Methodenartikel

Hersen-computerinterface-gestuurd robotsysteem voor de bovenste ledematen voor het verbeteren van dagelijkse activiteiten bij patiënten met een beroerte

2.4K weergaven

⸱

DOI:

10.3791/67601

⸱

18 april 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 dit artikel

Samenvatting

Deze studie introduceert een hersen-computerinterface (BCI) -systeem voor patiënten met een beroerte, dat elektro-encefalografie en elektro-oculografiesignalen combineert om een robothand van de bovenste ledematen te besturen, waardoor de dagelijkse activiteiten worden verbeterd. Bij de evaluatie werd gebruik gemaakt van de Berlin Bimanual Test for Stroke (BeBiTS).

Samenvatting

Deze studie introduceert een Brain-Computer Interface (BCI)-gestuurde robot voor het ondersteunen van de bovenste ledematen voor revalidatie na een beroerte. Het systeem maakt gebruik van elektro-encefalogram (EEG) en elektro-oculogram (EOG) signalen om gebruikers te helpen de functie van de bovenste ledematen te ondersteunen bij dagelijkse taken tijdens interactie met een robothand. We evalueerden de effectiviteit van dit BCI-robotsysteem met behulp van de Berlin Bimanual Test for Stroke (BeBiTS), een set van 10 dagelijkse taken waarbij beide handen betrokken zijn. Acht patiënten met een beroerte namen deel aan deze studie, maar slechts vier deelnemers konden zich aanpassen aan de BCI-robotsysteemtraining en de postBeBiTS uitvoeren. Met name wanneer de preBeBiTS-score voor elk item vier of minder was, vertoonde het BCI-robotsysteem een grotere ondersteunende effectiviteit in de postBeBiTS-beoordeling. Bovendien helpt onze huidige robothand niet bij arm- en polsfuncties, waardoor het gebruik ervan wordt beperkt bij taken die complexe handbewegingen vereisen. Er zijn meer deelnemers nodig om de trainingseffectiviteit van het BCI-robotsysteem te bevestigen, en toekomstig onderzoek zou moeten overwegen om robots te gebruiken die kunnen helpen bij een breder scala aan functies van de bovenste ledematen. Deze studie had tot doel het vermogen van het BCI-robotsysteem te bepalen om patiënten te helpen bij het uitvoeren van dagelijkse activiteiten.

Inleiding

Aantasting van de functie van de bovenste ledematen als gevolg van een beroerte beperkt het vermogen om dagelijkse activiteiten uit te voeren, met name bimanuele taken1. Handrevalidatie is daarom een belangrijk onderdeel van revalidatie na een beroerte, waarbij spiegeltherapie2 en Constraint-Induced Movement Therapy (CIMT)3 bekende benaderingen zijn. Recent onderzoek geeft aan dat op EEG gebaseerde Brain-Computer Interface (BCI) robotsystemen een effectieve ondersteunende therapie kunnen zijn voor het verbeteren van het herstel van de handfunctie bij patiënten met een beroerte 4,5,6. BCI-robotsystemen richten zich op het koppelen van de actieve intentie van de patiënt om een motorische beweging te proberen aan zijn prestaties. Er wordt actief onderzoek gedaan om te bepalen of deze aanpak effectief is voor revalidatie 7,8,9,10,11,12,13.

In deze studie presenteren we een BCI-gestuurd robotsysteem voor de bovenste ledematen dat is ontworpen om patiënten met een beroerte te helpen bij het uitvoeren van bimanuele activiteiten. Het systeem maakt gebruik van elektro-encefalogrammen (EEG) om hersensignalen te detecteren en te interpreteren die verband houden met motorische beelden en combineert deze met elektro-oculogrammen (EOG) voor extra controle-inputs. Deze neurofysiologische signalen stellen patiënten in staat om een robothand te besturen die helpt bij vingerbewegingen14. Deze aanpak overbrugt de kloof tussen de wens van een patiënt om te bewegen en het fysieke vermogen, waardoor motorisch herstel mogelijk wordt vergemakkelijkt en de zelfstandigheid bij dagelijkse taken wordt vergroot.

