Name: 触覚/グラフィックリハビリテーション：仮想環境のライブラリにロボットを統合し、脳卒中治療に適用すること (動画) | JoVE Journal
Uploaded: 2011-08-08T13:00:00.000+00:00
Duration: 13 min 44 s
Description: 学ぶロボットと仮想環境の統合による脳卒中リハビリテーション手法。H3D APIとラッパークラスを用いて、触覚・グラフィックライブラリを拡張し、標準化された治療プロトコルを構築する。

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

私はブライアンZenowich、ダニエルEvestedtとWinsean林の技術的な助けに感謝します。

はじめ直感的で効率的なインタラクティブな環境のためのヒューマンマシンインタラクション（HMI）のすべてのニーズが高まっています。リハビリテーション用ロボット、自動車産業、金属の製造、包装機械、医薬品、食品、飲料、およびユーティリティ：多くの産業は、次のようなHMIに、より大きく依存し続ける。これらの業界で採用技術が含まれます：表示端末、パーソナルコンピュータ、およびHMIソフトウェア。これらの技術は、無制限の機能を実行するために組み合わせることができます。 ロボットは、音楽講師としてなど、ユーザーと直接対話を促進するために使用されることがあります。例えば、早稲田大学の研究者は、再生する方法を人々に教えるために、学生と教師1の間の相互作用を理解するためにサックスを演奏するロボットを作成しました。他のロボット研究者は人工知能は環境2のインテリジェントな相互作用に発展するかもしれないか決定するために、ビジョンベースの飛行ロボットを行っている。このホワイトペーパーの特定の濃度は、リハビリ用ロボット内に存在する。 研究と産業の領域内に、新製品やユーザー要件の変化の速いペースで成長を続けている。これらの要求は、スケーラビリティに大きな課題を課す。したがって、コード設計は、タイムリーに、これらのエンティティのニーズを満たすのに不可欠となっています。したがって、強力なアーキテクチャの候補者の質は、ドライバのサポートが含まれて簡単に交換可能なグラフィックロボットシステムが含まれます。 H3DAPIアーキテクチャは、これらのニーズを満たしているため、ラッパークラスが作成されました。さらに、H3Dは、リハビリ用ロボットに必要な、仮想現実の環境用に設計されています。 神経リハビリテーションロボティクス、リハビリテーションの専門家を支援する目的のためにロボットを活用しようとしています。これらのロボットが提供する支援は、フォースフィールドの形式で提供されます。外部から印加される力場のようなShadmehrとMussa -イバルディ、使用される力の場のモータの適応を促進するために、そして1を発見したとして渡されたモータコマンドの研究者）の適応が）を含めて動きの異なるクラスで発生するが、到達運動に限定されない、と2適応は、外部フィールドの3の同じ地域を訪問し、異なる動きを越えて一般化する。パフォーマンスベースのプログレッシブロボット介在療法における生体力学的なエンジニアからの研究は、繰り返し、タスク固有の、目標指向は、ロボット介在療法は、脳卒中4の後に、影響を受けた腕の運動障害を低減するのに有効であることを示していますが、正確な治療効果とパラメータ研究の分野であり続ける。 感覚フィードバックは、学習や適応に影響を与えます。したがって、次の論理的な質問は、人為的にそのようなフィードバックの大きさを大きくすると学習/適応速く以上完全促進するかどうかを尋ねるだろう。一部の研究者は、ミスを高めるために大きな感覚フィードバック力や視覚的な手掛かりを適用すると適応/学習5,6のより高いレベルを促進するために十分な神経学的な刺激を提供できることを見出した。これは、"エラーの増大"として知られています。この現象は、モータの制御動作の一度だけの成果が理想から外れているという事実に起因するかもしれない、私たちの内部モデルを自己調整誤差の大きさに応じて。その結果、私たちの内部モデルとして、外部環境、タスクの減少の実行中にエラーが近づく。 多くの現在の医療政策はセラピストとの時間を過ごすことができる時間の患者の量を制限するものの研究は、機能の回復のための機能的に関連する活動の長期実践をサポートし続けています。説得力のある質問は、技術のこれらの新しいアプリケーションは、単にケアの現在の状態のより高い用量を与えるよりも先に進むことができるかどうかです。人間と機械の相互作用の研究は、運動学習の分野で新たな展望を明らかにした、といくつかのケースでは治療のプロセスに付加価値を提供することができます。コンピュータディスプレイとの組み合わせに特化ロボットデバイスは、モータの再学習を、スピードアップの強化、またはトリガするために、エラーのフィードバックを増やすことができます。本稿ではこの技術の応用の一例として、臨床的介入の​​ために開発されたシステムを使用しての方法論を紹介します。 1。ロボットのためHAPIラッパークラスの確立<ol><li>独自の。cppファイルおよびヘッダファイルを作成することにより、HAPIハプティックスライブラリのラッパーを作成します。例えば、我々は、名前のHAPIWAM.cppとHAPIWAM.hを使用します。 </li><li>ソースディレクトリに入れますHAPIWAM.cpp：HAPI / srcに</li><li>ヘッダファイルのディレクトリに配置HAPIWAM.h：HAPI /インクルード/ HAPI </li><li> HAPIWAM.hの上部に、なるWAMバレット、の場合には、あなたのロボットのメインヘッダーファイル（複数可）が含まれます： </li></ol> &lt;EM&gt;をextern"C"{ ＃&lt;include/btwam.h&gt;含まれています } ＃&lt;HAPI/HAPIHapticsDevice.h&gt;含まれています 注：付属のライブラリは、'C'とH3DAPIで書かれているためにextern"C"は、コンパイラのマングリングを解決するために必要なC + +で書かれ。 <ol start="5"><li> HAPIWAM.hでは、あなたのクラスを作成し、次の4つの機能が含まれています</li></ol> ブール値initHapticsDevice（int型）; ブール値releaseHapticsDevice（）; ボイドupdateDeviceValues（DeviceValues＆DV、HAPITime DT）; ボイドsendOutput（HAPIHapticsDevice：：DeviceOutput＆D、HAPITime t）は; <ol start="6"><li>あなたのクラスがHAPIhapticsdeviceクラスから公に継承することを確認してください。 </li><li>あなたのクラスのヘッダーのガードを作成します。 </li><li> HAPIWAMクラスの下の静的DeviceOutputと静的HapticsDeviceRegistration属性を作成します。 </li><li>コー​​ルバック用の静的メンバ関数を作成します。 </li><li> HAPIWAM.cppで、コンストラクタとデストラクタを定義します。 </li><li> HAPIWAM.cppでデバイスを登録してください。 </li><li> HAPIWAM.cppであなたの4継承された関数とコールバックを定義します。 </li></ol> 2。 HAPIライブラリの作成<ol><li>我々はHAPIのラッパークラスを作成したので、我々は、HAPIライブラリにあなたのラッパーを構築する必要があります。 WAMはH3DAPIはその生の形式に依存しないいくつかのライブラリに依存し、従ってこれらのライブラリは、HAPIに追加する必要があります。 HAPI / HAPI /ビルドに移動し、CMakeLists.txtを編集します。 'SET（OptionalLibs）"という行の後に依存ライブラリを追加します。 </li><li>コマンドコンソールを開き、次の場所に移動します。HAPI / HAPI /ビルドと次の順序で3つのコマンドを入力します。 </li></ol> cmakeの。 sudoは行う sudoはmake installを 3。 H3Dラッパークラス<ol><li>あなたのHAPIWAMでH3Dライブラリのラッパークラスを作成するには、最初にソースディレクトリにWAMDevice.cppを作成します。H3DAPI/srcを</li><li>ヘッダファイルのディレクトリに配置WAMDevice.h：H3DAPI/include/H3D </li><li> WAMDevice.hはあなたが好きに置き換えた名前で、すべてのH3DAPIデバイス用の標準ヘッダファイルを含める必要があります。 </li><li> WAMDevice.cpp何でも好きなものに置き換えた名前で、すべてのH3DAPIデバイスの標準的なソースが含まれている必要があります。 </li><li>ラッパークラスが作成されたので、H3DAPIライブラリを再構築。 H3DAPI/build：のみディレクトリの下に、ステップ2.1で実行されたのと同じ方法でCMakeLists.txtを編集することによってこれを行います。 </li><li>ディレクトリH3DAPI/build下H3DAPIライブラリを再構築</li></ol> cmakeの。 sudoは行う sudoはmake installを 4。有限状態マシン<ol><li>すべてのターゲットに及ぶプログラムは、実験プロトコルや練習の政体を制御するための有限状態マシンを作成する必要があります。代表的なステートマシンは、次のとおりです。トライアルのスタート、打ち上げ、ターゲットの連絡先、および試用版の終了を。各状態、および状態の間で転送するための基準の関数の例を以下に示します。 </li><li>試験の開始は、ターゲットの割り当てが必要になります。ターゲットの位置は、各試行ごとにランダムに設定することができますまたはファイルから設定することができます。試験の開始は、一度ユーザーが速度しきい値、毎秒通常は0.06メートル上記の目標に向かって打ち上げている終わります。 </li><li>起動状態は、試験開始後に発生します。ユーザーがターゲットに触れるか一定時間、ターゲットの内側に留まると、この状態はどちら終了します。ターゲットをタッチされると、これはターゲットの連絡先の状態が有効になります。 </li><li>ターゲットのお問い合わせは、起動状態の間に発生します。被験者が一定の期間内のターゲット内に存在した後、ターゲットが触れたりされるとすぐに終了することがあります。この時間が経過すると、試用版の状態の終了が有効になっています。 </li><li>試用状態の終了は、ソフトウェア開発者は、各試験の終わりを区切るために、使用した構文解析するものは何でも、データファイルをマークするためにデータ収集ソフトウェアを通知する必要があります。最後の試験が完了している場合を除き、試験状態の終わりの終わりは、試用版の状態の開始を可能にします。 </li></ol> 5。アプリケーション：脳卒中患者のリハビリテーション<ol><li>ロボットインタフェースは、そうでなければ行うことができない何かを有効にするためにロボットを使用しながら、セラピストの専門知識を含むように設計されています。いくつかの既知の理由により、再学習のプロセス（図1）を向上させる患者によって知覚誤差を拡大エラーの増大、、の技術を有効にアプリケーション（詳細は後述）。 </li><li>三次元触覚/グラフィックシステムは、バーチャルリアリティ、ロボットと光操作機（VRROOM）と呼ばれる。このシステムは、以前に6を示したが、投影ステレオ、手首の位置を記録し、力のベクトルを（図2）生成されたロボットシステムと半銀ミラーのオーバーレイディスプレイのヘッド追跡レンダリングを組み合わせる。 </li><li>シネマ品質のディgitalプロジェクター（クリスティミラージュ3000 DLP）が110 °広視野角で、その結果、5フィートワイド1280 × 1024ピクセルのディスプレイにまたがる画像を表示します。赤外線エミッターは、液晶ディスプレイ（LCD）シャッターメガネ（ステレオグラフィックス株式会社）を介して別個の左と右眼の画像を同期。アセンションは、視覚的なディスプレイが適切なヘッドを中心とした視点でレンダリングされたように、磁気素子は、ヘッドの動きを追跡鳥の群れ。 </li><li>研究のために予選の際、各参加者の機能的能力は、それぞれの後の一週間のフォローアップと全体の45日間のフォローアップ評価でそれぞれの治療のパラダイムの開始と終了時にブラインド評価者により評価した。各評価は含めVRROOMだけでなく、臨床評価で行われる運動（ROM）評価の範囲から成っていた：ボックスおよびブロックアセスメント、ウルフ運動機能テスト（WMFT）、Fugl - マイヤー（AMFM）のアームのモーター部、およびシンプルな機能リーチ（ASFR）の評価。 </li><li>手首の添え木とexotendon手袋は中立手首と手の位置合わせを支援するために利用された。ロボットハンドルのセンターが前腕に装着したその力は、手首で行動したが、手で動きを許可するように橈骨手根関節の後方に置かれた。 </li><li>患者の腕の重量がバネ駆動ウィルミントンロボット外骨格（WREX）重力バランス装具を用いて軽減された。患者さんの指示の目標は、彼らの前に提示カーソルがセラピストの手（セラピストの遠隔操作）で追跡装置を経由して移動追いかけていました。 </li><li>患者は患​​者、セラピスト、そしてトリオで一緒に働くロボットで、約40〜60分間、週三日の練習。件名とセラピストがside - by - side座って、そして件名は手首でロボットに接続されていた。 </li><li>各セッションは、マシンに患者を置くことで約10分、続いセラピストによる動きのエクササイズの受動的な範囲（PROM）、の5分で始まった。被験者は、その後5分ごとに各ブロックの間に2分間の休息期間が続く運動トレーニングの6ブロックを完了した。 </li><li>研修中、参加者は、ステレオのディスプレイ上の2つのカーソルを表示。参加者が他を支配しながら治療するセラピストは、つのカーソルを操作する。患者は、それはワークスペース全体に移動したとしてセラピストのカーソルの正確なパスに従うように指示された。 </li><li>エラーの増大は、視覚的にもロボットによって生じる力によって提供されていました。参加者がセラピストのカーソルから逸脱したとき、瞬時誤差ベクトルeは、セラピストのカーソルと参加者の手との間の位置の違いとして設立されました。エラーが視覚的にエラーの増強の一環として、1.5 E（M）の要因によって拡大された。さらに、100 E（N / m）の誤差増大させる力は、安全上の理由から4 Nの最大値で飽和するようにプログラムされた、適用された。 </li><li>すべての他の治療法のブロックは、各セッションで同じであった特定の、標準化の動きから成っていた。他のブロックは、セラピストは、セラピストの専門知識とそれらの観察に基づいて、弱点の特定の領域で研修をカスタマイズすることができました。前方に含むと側面が到達する、肩、肘のカップリング、そして身体全体に達する対角線、治療プロトコルは、すべての参加者のための特定の動きの練習が含まれています。 </li><li>練習しながら、日々の中央値誤差は、実践の一つの結果として測定した。特別な注意がセッションごとに同じであった標準化の動きのブロックに与えられた。これらは、任意の増分の改善が患者に報告できる日々、、セラピスト、そして介護者（図3）で観察することができるかどうかを決定する前の日と比較した。 </li><li>結果の主な施策は、利益の保持を決定するために1週間、治療の終了後、毎週測定、および45日後にされた。主要な成果はFugl - Meyerの運動能力の得点と運動の範囲を測定し、カスタマイズアームリーチテストだった。 </li></ol> 6。代表的な結果： &lt;AnyDevice&gt;ノードがH3DViewerまたはH3DLoadにロードされると、プロトコルが正しく行われると、その後、WAMデバイスが認識され、開始する必要があります。 WAMは、別のロボットに置き換えていた場合は、コード自体を変更する必要はない。 <img src="/files/ftp_upload/3007/3007fig1.jpg" alt="図1" data-altupdatedat="1787634011000" data-alt="図1"> 触覚/グラフィック装置に座っている図1。件名。 <img src="/files/ftp_upload/3007/3007fig2.jpg" alt="図2" data-altupdatedat="1787634011000" data-alt="図2"> 触覚/理学療法士とのグラフィック装置に座っている図2。件名。 <img src="/files/ftp_upload/3007/3007fig3.jpg" alt="図3" data-altupdatedat="1787634011000" data-alt="図3"> 図3。リハビリテーションO用の設定F脳卒中患者。一緒に働くA）の対象とセラピスト、装着され、動きを練習するために大規模ワークスペースハプティック/グラフィックディスプレイを使用して。セラピストは、サブジェクトのキューを提供し、患者のニーズに合わせて調節できる。ロボットは、離れてターゲットから手足をプッシュ力を提供し、視覚フィードバックシステムは、カーソルのエラーを高めます。日から日までB）典型的な慢性脳卒中患者の改善。各ドットは、ステレオタイプの機能運動の2分のブロックのために測定された中央値エラーを表します。患者は2週間の期間にわたって進行し、総合的な利点を示していますが、この人は常に毎日改善しなかった。

