Artykuł metodologiczny

Konfiguracja do ilościowej oceny ruchu i aktywności mięśni podczas wirtualnego zmodyfikowanego testu pudełkowego i blokowego

DOI:

10.3791/65736

⸱

12 stycznia 2024

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

* These authors contributed equally

W tym artykule

Podsumowanie

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

Opisany tutaj protokół ma na celu zwiększenie ilościowej oceny deficytów kończyn górnych, z celem opracowania dodatkowej technologii do zdalnej oceny zarówno w klinice, jak i w domu. Technologie wirtualnej rzeczywistości i biosensorów są łączone ze standardowymi technikami klinicznymi, aby zapewnić wgląd w funkcjonowanie układu nerwowo-mięśniowego.

Streszczenie

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

Możliwość poruszania się pozwala nam na interakcję ze światem. Kiedy ta zdolność jest upośledzona, może to znacznie obniżyć jakość życia i niezależność oraz może prowadzić do powikłań. Znaczenie zdalnej oceny i rehabilitacji pacjenta wzrosło ostatnio ze względu na ograniczony dostęp do usług osobistych. Na przykład pandemia COVID-19 nieoczekiwanie doprowadziła do wprowadzenia surowych przepisów, co ograniczyło dostęp do usług opieki zdrowotnej, które nie są pilne. Ponadto opieka zdalna daje możliwość rozwiązania problemu dysproporcji w opiece zdrowotnej na obszarach wiejskich, o niedostatecznej infrastrukturze i o niskich dochodach, gdzie dostęp do usług pozostaje ograniczony.

Poprawa dostępności dzięki opcjom zdalnej opieki ograniczyłaby liczbę wizyt w szpitalu lub specjalistycznej i sprawiłaby, że rutynowa opieka byłaby bardziej przystępna cenowo. Wreszcie, zastosowanie łatwo dostępnej komercyjnej elektroniki użytkowej do opieki domowej może poprawić wyniki leczenia pacjentów dzięki lepszej ilościowej obserwacji objawów, skuteczności leczenia i dawkowania terapii. Chociaż opieka zdalna jest obiecującym sposobem rozwiązania tych problemów, istnieje kluczowa potrzeba ilościowego scharakteryzowania upośledzenia motorycznego dla takich zastosowań. Poniższy protokół ma na celu wypełnienie tej luki w wiedzy, aby umożliwić klinicystom i badaczom uzyskanie danych o wysokiej rozdzielczości na temat złożonego ruchu i podstawowej aktywności mięśni. Ostatecznym celem jest opracowanie protokołu zdalnego administrowania funkcjonalnymi testami klinicznymi.

Tutaj uczestnicy zostali poinstruowani, aby wykonać inspirowane medycznie zadanie Box and Block (BBT), które jest często używane do oceny funkcji ręki. Zadanie to wymaga od badanych transportu znormalizowanych kostek między dwoma przedziałami oddzielonymi barierą. Wdrożyliśmy zmodyfikowany BBT w wirtualnej rzeczywistości, aby zademonstrować potencjał rozwoju protokołów zdalnej oceny. Aktywacja mięśni została uchwycona dla każdego pacjenta za pomocą elektromiografii powierzchniowej. Protokół ten pozwolił na pozyskanie wysokiej jakości danych w celu lepszego scharakteryzowania upośledzenia ruchowego w sposób szczegółowy i ilościowy. Docelowo dane te mogą zostać wykorzystane do opracowania protokołów wirtualnej rehabilitacji i zdalnego monitorowania pacjentów.

Wprowadzenie

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

Ruch to sposób, w jaki wchodzimy w interakcję ze światem. Podczas gdy codzienne czynności, takie jak podnoszenie szklanki wody lub chodzenie do pracy, mogą wydawać się proste, nawet te ruchy opierają się na złożonej sygnalizacji między ośrodkowym układem nerwowym, mięśniami i kończynami1. W związku z tym osobista niezależność i jakość życia są silnie skorelowane z poziomem funkcji kończyn danej osoby2,3. Uszkodzenia neurologiczne, takie jak uraz rdzenia kręgowego (SCI) lub uraz nerwów obwodowych, mogą skutkować trwałymi deficytami motorycznymi, zmniejszając tym samym zdolność do wykonywania nawet prostych czynności życia codziennego4,5. Według National Institute of Neurological Disorders and Stroke ponad 100 milionów ludzi w Stanach Zjednoczonych doświadcza deficytów motorycznych, a jedną z głównych przyczyn jest udar mózgu6,7,8. Ze względu na charakter tych urazów pacjenci często wymagają długotrwałej opieki, w której korzystna może być ilościowa ocena motoryczna i leczenie na odległość.

Obecne praktyki leczenia zaburzeń ruchowych często wymagają zarówno wstępnej, jak i bieżącej klinicznej oceny funkcji poprzez obserwację przez wyszkolonych ekspertów, takich jak fizjoterapeuci lub terapeuci zajęciowi. Standardowe zwalidowane testy kliniczne często wymagają przeszkolonych specjalistów do ich przeprowadzania, z określonymi ograniczeniami czasowymi i subiektywną oceną predefiniowanych ruchów lub zadań funkcjonalnych. Jednak nawet u zdrowych osób identyczne ruchy można wykonać przy różnych kombinacjach kątów stawów. Koncepcja ta jest określana jako redundancja mięśniowo-szkieletowa.

Funkcjonalne testy kliniczne często nie uwzględniają indywidualnej redundancji leżącej u podstaw zmienności między osobnikami. Zarówno dla klinicystów, jak i badaczy rozróżnienie między normalną zmiennością spowodowaną redundancją a patologicznymi zmianami w ruchu pozostaje wyzwaniem. Standaryzowane oceny kliniczne przeprowadzane przez dobrze wyszkolonych oceniających wykorzystują systemy punktacji o niskiej rozdzielczości w celu zmniejszenia zmienności między oceniającymi i poprawy trafności testów. Wprowadza to jednak efekty sufitu, obniżając w ten sposób czułość i trafność predykcyjną u osób, które mogą mieć łagodne deficyty ruchowe9,10. Co więcej, te testy kliniczne nie są w stanie rozróżnić, czy deficyty są spowodowane bierną mechaniką ciała, czy aktywną koordynacją mięśni, co może mieć znaczenie podczas wstępnej diagnozy i projektowania planu rehabilitacji dostosowanego do potrzeb pacjenta. Randomizowane badania kliniczne wykazały niespójną skuteczność planów leczenia opracowanych na podstawie dowodów dostarczonych przez te testy kliniczne11,12,13. W kilku badaniach podkreślono potrzebę ilościowych, przyjaznych dla użytkownika wskaźników klinicznych, które można wykorzystać do kierowania projektowaniem przyszłych interwencji14,15.