Onderzoekers van de Charité Medical University in Berlijn ontwikkelden de Berlin Bimanual Test for Stroke (BeBiTS), een uitgebreid beoordelingsinstrument, om de werkzaamheid van dit BCI-robotsysteem te evalueren15. De BeBiTS biedt een kwantitatieve maatstaf voor functionele verbetering door het vermogen te beoordelen om tien bimanuele activiteiten uit te voeren die essentieel zijn voor het dagelijks leven. De beoordeling scoort elke taak afzonderlijk en evalueert vijf componenten van de handfunctie: reiken, grijpen, stabiliseren, manipuleren en tillen. Het maakt een uitgebreide evaluatie mogelijk van de functionele verbeteringen van patiënten, met de nadruk op activiteiten van het dagelijks leven. Bovendien stelt het ons in staat om de bijdrage van het BCI-robotsysteem aan het verbeteren van specifieke handfuncties te kwantificeren. Deze studie heeft daarom tot doel een effectief BCI-ondersteunend robotsysteem te ontwikkelen door BeBiTS-scores voor en na trainingssessies bij patiënten met een beroerte te vergelijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

De Seoul National University Bundang Hospital Institutional Review Board heeft alle experimentele procedures beoordeeld en goedgekeurd (IRB nr. B-2205-756-003). We hebben acht patiënten met een beroerte gerekruteerd en de relevante details grondig uitgelegd voordat we hun toestemming kregen. Na het verkrijgen van geïnformeerde toestemming verloopt het protocol als volgt: we voeren een BeBiTS-assessment uit vóór de BCI-training, gevolgd door BCI-training met behulp van EOG en EEG. Daarna dragen de deelnemers de robot om nog een BeBiTS-beoordeling uit te voeren (Figuur 1).

1. Opstelling van het BCI-robot trainingssysteem

  1. Werving van patiënten
    1. Voer het screeningproces uit aan de hand van de volgende inclusiecriteria.
      1. Selecteer patiënten van 20 tot 68 jaar met verminderde functies van de bovenste ledematen.
      2. Selecteer patiënten die niet in staat zijn om de vingers van de verlamde hand te buigen of uit te strekken.
      3. Selecteer patiënten met een enkele subcorticale beroerte (inclusief zowel ischemische als hemorragische beroerte).
      4. Selecteer patiënten die meer dan 6 maanden na hersenletsel zijn.
      5. Selecteer patiënten met een verminderde Fugl-Meyer-score van minder dan 31.
    2. Geef alle gerekruteerde patiënten gedetailleerde informatie over de experimentele procedure en verkrijg ondertekende geïnformeerde toestemming.
      OPMERKING: Een wettelijke vertegenwoordiger moet de ondertekende geïnformeerde toestemming geven als een patiënt aan de criteria voldoet, maar de toestemming niet kan ondertekenen.
  2. BCI-systeem: EEG-apparaat
    1. Gebruik een EEG-viewersysteem (zie de materiaaltabel) voor het vastleggen van gegevens.
    2. Gebruik een personal computer (pc) met aangepaste BCI-software en sluit de pc aan op het EEG-apparaat.
  3. Bovenste ledematen assistentie robothand
    1. Een ondersteunende robothand16 die drie vingers ondersteunt, wordt gebruikt op de gehandicapte bovenste ledematen van de patiënt. Deze robot is een zachte, leerachtige handschoen die is ontworpen om slechts drie vingers te bedekken: de duim-, wijs- en middelvinger. Verbind de robot draadloos met de computer via een USB-dongle.
    2. Wanneer de robot via een dongle op de computer is aangesloten, is de begintoestand van de robot neutraal, wat betekent dat zijn hand volledig open is. Het ontworpen BCI-systeem stelt de robot zo in dat zijn hand alleen kan sluiten als hij de intentie om een vuist te maken herkent, op basis van of de gemeten EEG-waarde aan de drempel voldoet. Figuur 2 toont het schema van dit BCI-robotsysteem.

2. BCI-robot beoordeling

  1. Berlijn Bimanuele test voor beroerte (BeBiTS)
    OPMERKING: De BeBiTS-beoordeling is een hulpmiddel voor het evalueren van de prestaties van 10 bimanuele activiteiten van het dagelijks leven bij patiënten met een beroerte.
    1. Plaats de patiënt comfortabel in een fauteuil met uitzicht op een bureau. Zorg ervoor dat de patiënt dicht bij het bureau staat, op ongeveer 30 cm afstand van de voorwerpen die bij de beoordeling worden gebruikt, om de evaluatietaken met zowel armen als handen uit te voeren.
    2. Bewaar de volgende 10 items voor de beoordeling van bimanuele activiteiten: Open een pot; open een plastic pakket; open een waterfles; giet een glas water in; gesneden vleesachtige stopverf; maak een gerecht schoon; til een pot op; open een tube tandpasta; breng tandpasta aan op een tandenborstel; Sluit de rits van een jas.
      OPMERKING: De 10 evaluatietaken maken gebruik van beoordelingsitems, die allemaal zittend aan een bureau worden uitgevoerd. Elke actie wordt gescoord op 10, met een algemene score van 100.
    3. Evalueer en scoor vijf handfunctiecomponenten naast de afzonderlijke itemscores. Deze componenten en hun respectievelijke scores zijn bereiken (20), grijpen (20), stabiliseren (10), manipuleren (33) en tillen (17), waarbij de totale score optelt tot 100 punten (Figuur 3).