<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>

このチュートリアルでラッパークラスは、イアンシャープで、著作権のある。

ラッパークラスの実装のこのメソッドは、H3DAPIを使用する場合は、ソースコードを変更することなく、使用する別のロボットが可能になります。具体的には、H3Dで彼らの触覚/グラフィック環境を書かれ、ファントムのロボットで、その実験をテストした研究者は、WAMバレット、およびその逆を使用して、同じまたは同様の実験を行うことができるだろう。デバイスに依存しないクロスコミュニケーションのこのタイプは、国際的リハビリテーションロボットの研究のための含意を運びます。そのような意味合いでは急速な触覚/グラフィック開発、国際共同研究、および間研究室のコミュニケーションを促進する。 リハビリテーションロボットは、運動学習に関与して多数のパラメータを明らかにまだ持っています。触覚/グラフィックスを開発する際に時間のかかるステップの一つは、コンパイル時間が含まれています。各プログラムのコンパイル時間を配合した数多くのリハビリテーションのパラメータを持つ、すべての可能なグループの組み合わせをテストするために、開発ライフサイクルが急激に上昇。コンパイル要件のその不在とH3Dは、多数の仮想現実シーンの迅速な開発が可能になります。これは、様々な訓練のシナリオの効果を調べるために目指すもの研究者のための利点として提供されます。 この&quot;ハードコードラッパークラスの統合アプローチの限界は、この手順はH3DAPIの新しいディストリビューションがあるたびに繰り返す必要があるという事実が含まれています。 H3DAPIの最新ディストリビューションにラッパークラスを統合するための実行可能な変更はH3DAPIとは別にラッパークラスを作成することです。次に、*.ので、ライブラリファイルにあなたのラッパークラスをかけることになります。これは、元のH3DAPIのディストリビューションからクラスを分離するだろう。