W poprzednich badaniach pokazaliśmy implementację automatycznej oceny ruchu za pomocą łatwo dostępnych konsumenckich urządzeń do przechwytywania ruchu w upośledzeniu ramienia po udarze, a także ocenę funkcji barku po operacji klatki piersiowej u pacjentek z rakiem piersi16,17. Dodatkowo wykazaliśmy, że wykorzystanie aktywnych momentów stawowych do oszacowania momentów mięśniowych przy określonych ruchach aktywnych jest bardziej czułą miarą deficytów motorycznych po udarze w porównaniu z kątami stawów18. Przechwytywanie ruchu i elektromiografia powierzchniowa (EMG) mogą mieć zatem kluczowe znaczenie w ocenie pacjentów, którzy są diagnozowani jako bezobjawowi na podstawie standardowych testów klinicznych, ale którzy mogą nadal odczuwać trudności ruchowe, zmęczenie lub ból. W artykule opisano system, który może umożliwić szczegółową i ilościową charakterystykę ruchu podczas standardowych testów klinicznych w celu przyszłego rozwoju metod oceny i rehabilitacji w domu w populacjach pacjentów z zaburzeniami ruchowymi.

Wirtualna rzeczywistość (VR) może być wykorzystana do stworzenia immersyjnego doświadczenia użytkownika podczas modelowania codziennych zadań. Zazwyczaj systemy VR śledzą ruchy dłoni użytkownika, aby umożliwić symulowane interakcje ze środowiskiem wirtualnym. Protokół, który tutaj opisujemy, wykorzystuje konsumenckie produkty VR do przechwytywania ruchu w celu ilościowego określenia oceny deficytów motorycznych, podobnie jak inne badania wykazujące zastosowanie gotowych kontrolerów do gier wideo w ilościowej ocenie upośledzenia po udarze lub operacji barku16,17. Ponadto EMG jest nieinwazyjną miarą aktywności neuronalnej leżącej u podstaw skurczu mięśni19. W związku z tym EMG może być wykorzystywane do pośredniej oceny jakości neuronalnej kontroli ruchu i zapewnienia szczegółowej oceny funkcji motorycznych. Uszkodzenia mięśni i nerwów mogą być wykryte za pomocą EMG, a zaburzenia takie jak dystrofia mięśniowa i porażenie mózgowe są powszechnie monitorowane przy użyciu tej techniki20,21. Ponadto EMG może być wykorzystywane do śledzenia zmian siły mięśni lub spastyczności, które mogą nie być widoczne w ocenach kinematycznych22,23, a także zmęczenie i koaktywacja mięśni. Wskaźniki takie jak te mają kluczowe znaczenie przy uwzględnianiu postępów w rehabilitacji23,24,25.

Opisany tutaj eksperymentalny paradygmat ma na celu wykorzystanie kombinacji VR i EMG do rozwiązania problemów tradycyjnych narzędzi oceny klinicznej. Tutaj uczestnicy zostali poproszeni o wykonanie zmodyfikowanego zadania Box and Block (BBT)26 przy użyciu rzeczywistych obiektów i w VR. Standardowy BBT jest narzędziem klinicznym stosowanym w ogólnej ocenie funkcji kończyny górnej, w którym osoby badane są proszone o przemieszczenie jak największej liczby 2,5 cm bloków z jednego przedziału, przez przegrodę, do sąsiedniego przedziału w ciągu jednej minuty. Chociaż często stosuje się je do wiarygodnej oceny deficytów u pacjentów z udarem mózgu lub innymi schorzeniami nerwowo-mięśniowymi (np. niedowład kończyn górnych, spastyczne porażenie połowicze), dane normatywne podano również dla zdrowych dzieci i dorosłych w wieku 6-89 lat26. Wirtualna ocena ruchu służy do symulacji funkcjonalnych aspektów zwalidowanego testu klinicznego przeprowadzanego w warunkach rzeczywistych. VR jest tutaj używany w celu zmniejszenia wymaganego sprzętu, jednocześnie umożliwiając dostarczanie ustandaryzowanych instrukcji i zaprogramowanego, zautomatyzowanego scoringu. W związku z tym stały nadzór ze strony przeszkolonych specjalistów nie byłby już konieczny.

BBT w tym badaniu zostało uproszczone, aby skupić się na uchwyceniu sięgania i chwytania jednego bloku na raz, który pojawia się w tym samym miejscu. Zmaksymalizowało to odtwarzalność ruchów i zminimalizowało zmienność między obiektami w zarejestrowanych danych. Wreszcie, zestawy słuchawkowe do rzeczywistości wirtualnej można kupić już za 300 USD i mogą pomieścić wiele ocen. Po zaprogramowaniu znacznie obniżyłoby to koszty związane z typową profesjonalną oceną i umożliwiłoby zwiększenie dostępności tych standardowych, zwalidowanych testów klinicznych zarówno w warunkach klinicznych, jak i zdalnych/domowych.

Protokół

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

Procedury eksperymentalne zostały zatwierdzone przez Institutional Review Board (IRB) Uniwersytetu Zachodniej Wirginii, protokół # 1311129283, i przestrzegały zasad Deklaracji Helsińskiej. Ryzyko związane z tym protokołem jest niewielkie, ale konieczne jest wyjaśnienie uczestnikom wszystkich procedur i potencjalnych zagrożeń, a pisemna, świadoma zgoda została uzyskana wraz z dokumentacją zatwierdzoną przez instytucjonalną komisję ds. oceny etycznej.

1. Charakterystyka i konstrukcja systemu

UWAGA: Konfiguracja dla tego protokołu składa się z następujących elementów: (1) czujniki EMG i baza, (2) oprogramowanie do akwizycji danych EMG (DAQ), (3) system przechwytywania ruchu, oraz (4) zestaw VR z odpowiednim oprogramowaniem. Komponenty te są wizualizowane w Rysunek 1.