3. BCI-robot trainingssysteem

  1. EEG-instelling
    1. Open het BCI-systeem. Figuur 4 toont het volledige scherm wanneer het BCI-systeem wordt geopend.
    2. Zet een dop op en sluit de versterker aan.
    3. Selecteer in de Source module de optie EegoModule | impedantiemodus. Druk op Start in de bronmodule, die blauw licht weergeeft (Afbeelding 5A).
    4. Zorg ervoor dat de impedanties lager zijn dan 10k Ohm en druk vervolgens op Stop in de bronmodule.
    5. Verander de modus in EEG om de gegevens te streamen en druk op start. Controleer het signaal met de meegeleverde software (Figuur 5B).
  2. EOG-kalibratie
    1. Selecteer in de voorverwerkingsmodule de pijplijn die specifiek is voor de EOG-montage (bijv. SMR-EOGleft voor EOG-elektrode op het linkeroog; Figuur 6A).
    2. Stel in de module Taak het aantal aanwijzingen in (bijv. 10). De taakmodule stelt richtingen in die contralateraal zijn ten opzichte van de robothand (Afbeelding 6B).
    3. Instrueer de deelnemer om korte zijwaartse oogbewegingen uit te voeren in de richting van de 10 pijlen die verschijnen (Figuur 6C).
    4. Controleer de resultatengrafiek direct na de training. De grijze lijnen geven elke oogbewegingspoging weer; bevestig dat de oranje lijn, die het gemiddelde is, de basislijn raakt, wat aangeeft dat de training is geslaagd (Figuur 7).
    5. Als de training is geslaagd, registreert u de drempelparameterwaarde.
      OPMERKING: Consistente herhaling van oogbewegingen is essentieel. Hoewel het van deelnemer tot deelnemer verschilt, is EOG-training over het algemeen praktisch na ongeveer drie pogingen en verbetert meestal met herhaalde training.
  3. EEG-kalibratie
    1. Kies in de module Taak de optie EEGCalibrationTaskModule (Figuur 8A). Stel het aantal aanwijzingen in de module Taak in op 5.
    2. Stel in de feedbackmodule Lateraliteit in op de zijkant van de robothand en zorg ervoor dat Display Pac-Man is uitgeschakeld (Afbeelding 8B).
    3. Instrueer de deelnemer om zich voor te stellen dat hij een vuist balt wanneer de prompt 'Stel je voor dat je een vuist maakt' op het zwarte scherm verschijnt (Figuur 8C). Vraag de deelnemer om te ontspannen als het scherm zwart is. Herhaal dit proces, waarbij de vuistballende verbeelding 5 s duurt en de rustperiode willekeurig varieert tussen 10 s en 15 s.
    4. Bekijk de resultatengrafiek na EEG-kalibratie en gebruik het karakteristieke ERD-patroon in de 8-12 Hz mu-band tijdens motorbeelden om het juiste frequentiebereik van de deelnemer te bepalen. Noteer de parameterwaarde van 11 Hz uit de linker grafiek in figuur 9, die de ERD-respons tijdens motorbeelden weergeeft in vergelijking met de rusttoestand. Markeer in de rechtergrafiek van figuur 9 de duidelijke rode lijn, die staat voor gebalde beelden, en de blauwe lijn, die de ontspannen toestand aangeeft, ten opzichte van de horizontale gestippelde drempellijn.
    5. Als de EEG-kalibratietraining adequaat wordt uitgevoerd, noteer dan de referentiewaarde en drempel onder de rechtergrafiek.
      OPMERKING: Er kunnen zich echter gevallen voordoen waarin kortdurende kalibratietraining een uitdaging is vanwege problemen zoals een gebrek aan begrip van de verstrekte instructies of BCI-analfabetisme.
  4. Trainen met feedback
    1. Stel na het voltooien van de EOG- en EEG-training parameterwaarden in die de intentie van het maken van een vuist onderscheiden voor de specifieke doelfrequentie van interesse, referentiewaarde en drempel die zijn geïdentificeerd door de resultatengrafiek in de vorige training.
    2. Ga met behulp van de geconfigureerde parameters verder met feedbacktraining met behulp van Pac-Man. Als de parameters na de training correct zijn ingesteld, merk dan op dat de mond van Pac-Man geleidelijk zal sluiten wanneer de deelnemer zich voorstelt zijn vuist te ballen. Als de mond van Pac-Man niet goed sluit, herhaal dan de EEG-kalibratietraining terwijl u de referentiewaarde en drempel aanpast (Figuur 10).
  5. Experiment: BeBiTS assessment met behulp van het BCI-robotsysteem
    1. Laat de deelnemer na het voltooien van alle feedbacktraining (ongeveer 30 minuten) de robot dragen en de postBeBiTS-beoordeling uitvoeren met behulp van het getrainde BCI-systeem.
      OPMERKING: Als de handspasticiteit van de patiënt ernstig is, is speciale zorg nodig bij het dragen van de robot. Bovendien kan het zijn dat de hulp van de robot met drie vingers voor sommige patiënten niet voldoende is, waardoor het moeilijk is om alle bewegingen uit te voeren die nodig zijn voor de BeBiTS-beoordeling. In dergelijke gevallen worden alleen de bewegingen geëvalueerd die kunnen worden uitgevoerd.
    2. Wacht tot het witte lampje dat de gereed- en startstatus aangeeft op het scherm verschijnt, zoals weergegeven in afbeelding 11A. Nadat ze het witte licht hebben bevestigd, bewegen de deelnemers hun ogen opzij om het licht groen te maken (Figuur 11B). Wanneer het groene lampje verschijnt, stellen de deelnemers zich voor dat ze hun vuist ballen.
      OPMERKING: Als het systeem de intentie van de deelnemer goed herkent, activeert het de door de deelnemer gedragen robot om zijn vuist te ballen.
    3. Laat de deelnemer zijn vuist ballen met behulp van de robot en voer vervolgens de actie uit die wordt weergegeven in Figuur 11C.
    4. Figuur 11D toont een rood licht, wat aangeeft dat de robot een gebalde vuistpositie aanhoudt. Na voltooiing van de actie ziet de deelnemer dit rode licht op het scherm, zoals geïllustreerd in Figuur 11D. Als de deelnemer op dit moment zijn hand weer wil openen met behulp van de robot, kan hij zijn ogen bewegen om de lichtkleur weer wit te maken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Figuur 12 toont de resultaten van EOG- en EEG-training. Figuur 12A geeft de resultaten weer van een goed getrainde deelnemer. De EOG-trainingswaarden zijn consistent, waarbij het gemiddelde (oranje vetgedrukte lijn) de drempellijn goed bereikt. De EEG-trainingsresultaten maken ook duidelijk onderscheid tussen de blauwe (rusttoestand) en de rode (motorische beeldvorming) lijnen.

