyographyMuscle Activity AssessmentVirtual Reality RehabilitationRemote Patient MonitoringHand Function TestMotor Impairment QuantificationEMG SensorsUpper Limb Movement

関連記事