  1. Konfiguracja komponentów systemu
    1. Podłącz system EMG.
      1. Podłącz stację bazową EMG do zasilania.
      2. Podłącz stację bazową EMG do dedykowanego komputera (Rysunek 1C) zawierającego skrypty DAQ.
        UWAGA: Przykładowe skrypty można znaleźć pod adresem: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0. Niektóre produkty komercyjne mogą być dostarczane z licencjonowanym oprogramowaniem DAQ, które może być również używane.
    2. Podłącz system przechwytywania ruchu.
      1. Podłącz drugi dedykowany komputer (Rysunek 1A) do routera sieciowego.
      2. Podłącz router sieciowy do serwera przechwytywania ruchu.
      3. Podłącz serwer przechwytywania ruchu do monitora komputerowego w celu wizualizacji.
      4. Podłącz kamery do serwera przechwytywania ruchu.
    3. Podłącz system VR.
      1. Podłącz gogle VR do trzeciego dedykowanego komputera z odpowiednimi skryptami DAQ (Rysunek 1B).
        UWAGA: Przykładowe skrypty można znaleźć pod adresem: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0
      2. Załaduj środowisko gier VR zawierające zamierzone zadania do komputera połączonego z goglami VR (Rysunek 1B).
    4. Przygotuj obszar, w którym osoba badana wykona zadanie.
      1. Użyj solidnego krzesła bez podłokietników, aby upewnić się, że nie ma zakłóceń w normalnym sięganiu obiektu.
      2. W celu zapewnienia bezpieczeństwa i dokładności zebranych danych należy upewnić się, że obszar badania jest wolny od wszelkich przeszkód.
    5. Zsynchronizuj systemy.
      1. Użyj niestandardowej funkcji oprogramowania, aby zsynchronizować systemy w czasie z jednorazowym serwerem.
      2. Alternatywnie możesz użyć jednego komputera lub preferowanego menedżera komunikatów.

figure-protocol-1
Rysunek 1: Konfiguracja eksperymentalnego sprzętu. (A) Kamery do przechwytywania ruchu markerów są umieszczone na podłodze i w suficie wokół przestrzeni eksperymentalnej, tworząc optymalną przestrzeń do śledzenia ruchu. Dedykowany komputer służy do uruchamiania oprogramowania do przechwytywania ruchu i zapisywania danych. (B) Gogle używane do wyświetlania zmodyfikowanego BBT w VR są podłączone do dedykowanego komputera, na którym zapisywane są dane wirtualnej oceny i zadania. (C) Baza EMG jest podłączona do dedykowanego komputera, na którym rejestrowane i zapisywane są dane dotyczące aktywności mięśni podczas wykonywania zadania. Czujniki EMG i markery LED do przechwytywania ruchu są umieszczane na ramieniu osoby badanej podczas sesji (patrz Rysunek 2). Skróty: VR = rzeczywistość wirtualna; EMG = elektromiografia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Procedury eksperymentalne

UWAGA: wizualna reprezentacja eksperymentalnego przepływu opisanego w tym protokole jest pokazana w Rysunek 2.

  1. Konfiguracja EMG
    1. Aby określić umiejscowienie czujnika EMG w celu uzyskania najlepszej jakości sygnału, należy obmacać brzuch mięśniowy, podczas gdy uczestnik napina odpowiednią klasę mięśni27. Patrz Tabela 1, aby zapoznać się z doborem mięśni stosowanym w tym protokole.
    2. Za pomocą chusteczki nasączonej alkoholem ostrożnie wyczyść każdą elektrodę i zamierzone miejsce umieszczenia czujnika na ramieniu pacjenta.
      UWAGA: Dokładne czyszczenie zarówno czujników EMG, jak i skóry pacjenta zapewni niską impedancję elektroda-skóra. Dzięki temu rejestrowane dane EMG mają wysoki stosunek sygnału do szumu. Nadmiar włosów w miejscu umieszczenia czujnika może powodować niską jakość danych, nawet jeśli są odpowiednio oczyszczone. W takim przypadku może być konieczne ogolenie włosów.
    3. Po przygotowaniu elektrod EMG i skóry badanego umieść czujniki EMG na obiekcie, zapewniając dobry kontakt elektrod ze skórą. Elektrody bipolarne powinny być ustawione tak, aby czujniki były równoległe do kierunku włókien mięśniowych.
  2. Konfiguracja systemu przechwytywania ruchu
    UWAGA: Może to nie być konieczne, jeśli do śledzenia ruchów dłoni na potrzeby kinematyki używany jest tylko zestaw słuchawkowy VR.
    1. Skalibruj kamery śledzące ruch, postępując zgodnie z instrukcjami producenta. Przesuwaj różdżkę kalibracyjną po całej przestrzeni eksperymentalnej, aby skalibrować kamery śledzące ruch i ustawić oś 3D przestrzeni.
      UWAGA: System przechwytywania ruchu markerów używany w tym protokole zawiera różdżkę kalibracyjną ze znacznikami LED.
    2. Umieść znaczniki LED do przechwytywania ruchu na kostnych punktach orientacyjnych kończyny górnej i tułowia fotografowanej osoby, które są potrzebne do skonstruowania pożądanych modeli biomechanicznych.
    3. Użyj dostarczonego oprogramowania do przechwytywania ruchu, aby upewnić się, że wszystkie znaczniki są rozpoznawane i śledzone przez kamery przechwytywania ruchu. Poinstruuj badanego, aby wykonał kilka ruchów ćwiczeniowych, podczas gdy personel badawczy będzie wizualnie monitorował dane markerów w czasie rzeczywistym.
  3. Konfiguracja zadania oceny umiejętności VR
    1. Ustaw krzesło na środku przestrzeni eksperymentalnej do przechwytywania ruchu. Użyj krzesła, które jest podobne do tego, którego używano do tradycyjnego testu w świecie rzeczywistym.
    2. Skalibruj gogle VR na krześle, na którym badany będzie wykonywał zadanie oceny. Po kalibracji poinstruuj badanego, aby usiadł na krześle i umieścił gogle VR na głowie.
    3. Gdy osoba badana siedzi, zmierz odległość między ramieniem osoby a ziemią, a także długość ramienia osoby. Użyj tych odległości, aby ustawić lokalizację, w której tabela i zadanie oceny pojawią się w VR.
    4. W skrypcie sterowania zadaniami VR wprowadź pomiary obiektu i zaprogramuj żądaną liczbę powtórzeń odradzania bloków.
      UWAGA: W tym zmodyfikowanym BBT poszczególne bloki będą pojawiać się pojedynczo, aby zwiększyć odtwarzalność.
  4. Poinstruuj uczestnika, aby wykonał zmodyfikowaną ocenę BBT w VR.
    1. Przedstaw tematowi krótkie wyjaśnienie zadania.
      1. Wirtualny blok pojawi się po lewej lub prawej stronie, zgodnie z ustaleniami eksperymentatora.
      2. Wyjaśnij osobie, którą będą musiały podnieść wirtualny blok, przetransportować go przez przegrodę i umieścić na celu w przeciwległym przedziale (Rysunek 2).
        UWAGA: W zastosowanym tutaj wirtualnym zmodyfikowanym BBT blok automatycznie zniknie i pojawi się ponownie w pozycji wyjściowej tyle razy, ile ustali eksperymentator.
    2. Zacznij zbierać dane EMG.
    3. Rozpocznij zbieranie danych dotyczących przechwytywania ruchu.
    4. Rozpocznij zadanie oceny umiejętności VR.
      1. Pozwól, aby zadanie było uruchamiane przez ustaloną liczbę powtórzeń przed automatycznym zakończeniem.
    5. Zapisz dane EMG i kinematyczne do analizy post-hoc.
    6. Określ klinicznie istotny wynik dla zmodyfikowanego BBT post-hoc jako liczbę bloków pomyślnie przeniesionych przez barierę lub powtórzeń zadania w ciągu 60 sekund.