<ol><li>パリ（個人的な拡張現実の液浸システム）、という表示がで見つけることができます<a href="http://www.evl.uic.edu">www.evl.uic.edu</a> </li><li>大きな灰色のロボットは、WAMバレットです。 <a href="http://www.barrett.com">www.barrett.com</a> </li><li>小さ ​​く、skinnier黒いロボットはファントムです。 <a href="http://www.sensable.com">www.sensable.com</a> </li><li>アームマウントはRICで開発されたT - WREX、次のとおりです。 <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> 3D Visionのシャッターメガネ： <a href="http://www.vrlogic.com">www.vrlogic.com</a> </li><li>ヘッドトラッキングソフトウェア。 <a href="http://www.mechdyne.com">www.mechdyne.com</a> </li><li> H3DAPI自体： <a href="http://www.h3dapi.org">www.h3dapi.org</a> </li></ol>

触覚/グラフィックリハビリテーション：仮想環境のライブラリにロボットを統合し、脳卒中治療に適用すること

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

長期治療の​​実践のための対話型デバイスをテストする最近の研究では、バイオフィードバックのグラフィックや他の形態と組み合わせてロボットのための新たな展望を明らかにした。前の人間とロボットの対話型システムでは、新しいシステムが利用可能になるたびに不要な発達オーバーヘッドの時間に至る各ロボットに実装するさまざまなソフトウェアコマンドを必要としてきた。例えば、触覚/グラフィック仮想現実環境は触覚フィードバックを提供するために、ある特定のロボット用にコーディングされている場合、その特定のロボットは、プログラムをコーディングすることなく別のロボットのために取引されることができないだろう。しかし、オープンソースコミュニティの最近の努力に関係なく使用されるロボットのほぼ同じ応答を引き出すことができるラッパークラスのアプローチを提案した。その結果、共有コードを使用して同様の実験を行うために、世界中の研究者を導くことができる。したがって、もう一台のロボットの&quot;アウトスイッチング&quot;モジュラーは、開発時間には影響しません。本稿では、ソフトウェアは最も一般的にすべてのロボットが使用されるコマンドに統合するオープンソースH3DAPI、への1つのロボットのためのラッパークラスの作成に成功したと実装の概要を示します。

最近では、見通しの膨大な量は、人間とロボットの対話的なシステムに利用可能なってきた。本稿では、急速にインタラクティブ機能の可能なライブラリを作ることができるオープンソースソフトウェアを使用して、新しいロボットデバイスの統合の概要を説明します。私たちは、その後、神経リハビリテーションのアプリケーションのための臨床応用を概説する。

長期的な治療訓練に向けたインタラクティブデバイスを検証する最近の研究により、グラフィカルな要素やその他の要素を組み合わせたロボティクスの新たな展望が明らかになりました。