Fi...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Dit onderzoek presenteerde een BCI-ondersteunend robotsysteem voor de bovenste ledematen om patiënten met een beroerte te ondersteunen bij het uitvoeren van dagelijkse taken. We hebben de doeltreffendheid van bimanuele taken beoordeeld door middel van de BeBiTS-test15 en training geïmplementeerd voor de bediening van de robot ter ondersteuning van de bovenste ledematen via het BCI-systeem14. Deze aanpak stelt, in tegenstelling tot conventio...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen belangenconflicten te melden.

Dankbetuigingen

Dit werk werd ondersteund door het Duits-Koreaanse Academia-Industry International Collaboration Program on Robotics and Lightweight Construction/Carbon gefinancierd door het Federale Ministerie van Onderwijs en Onderzoek van de Bondsrepubliek Duitsland en het Koreaanse Ministerie van Wetenschap en ICT (Subsidie nr. P0017226)

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
BCI2000open-sourcealgemeen doel softwaresysteem voor brain-computer interface (BCI) onderzoek dat gratis is voor niet-commercieel gebruik
BrainVision LSL Viewer Brain Products GmbHeen handig hulpmiddel om de LSL EEG en markeringsstreams te bewaken.
eego mini versterker met 8-kanaals (F3, F4, C3, Cz, C4, P3, P4, EOG) waveguard originele caps Ant Neuro, NetherlandsCompact en lichtgewicht ontwerp: De eego mini versterker is klein en lichtgewicht, wat uitstekende draagbaarheid en geschiktheid biedt voor EEG-opname in verschillende omgevingen.
Neomano neofect, KoreaHandschoenmateriaal: Leer, klittenband, antislip stof
Draadmateriaal: Synthetisch Garen
Gewicht: 65 g (zonder accu)
bedekt drie vingers: de duim, wijsvinger en middelvinger
personal computer (PC) met aangepaste BCI software laptop met Windows

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Bovenste ledemaat robotrevalidatie na beroerteEEG en EOG signalenrobotische handbesturingbimanuele functiemotorische voorstellingstrainingneurorevalidatieactiviteiten van het dagelijks levenBeBiTS beoordeling

Gerelateerde artikelen