figure-protocol-2
Rysunek 2: Protokół eksperymentalny, zadanie VR i konfiguracja tematu. (A) Diagram przepływu opisujący zastosowany tutaj protokół eksperymentalny. (B) Przykładowy widok zmodyfikowanego BBT zaimplementowanego w środowisku VR. Pomiary anatomiczne służą do kalibracji zadania VR, zapewniając, że wirtualny stół pojawia się we właściwej lokalizacji względnej. (C) Umieszczenie znaczników LED do przechwytywania ruchu i czujników EMG na obiekcie. Czujniki EMG są umieszczane na mięśniach zainteresowania, a znaczniki LED do przechwytywania ruchu są umieszczane nad kostnymi punktami orientacyjnymi. Skróty: VR = rzeczywistość wirtualna; EMG = elektromiografia; LED = dioda elektroluminescencyjna. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Wyniki

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

Dane EMG, kinematyczne i siłowe uzyskane od osób korzystających z tego protokołu mogą być użyte do scharakteryzowania ruchów w powtórzeniach tego samego zadania, jak również podczas różnych zadań. Dane przedstawione tutaj reprezentują wyniki od zdrowych uczestników z grupy kontrolnej, aby zademonstrować wykonalność tej konfiguracji. Reprezentatywne profile EMG zarejestrowane od zdrowego osobnika wykonującego zmodyfikowane BBT w VR są pokazane na Rysunek 3. Można zaobserwować wysoką aktywację mięśni przedniego mięśnia naramiennego (DELT_A), co sugeruje, że jest on głównym motorem ramienia przy każdym ruchu sięgającym. Prostowniki przedramienia i nadgarstka (ECU i ECR) zostały również wyraźnie aktywowane, co sugeruje, że mięśnie te są wykorzystywane do wspomagania chwytania bloku podczas całego ruchu. Wreszcie, wzmożona aktywność mięśni kciuka (EPB i APB) wskazuje na ich wykorzystanie w chwytaniu i zwalnianiu bloku. Podczas gdy profile EMG zarejestrowane podczas zmodyfikowanego BBT w VR były podobne do zadania w świecie rzeczywistym, maksymalna aktywność mięśni podczas oceny VR została zmniejszona. Wyniki te sugerują, że zarówno standardowy BBT w świecie rzeczywistym, jak i zmodyfikowany BBT w VR angażują podobne mechanizmy kontroli motorycznej.

VR dane śledzenia dłoni zostały wykorzystane do uzyskania danych kinematycznych, które wytworzyły gładkie profile trajektorii kątów połączeń w zmodyfikowanym BBT zaimplementowanym w VR (Rysunek 4)". Użycie palca kciuka, środkowego i wskazującego do chwytania bloku jest zaznaczone zmianami kąta stawu zarówno w bliższym, jak i dystalnym stawie międzypaliczkowym (Ryc. 4)". Kąty stawów palców 2 (wskazujący) i 3 (środkowy) zmieniają się wzdłuż podobnych trajektorii, co oznacza ich jednoczesne użycie do chwytania, a następnie zwalniania bloku. Dla porównania, palce 4 (pierścieniowy) i 5 (mały palec) wykazują wyraźny wzór zmian kąta stawu w bliższych i dalszych stawach międzypaliczkowych. To nie tylko sugeruje, że nie były one używane do chwytania bloku, ale także pokazuje, że ich ruch przeciwstawnych palców 2 i 3 może oznaczać typowy ruch poza synergią, w którym palce te pozostają zgięte, gdy klocek jest zwolniony. Ta frakcjonowana kontrola wyprostu palca w porównaniu ze zgięciem może być nieobecna u osoby z deficytami motorycznymi po udarze. Tabela 2 przedstawia średnie zakresy kątów spoiny podczas zadania. Dodatkowo, czas każdego ruchu lub fazy ruchu, takiej jak chwyt i zasięg, oraz liczba powtórzeń w danym okresie mogą być również mierzone na podstawie danych kinematycznych uzyskanych z gogli VR.

Jakość danych uzyskanych z tego protokołu może być zmaksymalizowana poprzez dokładne rozważenie kilku czynników. Jak wcześniej wspomniano, pozyskiwanie wysokiej jakości danych EMG opiera się na bliskim kontakcie elektrod czujnikowych ze skórą. Gdy czujniki są bezpiecznie ustawione, dane EMG będą miały wysoki stosunek sygnału do szumu z wyraźnymi okresami pękania, które wskazują, kiedy mięśnie aktywnie się kurczą (Rysunek 5). Wyraźne wybuchy aktywności elektrycznej odpowiadające skurczom mięśni można wizualizować zarówno w sygnałach niefiltrowanych (Rysunek 5A), jak i filtrowanych (Ryc. 5B), przy minimalnym szumie. Nieprawidłowy lub nieoczekiwany wzrost amplitudy sygnału może wskazywać na artefakty ruchu, które mogą wynikać z niepewnego mocowania czujników EMG do skóry. Jeśli używane są czujniki przewodowe, może to również wynikać z przewodów, które zwisają podczas ruchu. Wysokiej jakości dane przechwytywania ruchu wymagają, aby kończyny pozostawały w wyraźnym polu widzenia kamery, aby algorytm śledzenia mógł precyzyjnie określić względne współrzędne śledzonych punktów. Duże lub nagłe zmiany współrzędnych śledzonych punktów lub brakujące wartości współrzędnych wskazują na niską jakość danych przechwytywania ruchu. Chociaż interpolacja znaczników może być używana do obliczania brakujących współrzędnych, metoda ta jest ważna tylko dla krótkich okresów w stosunku do czasu ruchu.