この手順の全体的な目的は、ロボットを仮想環境ライブラリに統合し、そのロボットを脳卒中リハビリテーションに使用することです。これは、まずハプティクスライブラリを拡張するためのラッパークラスを作成し、次にそのラッパークラスをハプティクスライブラリに統合することで達成されます。次のステップは、グラフィックスライブラリを拡張するためのラッパークラスを作成し、これらのラッパークラスが完成した後に、このラッパークラスをグラフィックスライブラリに統合することです。H 3D APIインターフェースは、脳卒中患者のテスト用有限状態機を構築するために使用されます。その後、統合されたロボットを用いて脳卒中患者のリハビリテーションを支援します。この手法の主な利点は、ロボットごとに異なるソフトウェアアプリケーションを記述する必要がなくなることです。また、これらのアプリケーションは、研究室で使用しているロボットの種類に関わらず、世界中の科学者が実行することが可能です。この手法は、誤差増幅が私たちの神経系にどの程度有益であるかなど、リハビリテーション、ロボティクス、および運動制御の分野における重要な疑問への解答に寄与します。さらに、この手法は脳卒中による障害への知見を提供するとともに、健常な機能に関する理解を深めることにつながります。一般的に、リハビリテーションに不慣れな脳卒中患者がロボットを使用する場合、ハンドルの握り方を習得するといった特定のハードルを乗り越える必要があります。私たちは、重力補償において広い動作ワークスペースを持つロボットが必要であると気づいたとき、最初にこの手法を考案しました。また、将来の大学院生が同じ作業を繰り返すことなく、先人の成果を享受できるよう、ソフトウェアの書き換えを最小限に抑えたいと考えていました。このビデオでは、whole arm manipulation（WHAM）ロボットを、www.hthreedpi.org で公開されているオープンソースコードに統合する方法について説明します。新しいロボットをハプティクスライブラリに統合するための最初のステップは、WHAMロボットの動作制御に使用されるハプティックレンダリングエンジンであるHAP用のラッパークラスを作成することです。まず、CPPファイルとヘッダーファイルを作成してください。この例で使用するファイル名は happy、wham、cpp、および happy wham h です。happy wham cpp ファイルをソースディレクトリ（Happy/source）に配置し、次に happy を配置します。wham.hをヘッダーファイルのディレクトリ（happy/include/happy）に配置します。wham.hの冒頭で、ロボットのメインヘッダーファイルをインクルードしてください。組み込まれているライブラリはC言語で記述されており、H 3D APIはC++で記述されているため、コンパイラの名前マングリングを解消するためにextern Cが必要であることに注意してください。happy wham hにおいて、ロボット用のクラスを作成し、その中にhaptics device release、haptics device、update device values、およびsend outputの4つの関数を含めてください。このクラスがhappy haptics deviceクラスをpublicに継承するようにしてください。次に、クラスのヘッダーガードを作成します。続いて、happy WHAMクラスの下に、静的なデバイス出力および静的なハプティクスデバイス登録属性を作成します。最後に、使用するロボット固有のコールバック用の静的メンバ関数を作成します。WHAMロボットでは、コールバック関数がbullおよびhapticsデバイスのint関数内で使用されます。ヘッダーファイルでプロトタイプが設定されたので、happy_wham.cppを開き、適切なヘッダーファイルと名前空間をインクルードします。次に、Happy_Wam.cppでコンストラクタとデストラクタを定義します。次に、Happy Wam cppでデバイスを登録します。ここで、Happy Wam cppにおける4つの継承関数とコールバックを定義します。「update device values」関数は、ロボットアームの位置と、ロボットが環境に及ぼしている力の大きさをコンピュータに伝えます。Happy Wrapperクラスを作成した後の次のステップは、Happyライブラリにラップを構築することです。WAMは、生の状態のH 3D APIでは依存していないいくつかのライブラリに依存しています。したがって、これらのライブラリをhappyに追加する必要があります。H 3D 2.1/happy/build ディレクトリに移動し、CMakeLists.txt を編集します。Set optional libs と記載された行の後に、依存ライブラリを追加してください。コマンドコンソールを開いて H 3D 2.1/happy/build に移動し、順に cmake、make、および sudo make install と入力して、新しいロボットの H 3D オープンソースコードへの統合を完了させます。シーングラフ用の2番目のラップクラスを作成します。APIはH 3D APIと呼ばれます。この例では、wam deviceというラップクラスを使用します。ソースディレクトリである H 3D AP I / source に移動し、WAMデバイスのCPPファイルである wam device.cpp を作成します。すべての H 3D PI デバイスに共通の標準ソースを追加してください。次に、Wam device H をヘッダーファイルディレクトリに配置します。WamデバイスHには、すべてのH 3D APIデバイス用の標準ヘッダーファイルが含まれている必要があります。ラッパークラスが作成されたので、H 3D PI/buildディレクトリ内のCMakeLists.txtを編集して、H 3D PIライブラリをリビルドしてください。最後に、H 3D PI/buildディレクトリに移動します。CMake、pseudo make、およびpseudo make installコマンドを使用して、H 3D APIライブラリをリビルドします。これにより、新しいラッパークラスがロボットで使用可能な状態になります。適切なラッパークラスをインストールした後、Barrett WHAMロボットで用いられる標的リーチングタスクの実験プロトコルを制御するための有限状態マシンを作成します。状態マシンの状態は、試行開始、ターゲット接触、および試行終了で構成されます。試行開始状態は、ターゲットの割り当てから始まります。ターゲットの位置は、試行ごとにランダムに設定するか、ファイルから設定することができます。試行開始状態が終了すると、ローンチ状態が始まります。被験者の手が、通常 0.06 meters per second という速度閾値を超えてターゲットに向けて動き出すと、ランチ状態となります。患者のカーソルがターゲットに触れると、ランチ状態が終了し、ターゲット接触状態が始まります。接触するとターゲットが消え、ターゲット接触状態が終了して、試行終了状態となります。試行終了状態になると、データ収集ソフトウェアに信号が送られ、データファイルに試行終了のデリミタ（区切り文字）がマークされます。最終試行が完了していない限り、試行終了状態の終了に伴い試行開始状態が有効になり、新しいターゲットが割り当てられます。本セクションでは、脳卒中患者のリハビリテーションに使用されるPhantomと呼ばれる別のロボットについて実演します。ファントムのラップクラスコードを適切なライブラリに組み込むことで、新しいロボットを仮想環境に統合できます。ここでは、virtual reality Robotic and optical operations machine（略称：room）と呼ばれる3次元ハプティクスグラフィックスシステムが使用されています。このシステムは、ハーフミラーオーバーレイドディスプレイ上のステレオヘッドトラッキングレンダリング投影と、手首の位置を記録し力ベクトルを生成できるロボットシステムを組み合わせています。映画品質のデジタルプロジェクターが幅5フィートのディスプレイに画像を投影し、110度の広い視野角を実現しています。赤外線エミッターが、LCDシャッターグラスを介して左右それぞれの目の画像を同期させます。頭部の動きはascension flock of birds磁気エレメントで追跡され、視覚ディスプレイが適切な頭部中心のパースペクティブでレンダリングされます。手首スプリント付きのexo tendonグローブにより、手首と手のニュートラルなアライメントが補助されます。ロボットハンドルの中心を、橈骨手根関節の後方の前腕に配置します。これにより、手首に力を作用させつつ、手先の自由な動きを可能にします。患者の腕の重量は、バネ駆動式のWilmingtonロボット外骨格重力バランス装具を用いて軽減されます。患者の隣に座った療法士がトラッキングデバイスを使用して、ディスプレイ上のカーソルを移動させます。患者は、そのカーソルを追いかけるようにロボットハンドルを操作するよう指示されます。エラー増幅は、視覚的およびロボットによって生成される力の両方で提供されます。患者のカーソルが療法士のカーソルから逸脱した際の瞬時誤差として、療法士のカーソルと患者の手との位置差からベクトルEが設定されます。誤差増幅の一環として、この誤差は1.5 Eの係数で視覚的に拡大されます。さらに、100 Eの誤差増幅力が患者の腕に加えられますが、この力は最大4 Newtonで飽和するようにプログラムされています。安全上の理由から、エラー増幅は患者が知覚する誤差を拡大させ、これにより再学習プロセスを促進します。治療プロトコルでは、前方および側方へのリーチングに伴う肩と肘の協調運動や、身体を横切る対角線上のリーチングなど、いくつかの特定の動作を練習することが求められます。次のデモンストレーションでは、上位クラスコードを入れ替え、Barrett WHAMロボットを使用します。次のタスクの目的は、健常被験者または脳卒中患者が、半透明の緑色の球体の中で仮想の投射物をキャッチすることです。患者の手が球体の外に出ると、球体は赤色に変わり、患者の腕にロボットからエラー増幅フィードバックが与えられます。患者が定義された空間内で投射物のキャッチに成功すると、球体は緑色のままとなります。この図はリーチング誤差の中央値を示しています。各点は、2分間の定型的な機能的動作ブロックで測定された誤差の中央値を表しています。患者は2週間の期間を通じて進歩を示していますが、必ずしも毎日改善が見られたわけではありません。この図は、誤差増幅によって、動作間の変動を選択的に減少させるという結果得られた利点を示しています。上のプロットは対照群のデータを示し、下のプロットは処置群のデータを示しています。各色は異なる被験者を表しています。2本の水平線は、タスクの境界線の位置を示しています。被験者の目的は、この境界線内で仮想の飛翔体をキャッチすることでした。点の位置は、被験者が接触に最も近づいた場所を示しています。投射体において、生データ表示の上に重ねられた青色の半透明のヒストグラムは、グループの運動分布を示しています。前方軸に沿って、脳卒中患者はキャッチタスクを600回試行しました。最初の200試行を行い、201回目から400回目までの試行では、誤差増幅フィードバックは提供されませんでした。ロボットが患者に誤差増幅フィードバックを提供した結果、指定された境界内でターゲットをキャッチする患者の能力が有意に向上しました。この手順に従えば、従来のリハビリテーション手法も引き続き実施可能ですが、ロボットを用いることで、多くの反復試行を通じて患者の手の位置を常に定量化することができます。この手法は神経工学分野における新たな研究への道を切り開き、特定の領域内でのシミュレートされたリーチングを探索することで、多くの可能な解を導き出すことが可能となりました。このビデオを視聴することで、任意のリハビリテーションロボット向けにH 3D APIライブラリを拡張する方法と、脳卒中患者の評価および治療にさまざまなハプティック・グラフィック・インターフェースを適用する方法について理解を深めることができます。ロボットを扱うことは潜在的に危険を伴うため、人間との相互作用があるロボットを選択する際は、慎重に検討する必要があります。最新のプロジェクトにBarrett WHAMを採用したのは、よりパワフルであり、かつバックドライバブルであるためです。バックドライバブルとは、プログラム次第でほぼ抵抗なく動かせることを意味し、人間と機械の相互作用において利用可能な最も安全な選択肢の一つとなっています。独立したウォッチドッグコンピュータがメインコンピュータを監視しており、何か不具合が生じた場合にはシステムを停止させることができます。また、ダイナミックブレーキにより、システムが不活性なときは常にダンパーとして機能することが保証されています。ロボットによって性能は異なりますが、多くの機能は重複しています。したがって、当手法のロボット間における移植性は、研究室間での新たな共有を促進する可能性があります。本研究で示されたようなトレーニング治療が、患者の機能回復だけでなく、スポーツ、遠隔操作のパイロット訓練、音楽演奏、手術手技、および反復的な練習を必要とするあらゆるタスクにおけるトレーニングの向上に有望な根拠を提供することは明らかです。