figure-results-1
Rysunek 3: Reprezentatywne, przefiltrowane i skorygowane profile EMG nagrane od zdrowego osobnika wykonującego 10 powtórzeń zmodyfikowanego BBT w VR. (A) Zginacze ramienia bliższego (biceps krótka głowa, czerwona; biceps długa głowa, szary; przedni naramienny,). (B) Prostowniki ramienia bliższego (triceps głowy długi, zielony; triceps boczny, niebieski). (C) Dystalne zginacze ramienia (zginacz nadgarstka łokciowego, czerwony; zginacz nadgarstka promieniowego,). (D) Dystalne prostowniki ramienia (prostownik nadgarstka i kości łokciowej, zielony; prostownik nadgarstka promieniowego, niebieski). (E) Mięśnie palców i kciuków (zginacz palca powierzchowny, czerwony; prostownik palca chińskiego, zielony; prostownik pollicis brevis, niebieski; odwodziciel pollicis brevis, brązowy). Ten rysunek jest adaptacją Yough28. Skróty: BBT = Box and Block Task; EMG = elektromiografia; BIC_SH = biceps krótka głowa; BIC_LO = biceps długa głowa; DELT_A = przedni naramienny); TRI_LO = triceps długa głowa; TRI_LAT = triceps boczny; FCU = zginacz nadgarstka kości łokciowej; FCR = zginacz nadgarstka promieniowego; ECU = prostownik nadgarstka łokciowego; ECR = prostownik nadgarstka promieniowego; FDS = zginacz palca powierzchowny; EDC = extensor digitorum communis; EPB = extensor pollicis brevis; APB = abductor pollicis brevis. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 4: Reprezentatywne profile kinematyczne zarejestrowane od zdrowego osobnika wykonującego 10 powtórzeń zmodyfikowanego BBT w VR. (A) Kąty stawów kciuka w stawach CMC, MCP i IP. (B) Kąty połączeń stawów MCP o cyfrach 2-5. (C) Kąty połączeń połączeń o cyfrach 2-5. (D) Kąty połączeń stawów DIP cyfr 2-5. Liczby po nazwie każdego stawu wskazują palec, któremu odpowiada każdy staw (kciuk = 1, palec wskazujący = 2, środek = 3, pierścień = 4, mały palec = 5). Ten rysunek jest adaptacją Yough28. Skróty: CMC = nadgarstkowo-śródręczne; Ad/Ab = przywiedzenie/uwiedzenie; E/F = wyprost/zgięcie; MCP = śródręczno-paliczkowe; IP = międzypaliczkowy; = proksymalny międzypaliczkowy; DIP = dystalny międzypaliczkowy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 5: Reprezentatywne dane z czujnika EMG. (A) surowe i (B) przefiltrowane sygnały EMG z optymalnie umieszczonego, bezpiecznego czujnika EMG na zginaczu nadgarstka łokciowego. Ten rysunek jest adaptacją Yough28. Skróty: EMG = elektromiografia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Numer czujnika Delsysmięsień
1Zginacz nadgarstka łokciowego
cyfra arabskaFlexor carpi radialis
3Prostownik nadgarstka łokciowego
4Prostownik nadgarstka promieniowego długiego
5Anconeus (Anconeusz)
6Zginacz palca powierzchowny
7Extensor digitorum communis
8Mięsień dwugłowy ramienia - przyśrodkowa/krótka głowa
9Biceps brachii - boczny/długa głowa
10Triceps brachii - długa głowa
11Mięsień dwugłowy ramienia - boczna głowa
12Przedni naramienny
13Boczne naramienne
14Extensor pollicis brevis
15Odwodziciel pollicis brevis

Tabela 1: Wybór mięśni dla sensorów EMG do rejestracji w tym protokole.

pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.
Stopień swobodyMinimalny kąt spoiny (rad)Maksymalny kąt spoiny (rad)Wielkość (rad)
Pronacja supinacji nadgarstka0,240,680,44 ± 0,17
Wyprost nadgarstka-zgięcie-0,47-0,40,1 ± 0,06
Przywodzenie-Odwodzenie nadgarstka-0,18-0,10,08 ± 0,03
Przywodzenie-odwodzenie nadgarstka0,350,550,2 ± 0,09
Przedłużenie zgięcia nadgarstka i śródręcza0,050,240,18 ± 0,12
Kciuk Śródręcze Zgięcie-Przedłużenie-0,23-0,150,08 ± 0,02
Kciuk Zgięcie-Przedłużenie Międzypaliczkowe-0,56-0,480,09 ± 0,03
Indeks Przedłużenie-Zgięcie Śródręcza0,250,50,25 ± 0,13
Indeks Proksymalne Przedłużenie Międzypaliczkowe Zgięcie0,740,940,0,2 ± 0,14
Indeks Dystalnego Wyprostu Międzypaliczkowego-Zgięcia0,670,810,15 ± 0,1
Środkowe wyprostowanie-zgięcie śródręcza0,250,460,2 ± 0,11
Środkowe przedłużenie międzypaliczkowe - zgięcie0,891,070,18 ± 0,11
Środkowe przedłużenie międzypaliczkowe dystalne-zgięcie0,740,90,15 ± 0,1
Pierścień Przedłużenie-Zgięcie śródręcza0,220,420,2 ± 0,14
Pierścień Proksymalne Przedłużenie Międzypaliczkowe - Zgięcie0,91.10,2 ± 0,15
Pierścień Dystalny Wyprost Międzypaliczkowy-Zgięcie0,780,930,15 ± 0,1
Małe wydłużenie śródręcza-zgięcie0,320,480,16 ± 0,04
Małe proksymalne wydłużenie międzypaliczkowe - zgięcie0,93Godzina 1,090,16 ± 0,09
Małe dystalne wydłużenie międzypaliczkowe-zgięcie0,760,90,14 ± 0,09

Tabela 2: Średnie zakresy kątów połączenia podczas zmodyfikowanego BBT. Kierunki ruchu w nazwach głębi ostrości odpowiadają kierunkom ujemno-dodatnim. Na przykład w "Supinacja-pronacja nadgarstka" supinacja jest w kierunku negatywnym, a pronacja w kierunku pozytywnym.

Dyskusja

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

System EMG
Sprzęt systemu EMG składa się z 15 czujników EMG służących do pozyskiwania danych o aktywacji mięśni. Dostępny na rynku interfejs programowania aplikacji (API) został wykorzystany do wygenerowania niestandardowego oprogramowania do rejestracji EMG. Sprzęt systemu VR składa się z zestawu słuchawkowego do rzeczywistości wirtualnej służącego do wyświetlania immersyjnego środowiska VR oraz kabla łączącego gogle z dedykowanym komputerem, na którym przechowywane jest zadanie wirtualnej oceny. Oprogramowanie składa się z oprogramowania do grafiki komputerowej 3D do tworzenia i uruchamiania zadania VR. W tym przypadku jako zadanie oceny wykorzystano zmodyfikowany test pudełkowo-blokowy, zaadaptowany z popularnej ręcznej oceny zręczności26. Interakcja ze środowiskiem VR była możliwa dzięki zastosowaniu oprogramowania przeznaczonego do obliczania lokalizacji, w której miałby się pojawić stół, uruchamiania zadania, tworzenia bloków i zapisywania danych.

System przechwytywania ruchu
Sprzęt systemu przechwytywania ruchu składa się z gogli VR, systemu przechwytywania ruchu znacznika i kontrolera ruchu VR. Gogle VR są wyposażone w możliwość śledzenia dłoni za pomocą czterech wbudowanych kamer na podczerwień (72-120 Hz). Dane te zostały pozyskane z urządzenia w celu przeprowadzenia analizy kinematycznej. System przechwytywania ruchu markerów składa się z serwera, kamer o polu widzenia 60°, diody elektroluminescencyjnej światła czerwonego (LED) jako znaczników oraz obiektu kalibracyjnego. Aby dokładnie uchwycić przestrzeń, kamery będą musiały nieznacznie na siebie zachodzić. Podczas eksperymentu dany obszar przechwytywania był otoczony ośmioma kamerami (480 Hz), z których cztery znajdowały się na suficie, a cztery na podłodze. System ten został skalibrowany i wyrównany przed eksperymentem. Preferowane mogą być systemy przechwytywania ruchu markerów, ponieważ dostarczają one danych kinematycznych o wysokiej rozdzielczości zarówno do zastosowań klinicznych, jak i badawczych. Kontroler ruchu VR zawiera optyczny moduł śledzenia dłoni, który rejestruje ruch dłoni i palców. Kontroler posiada dwie kamery bliskiej podczerwieni o rozdzielczości 640 x 240 pikseli (120 Hz), które są w stanie śledzić ruch w odległości do 60 cm od urządzenia i w polu widzenia 140 x 120°. To urządzenie było przymocowane do gogli VR lub zabezpieczone nad głową podczas ruchu. Oprogramowanie do tworzenia grafiki komputerowej 3D zostało wykorzystane do wizualizacji śledzenia dłoni i zbierania danych ze środowiska VR. Dane z bezznacznikowych i markerowych systemów przechwytywania ruchu zostały pozyskane i zapisane za pomocą niestandardowych skryptów programowych. Przykładowe skrypty programów można znaleźć pod adresem: https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0.

Potencjalne zamienniki sprzętu
W tym protokole stosowane są bezprzewodowe, bipolarne, powierzchniowe elektrody EMG, jednak inne technologie EMG (przewodowe itp.) mogą zostać zastąpione. W przypadku korzystania ze standardowych, dostępnych na rynku czujników, zgodnie z opisem w tabeli materiałów, zamiast niestandardowych skryptów programowych można użyć dołączonego oprogramowania DAQ (częstotliwość próbkowania 2,000 Hz). W przypadku stosowania alternatywnych czujników EMG należy również skorzystać z oprogramowania kompatybilnego z tym systemem.

Zamiast łączyć gogle VR z komputerem za pomocą kabla, gogle VR mogą przechowywać interaktywne środowisko w zestawie słuchawkowym. Wdrożenie tej funkcji w przyszłych aplikacjach do rehabilitacji domowej byłoby korzystne dla pacjenta. Użyte tutaj gogle VR mogą zostać zastąpione innymi immersyjnymi goglami VR. Przed zastąpieniem wymagałoby to sprawdzenia zgodności z oprogramowaniem do tworzenia gier.

Alternatywne oprogramowanie programistyczne może być użyte do stworzenia środowiska wirtualnego i zadania opisanego w tym protokole. Dodatkowo, inne oceny kliniczne przetłumaczone na VR mogą być stosowane zamiast zilustrowanego tutaj zmodyfikowanego BBT (np. Action Research Arm Test (ARAT) lub Graded Redefined Assessment of Strength, Sensation, and Prehension (GRASSP)). Podczas gdy BBT może być stosowany do oceny szerokiego zakresu urazów neurologicznych, zastosowanie alternatywnych zadań klinicznych pozwoliłoby na ocenę innych zaburzeń ruchowych. Na przykład GRASSP jest używany przede wszystkim do oceny pacjentów z uszkodzeniem rdzenia kręgowego, podczas gdy ARAT jest najczęściej używany do oceny porażenia połowiczego spowodowanego uszkodzeniem kory mózgowej. Wirtualne oceny mogłyby być również przeprowadzane bez kontroli przez skrypt oprogramowania (tj. Autonomiczny), ale DAQ i kontrola administracji testowej musiałyby być uwzględnione. Do oceny umiejętności można by użyć namacalnego testu pudełkowego i blokowego (BBT) zamiast zadania opracowanego w VR26. Wykorzystanie rzeczywistego sprzętu wymagałoby alternatywnej technologii przechwytywania ruchu, zamiast śledzenia dłoni rejestrowanego za pomocą gogli VR.

Alternatywne, niezawodne przechwytywanie ruchu za pomocą znaczników lub bez znaczników może być używane do śledzenia kinematyki ręki. Na przykład przechwytywanie ruchu oparte na VR może być wykorzystane do uproszczenia konfiguracji, przy jednoczesnym uzyskaniu niezbędnych danych śledzenia dłoni w celu wyodrębnienia informacji kinematycznych. Zastosowany tu system przechwytywania ruchu markera zawiera oprogramowanie do kalibracji eksperymentalnej przestrzeni przechwytywania ruchu i uruchamiania kamer (częstotliwość próbkowania 480 Hz). Należy zastosować alternatywną technologię przechwytywania ruchu z odpowiednim oprogramowaniem.

Na rysunku 1 przedstawiono oddzielne komputery, z których każdy ma inny komponent sprzętowy. Na jednym komputerze o wysokiej wydajności można uruchomić całe oprogramowanie do gromadzenia danych i VR. W opisanym tutaj protokole korzystanie z trzech oddzielnych komputerów wymaga synchronizacji danych. Synchronizacja danych w czasie między urządzeniami ma kluczowe znaczenie dla danych EMG, kinematycznych i siły, aby uzyskać znaczące wnioski. Niestandardowe skrypty programowe wykorzystujące wbudowaną funkcję daty/godziny zostały wykorzystane do zarejestrowania uniwersalnego czasu w każdym systemie na początku zadania. Co ważne, wszystkie komputery muszą być podłączone do tej samej sieci, aby te skrypty działały poprawnie. Po zarejestrowaniu czasu rozpoczęcia przy użyciu daty/godziny, skrypty DAQ wykorzystały funkcje tic i toc do zwiększenia czasu podczas próby. Funkcje te mają precyzję około 0,000001 s, co potencjalnie pozwala na rejestrację danych z częstotliwością 1000 kHz. W naszej konfiguracji najwyższa częstotliwość próbkowania wynosi 30 kHz, co jest znacznie poniżej maksymalnych możliwości tej metody w zakresie nagrywania i synchronizacji czasu między urządzeniami. Do przesyłania danych między środowiskiem VR a aplikacją DAQ w oparciu o adres IP wykorzystano aplikację do przesyłania wiadomości opartą na protokole TCP-IP (Transmission Control Protocol/Internet Protocol)29 opracowaną w języku Python.