hapticgraphic-rehabilitation-integrating-robot-into-virtual

Research

JoVE Journal

Bioengineering

バイオエンジニアリング（生体工学）

私たちは、リハビリテーション医師からのフィードバックを通じて健康な被験者に関する臨床研究、および決定タスクを実施し、自動制御技術を使用して、片麻痺腕の機能回復のためのリアルタイムミラーロボットシステムを開発しました。この単純なミラーロボットは、片麻痺腕で脳卒中患者の作業療法に効果的に適用することができます。...

片麻痺腕の機能回復のためのロボットミラーセラピーシステム

新規仮想現実ベース セットアップ (非訓練) 手に運動技能のパフォーマンスを向上させる 1...

仮想現実を使用して 1 つの手から別の運動技能知識を転送するには

ここでは、開発し、脳卒中患者の上肢機能障害の回復のためのモバイル ゲーム...

上肢リハビリテーションのためのモバイル ゲーム ベースの仮想現実プログラム

脳の可塑性の変調による治療成績に関する改良された従来のリハビリテーション療法のアドオンとしての経頭蓋直流電流刺激とロボット療法併用する可能性があります。この記事では脳卒中後の運動パフォーマンスを向上させるため当研究所で使用される結合された方法をについて説明します。...

上肢の経頭蓋直通電流刺激とロボット療法の併用

現在のプロトコルは、VRベースのデジタル職業訓練システムが、脳卒中後の認知障害および上肢機能障害患者のリハビリテーションをどのように強化するかを概説しています。...

デジタル職業訓練システムを用いた脳卒中後の認知機能と上肢リハビリテーション訓練

世界では、6人に1人が一生のうちに脳卒中を発症し、長期的な障害を引き起こすと推定されていますが、そのリハビリテーションメカニズムはまだよくわかっていません。この研究では、機能的近赤外分光法(fNIRS)による脳の活性化を評価するためのプロトコルを提案します...

機能的近赤外分光法とロボット支援下肢の多関節指差し運動を用いた実験

このプロトコルは、4つのモードを通じてインテリジェントなフィードバックを提供する上肢リハビリテーションロボットについて説明しています。これらのモードは、上肢の機能と柔軟性を強化し、それによって患者の生活の質を向上させます。...

上肢リハビリテーションロボットによる脳卒中の上肢機能と運動能力の向上

この実験プロトコルは、上肢の機能障害を持つ脳卒中患者のためのデュアル上肢タスク指向ロボットシステムの使用を概説しています。この知見は、このシステムが脳卒中患者の上肢機能や日常生活動作を有意に改善できることを示しています。...

脳卒中患者における上肢の機能回復のための二重上肢タスク指向ロボットシステムの応用

脳卒中生存者におけるデュアルタスク能力に対する、外骨格支援型体重支援トレッドミルトレーニングとゲームベースのバーチャルリアリティを組み合わせることの有効性については、まだ研究されていません。したがって、このリハビリテーションプログラムは、脳卒中回復中の歩行能力を向上させる上でのこの組み合わせの潜在的な機能と利点を調査することを目的としています。...

脳卒中患者のための非没入型バーチャルリアリティを用いた外骨格補助体重支援トレッドミルトレーニングのリハビリテーションプログラム

この研究では、脳卒中後の全脳ネットワーク...

ソフト空気圧ロボットは脳卒中後の手のリハビリテーションのための脳ネットワークのグラフ理論メトリックを変調します

本プロトコルは、脳卒中後の片麻痺リハビリテーションにおけるベッドサイド下肢リハビリテーションロボットの臨床的有効性と患者の快適さを評価することを目指し、ランダム化比較試験を通じて従来の手技療法と比較します。...

脳卒中リハビリテーションにおけるベッドサイド下肢リハビリテーションロボットの応用:ランダム化比較試験

学ぶロボットと仮想環境の統合による脳卒中リハビリテーション手法。H3D APIとラッパークラスを用いて、触覚・グラフィックライブラリを拡張し、標準化された治療プロトコルを構築する。

触覚/グラフィックリハビリテーション：仮想環境のライブラリにロボットを統合し、脳卒中治療に適用すること

さらに動画を探す