Oprócz zapewnienia synchronizacji czasu, kluczowe znaczenie miała synchronizacja danych uzyskanych przy różnych częstotliwościach próbkowania. Dwa z komputerów zostały ręcznie uruchomione w celu zbierania danych o przechwytywaniu ruchu (480 Hz) i rejestrowaniu danych EMG (2000 Hz). We wcześniejszych badaniach wykorzystano niestandardowe obwody synchronizacji do wysyłania wspólnego zdarzenia między systemami w punktach orientacyjnych próby (np. impuls synchronizacji jest wysyłany, gdy rozpoczyna się rejestrowanie danych i ponownie, gdy nagrywanie się kończy)30. W tym przypadku korzystanie z funkcji daty/godziny, tiku i spisu treści programu pozwala na synchronizację bez konieczności stosowania dodatkowego sprzętu. Zastosowana tutaj dostępna na rynku aplikacja do przesyłania wiadomości TCP-IP również obsługiwała ciągłą komunikację między systemami. Ta struktura synchronizacji czasu i częstotliwości zbierania danych w systemach działała również w celu spójnego organizowania danych na potrzeby zaawansowanej analizy post hoc.

Opisany tutaj protokół eksperymentalny jest niezwykle konfigurowalny, aby zaspokoić zmienne potrzeby grup klinicznych lub badawczych, z potencjałem do zastosowania zarówno w warunkach klinicznych, jak i domowych/zdalnych. Chociaż opisaliśmy ocenę aktywności mięśni i kinematyki przy użyciu zmodyfikowanego BBT w VR, podobna konfiguracja może być używana do różnych testów klinicznych, a nawet może być uproszczona w przypadku mniejszych zestawów danych. Na przykład czujniki EMG i siły można wykluczyć, jeśli potrzebne są tylko dane kinematyczne. Pozyskanie samych danych kinematycznych wymagałoby po prostu użycia systemu przechwytywania ruchu. Można również dołączyć dodatkowy sprzęt, taki jak elektroencefalografia lub elektrokardiografia, w celu rejestrowania dodatkowych danych. Zamiast standardowych powierzchniowych elektrod EMG, do rejestrowania bardziej precyzyjnych danych dotyczących aktywności mięśni można zastosować EMG powierzchniowe lub domięśniowe EMGo dużej gęstości 31,32. Ponadto inne funkcjonalne testy kliniczne, takie jak ARAT lub GRASSP, mogą być stosowane do oceny deficytów motorycznych w różnych populacjach pacjentów. Chociaż opisana tutaj konfiguracja jest przeznaczona przede wszystkim do celów badawczych w celu lepszego ilościowego określenia deficytów ruchowych w VR, naszym celem jest opracowanie podobnej konfiguracji, aby umożliwić zdalne monitorowanie i rehabilitację pacjentów. Spodziewamy się, że protokół ten będzie można łatwo zaadaptować przy użyciu standardowych konsumenckich gogli VR wyposażonych w śledzenie ruchu dłoni, w połączeniu z urządzeniem rejestrującym EMG do noszenia. W przyszłych badaniach zamierzamy dalej rozwijać ten protokół do użytku domowego poprzez włączenie niedrogiego, nadającego się do noszenia rękawa EMG o dużej gęstości, który jest obecnie opracowywany.

W porównaniu z tradycyjną fizjoterapią lub terapią zajęciową w klinice lub ośrodku rehabilitacyjnym, rehabilitacja VR oferuje wiele potencjalnych korzyści. Podczas gdy opisany tutaj protokół ma być wykorzystywany przede wszystkim do celów badawczych, wirtualne metody oceny mogą być potencjalnie wdrażane zdalnie i przy użyciu gotowych urządzeń, bez konieczności korzystania z drogiego, specjalistycznego sprzętu medycznego. Ponadto systemy VR są w stanie ilościowo śledzić ruchy dłoni, aby zapewnić wgląd w jakość ruchu, co może być niewykonalne przy standardowej ocenie33,34. Porównywalność ruchów w VR z zadaniami w świecie rzeczywistym pozostaje tematem intensywnych badań, a przyszłe spostrzeżenia wpłyną na to, w jaki sposób VR może być wykorzystywany do rehabilitacji. Opisana tutaj procedura to elastyczna konfiguracja, która wykorzystuje VR do kierowania ustandaryzowanymi ruchami i uzyskiwania indywidualnych danych kinematycznych i EMG. Dane uzyskane z badań wykorzystujących opisaną konfigurację mogą również dostarczyć informacji na temat tego, jak poszczególne osoby poruszają się w środowisku wirtualnym oraz potencjalnych mechanizmów, dzięki którym niektórzy badani uważają, że VR jest bardziej wciągający. Ma to kluczowe znaczenie przy dostosowywaniu rzeczywistych ocen klinicznych do środowiska VR.

Kilka kroków w konfiguracji i wykonaniu tego protokołu musi być dokładnie monitorowanych, aby uzyskać wysokiej jakości, dokładne dane. Pierwszorzędne znaczenie ma odpowiednie umiejscowienie sensora EMG. Czyste, dokładne dane EMG z wysokim stosunkiem sygnału do szumu wymagają umieszczenia czujników na odkażonej, pozbawionej włosów skórze powyżej brzucha wybranego mięśnia27. Podobnie, jeśli używany jest system przechwytywania ruchu markerów, znaczniki muszą być precyzyjnie umieszczone na kostnych punktach orientacyjnych, aby uzyskać wiarygodne dane do obliczenia interesujących kątów połączenia. W porównaniu z czujnikami EMG istnieje pewna elastyczność w orientacji znaczników przechwytywania ruchu, ale zawsze należy używać co najmniej trzech niewspółliniowych punktów do określenia położenia ciała sztywnego w przestrzeni35. Niektóre techniki obliczania kątów połączeń, takie jak kinematyka odwrotna oparta na modelu, będą wymagały dokładnego umieszczenia znacznika. W przypadku stosowania tej metody lokalizacje markerów eksperymentalnych powinny być zgodne z lokalizacją modelu36. Oprogramowanie do modelowania układu mięśniowo-szkieletowego opracowane do obliczania kinematyki odwrotnej zwykle zawiera wbudowane funkcje obliczeniowe do dopasowywania modelu i lokalizacji markerów eksperymentalnych. OpenSim, platforma opracowana przez Uniwersytet Stanforda37, jest powszechnie używana do tego typu analiz. Zarówno czujnik EMG, jak i marker powinny być monitorowane przez cały czas trwania zadania, aby zapewnić rejestrowanie danych o wysokiej jakości.

Jeśli dane uzyskane z tego protokołu są zaszumione, rozwiązywanie problemów powinno skupić się na rozważeniu kilku kroków. Po pierwsze, złe umieszczenie czujnika EMG może generować zaszumione dane i należy je zweryfikować. Aby złagodzić ten problem, ważne jest przygotowanie skóry przed założeniem czujnika EMG, jak omówiono wcześniej. Ponadto może dojść do niskiej jakości danych przechwytywania ruchu, jeśli znaczniki znajdą się poza zasięgiem kamer. Krótkotrwała utrata śledzonych punktów może zostać rozwiązana poprzez interpolację, ale jeśli znaczniki nadal nie przesyłają dokładnych danych o położeniu, mogą wystąpić poważniejsze problemy. Jeśli pojedynczy marker wielokrotnie wypada, może to oznaczać, że znacznik jest albo zasłonięty przez ruch obiektu, albo znajduje się poza zasięgiem aparatu. Co więcej, wadliwa kalibracja aparatu może spowodować awarię kilku markerów. W tym scenariuszu najlepiej jest w pełni skalibrować system przechwytywania ruchu po usunięciu obiektu i sprzętu testowego z przestrzeni eksperymentalnej. Dodatkowo należy zastosować odpowiednie oświetlenie, ponieważ warunki o słabym oświetleniu mogą utrudniać pozyskiwanie wysokiej jakości danych dotyczących przechwytywania ruchu.

Opisany protokół ma kilka ograniczeń. Po pierwsze, przedstawiona tutaj konfiguracja wymaga użycia wielu kamer do przechwytywania ruchu. Jednak celem tego protokołu jest zebranie danych o wysokiej rozdzielczości w celu lepszego ilościowego określenia deficytów ruchowych w VR przed opracowaniem w pełni zdalnych ocen klinicznych, które mogą być wykonane przez samego pacjenta. Dodatkowo w zadaniach wykonywanych w VR brakuje dotykowego sprzężenia zwrotnego. Należy o tym pamiętać, ponieważ samo dotykowe sprzężenie zwrotne może zmienić wielkość siły chwytu38,39. Może to wpływać na aktywację mięśni lub kinematykę, gdy zadanie jest wykonywane w środowisku wirtualnym zamiast przy użyciu namacalnego sprzętu. Jeśli uważa się, że dotykowe sprzężenie zwrotne ma kluczowe znaczenie (np. jeśli pacjenci doświadczają również deficytów sensorycznych), można uwzględnić użycie robotów dotykowych w celu naśladowania dotykowego sprzężenia zwrotnego. Pomimo tego ograniczenia przewidujemy, że dane uzyskane z opisanej tutaj konfiguracji będą miały kluczowe znaczenie w ilościowym określaniu zmian w kinematyce i aktywności mięśni w zadaniach opartych wyłącznie na VR u pacjentów z zaburzeniami ruchowymi. Pomoże to w dostosowaniu takich testów klinicznych do użytku domowego. Dodatkowym ograniczeniem tego protokołu jest to, że pojedynczy blok jest prezentowany w danym momencie podczas testu. W standardowym BBT na początek w jednej komorze pudełka umieszcza się 150 drewnianych klocków. Ten zmodyfikowany BBT został zaprojektowany w celu zwiększenia powtarzalności rejestrowanych danych przechwytywania ruchu i EMG poprzez symulację jednego bloku, który odradza się w tej samej wirtualnej lokalizacji. W związku z tym zmodyfikowany BBT zaimplementowany w VR jest prawdopodobnie bardziej uproszczonym zadaniem. W przyszłych badaniach ważne będzie, aby zmodyfikowany BBT w VR był spójny z konfiguracją standardowego BBT, aby zapewnić poprawność treści.

Oświadczenia

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

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

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

Ta praca była wspierana przez Biuro Asystenta Sekretarza Obrony ds. Zdrowia poprzez Program Badań nad Przywróceniem Wojowników z Urazami Nerwowo-Mięśniowo-Szkieletowymi (RESTORE) pod numerem Nagrody W81XWH-21-1-0138. Opinie, interpretacje, wnioski i zalecenia są opiniami autorów i niekoniecznie są zatwierdzone przez Departament Obrony.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Krzesło bez podłokietnikówN/AKrzesło dla osób siedzących powinno być pozbawione podłokietników, aby nie przeszkadzało im w poruszaniu ramion.
KomputerDell Technologies Dosprzętu do akwizycji danych dołączono trzy komputery.
Leap Motion ControllerUltraleapOpcjonalny moduł śledzenia dłoni, który rejestruje ruch dłoni i palców. Kontroler posiada dwie kamery bliskiej podczerwieni o rozdzielczości 640 x 240 pikseli (120 Hz), które są w stanie śledzić ruch w odległości do 60 cm od urządzenia oraz w rozdzielczości 140 x 120° pole widzenia. To urządzenie było przymocowane do gogli VR lub zabezpieczone nad głową podczas ruchu.
MATLABMathWorks, Inc. Platforma programistyczna służąca do tworzenia niestandardowego oprogramowania do akwizycji danych
Oculus Quest 2MetaImmersive zestaw słuchawkowy wirtualnej rzeczywistości wyposażony w możliwość śledzenia dłoni za pomocą 4 wbudowanych kamer na podczerwień (72-120 Hz). Może być zastąpiony innymi podobnymi urządzeniami (np. HTC Vive, HP Reverb, Playstation VR).
Oculus Quest 2 LinkMetaSłuży do podłączenia gogli do komputera, na którym przechowywana była gra VR
PhaseSpace Motion CapturePhaseSpace, Inc.Markerowany system przechwytywania ruchu, składający się z serwera, kamer o polu widzenia 60 stopni, diody elektroluminescencyjnej światła czerwonego (LED) jako znaczników oraz obiektu kalibracyjnego
Trigno Wireless SystemDelsys, Inc.Delsys Inc., obejmuje EMG, akcelerometr, czujniki siły, stację bazową i oprogramowanie do zbierania. Interfejs programowania aplikacji (API) Trigno-MATLAB został wykorzystany do opracowania niestandardowego oprogramowania do nagrywania.
Unreal Engine 4Epic GamesSoftware używane do tworzenia i uruchamiania zmodyfikowanego zadania Box and Block w VR

Bibliografia

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły