Artykuł metodologiczny

Sterowany interfejsem mózg-komputer system robotyczny kończyny górnej do usprawniania codziennych czynności u pacjentów po udarze mózgu

2.4K wyświetleń

⸱

DOI:

10.3791/67601

⸱

18 kwietnia 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

W tym artykule

Podsumowanie

To badanie wprowadza system interfejsu mózg-komputer (BCI) dla pacjentów po udarze, który łączy sygnały elektroencefalografii i elektrookulografii w celu kontrolowania ręki robota kończyny górnej, usprawniając codzienne czynności. W ocenie wykorzystano Berliński Dwuręczny Test na Udar Mózgu (BeBiTS).

Streszczenie

To badanie wprowadza sterowanego przez interfejs mózg-komputer (BCI) robota wspomagającego kończyny górne do rehabilitacji po udarze. System wykorzystuje sygnały elektroencefalogramu (EEG) i elektrookulogramu (EOG), aby pomóc użytkownikom wspomóc funkcję kończyny górnej w codziennych zadaniach podczas interakcji z ręką robota. Oceniliśmy skuteczność tego systemu robota BCI za pomocą Berlińskiego Dwuręcznego Testu Udaru (BeBiTS), zestawu 10 codziennych zadań życiowych angażujących obie ręce. W badaniu wzięło udział ośmiu pacjentów po udarze, ale tylko czterech uczestników było w stanie przystosować się do treningu systemu robotów BCI i wykonać postBeBiTS. Warto zauważyć, że gdy wynik preBeBiTS dla każdej pozycji wynosił cztery lub mniej, system robotów BCI wykazał większą skuteczność wspomagającą w ocenie postBeBiTS. Co więcej, nasza obecna robotyczna ręka nie pomaga w funkcjach ramienia i nadgarstka, co ogranicza jej zastosowanie w zadaniach wymagających skomplikowanych ruchów dłoni. Potrzeba więcej uczestników, aby potwierdzić skuteczność szkolenia systemu BCI-robot, a przyszłe badania powinny rozważyć wykorzystanie robotów, które mogą pomóc w szerszym zakresie funkcji kończyn górnych. Badanie to miało na celu określenie zdolności systemu BCI-robot do wspomagania pacjentów w wykonywaniu codziennych czynności.

Wprowadzenie

Upośledzenie funkcji kończyny górnej spowodowane udarem ogranicza zdolność do wykonywania codziennych czynności, zwłaszcza zadań dwuręcznych1. Rehabilitacja ręki jest zatem kluczowym elementem rehabilitacji po udarze, a terapia lustrzana2 i Terapia Ruchowa Wywołana Ograniczeniami (CIMT)3 są dobrze znanymi podejściami. Ostatnie badania wskazują, że systemy robotów Brain-Computer Interface (BCI) oparte na EEG mogą być skuteczną terapią wspomagającą poprawę odzyskiwania funkcji ręki u pacjentów po udarze4,5,6. Systemy robotyczne BCI koncentrują się na sprzężeniu aktywnej intencji pacjenta do podjęcia próby ruchu motorycznego z jego wykonaniem. Aktywnie prowadzone są badania mające na celu ustalenie, czy to podejście jest skuteczne w rehabilitacji7,8,9,10,11,12,13.

W tym badaniu prezentujemy sterowany przez BCI system robotyczny wspomagający kończyny górne, zaprojektowany, aby pomóc pacjentom po udarze wykonywać czynności dwuręczne. System wykorzystuje elektroencefalogramy (EEG) do wykrywania i interpretowania sygnałów mózgowych związanych z obrazowaniem motorycznym i łączy je z elektrookunogami (EOG) w celu uzyskania dodatkowych danych wejściowych. Te neurofizjologiczne sygnały umożliwiają pacjentom sterowanie robotyczną ręką, która pomaga w ruchach palców14. Takie podejście wypełnia lukę między chęcią poruszania się pacjenta a zdolnościami fizycznymi, potencjalnie ułatwiając regenerację motoryczną i zwiększając niezależność w codziennych zadaniach.

Naukowcy z Uniwersytetu Medycznego Charité w Berlinie opracowali Berliński Dwuręczny Test na Udar Mózgu (BeBiTS), kompleksowe narzędzie do oceny skuteczności tego systemu robotycznego BCI15. BeBiTS zapewnia ilościową miarę poprawy funkcjonalnej poprzez ocenę zdolności do wykonywania dziesięciu czynności dwuręcznych niezbędnych w codziennym życiu. Ocena ocenia każde zadanie indywidualnie i ocenia pięć elementów funkcji ręki: sięganie, chwytanie, stabilizowanie, manipulowanie i podnoszenie. Umożliwia kompleksową ocenę poprawy funkcjonalnej pacjentów, koncentrując się na czynnościach życia codziennego. Co więcej, pozwala nam to na ilościowe określenie wkładu systemu robotów BCI w poprawę określonych funkcji dłoni. Niniejsze badanie ma zatem na celu opracowanie skutecznego systemu robotów wspomagających BCI poprzez porównanie wyników BeBiTS przed i po sesjach treningowych u pacjentów po udarze.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Komisja Rewizyjna Szpitala Bundang w Seulu dokonała przeglądu i zatwierdziła wszystkie procedury eksperymentalne (IRB No. B-2205-756-003). Zrekrutowaliśmy ośmiu pacjentów z udarem mózgu i dokładnie wyjaśniliśmy istotne szczegóły przed uzyskaniem ich zgody. Po uzyskaniu świadomej zgody, protokół przebiega w następujący sposób: przed treningiem BCI przeprowadzamy ocenę BeBiTS, a następnie trening BCI z wykorzystaniem EOG i EEG. Następnie uczestnicy zakładają robota, aby przeprowadzić kolejną ocenę BeBiTS (Rysunek 1).

1. Konfiguracja systemu szkolenia robotów BCI

  1. Rekrutacja pacjentów
    1. Należy przeprowadzić proces selekcji, stosując następujące kryteria włączenia.
      1. Wybierz pacjentów w wieku od 20 do 68 lat z upośledzonymi funkcjami kończyn górnych.
      2. Wybierz pacjentów, którzy nie są w stanie zgiąć lub wyprostować palców sparaliżowanej ręki.
      3. Wybierz pacjentów z pojedynczym udarem podkorowym (w tym udarem niedokrwiennym, jak i krwotocznym).
      4. Wybierz pacjentów, którzy są więcej niż 6 miesięcy po urazie mózgu.
      5. Wybierz pacjentów z upośledzonym wynikiem Fugla-Meyera poniżej 31.
    2. Przekaż wszystkim zrekrutowanym pacjentom szczegółowe informacje na temat procedury eksperymentalnej i uzyskaj podpisaną świadomą zgodę.
      UWAGA: Przedstawiciel prawny musi przedstawić podpisaną świadomą zgodę, jeśli pacjent spełnia kryteria, ale nie może podpisać zgody.
  2. System BCI: aparat EEG
    1. Do rejestracji danych należy użyć systemu podglądu EEG (patrz tabela materiałów).
    2. Użyj komputera osobistego (PC) z niestandardowym oprogramowaniem BCI i podłącz komputer do urządzenia EEG.
  3. Robotyczna ręka wspomagająca kończynę górną
    1. Na uszkodzoną kończynę górną pacjenta stosuje się wspomagający robotyczny hand16, który podtrzymuje trzy palce. Ten robot to miękka, skóropodobna rękawica zaprojektowana tak, aby zakrywała tylko trzy palce: kciuk, wskazujący i środkowy. Podłącz robota bezprzewodowo do komputera za pomocą klucza USB.
    2. Po podłączeniu do komputera za pomocą klucza sprzętowego stan początkowy robota jest neutralny, co oznacza, że jego ręka jest w pełni otwarta. Zaprojektowany system BCI ustawia robota w taki sposób, że jego ręka może się zamknąć tylko wtedy, gdy rozpozna zamiar zaciśnięcia pięści, na podstawie tego, czy zmierzona wartość EEG spełnia próg. Rysunek 2 pokazuje schemat tego systemu robotów BCI.

2. Ocena robota BCI

  1. Berliński dwuręczny test na udar mózgu (BeBiTS)
    UWAGA: Ocena BeBiTS jest narzędziem do oceny wydajności 10 dwuręcznych czynności życia codziennego u pacjentów po udarze mózgu.
    1. Ułóż pacjenta wygodnie w fotelu przodem do biurka. Upewnij się, że pacjent znajduje się blisko biurka, w odległości około 30 cm od przedmiotów używanych w ocenie, aby wykonać zadania oceny zarówno rękami, jak i dłońmi.
    2. Zachowaj następujące 10 pozycji do oceny czynności dwuręcznych: Otwórz słoik, otwórz plastikowe opakowanie, otwórz butelkę z wodą, nalej szklankę wody, pokrój mięsną kit, wyczyść naczynie, podnieś garnek, otwórz tubkę pasty do zębów, nałóż pastę do zębów na szczoteczkę do zębów, zapnij zamek błyskawiczny kurtki.
      UWAGA: W 10 zadaniach ewaluacyjnych wykorzystywane są elementy oceny, z których wszystkie są wykonywane siedząc przy biurku. Każda akcja jest oceniana w skali do 10, z ogólnym wynikiem 100.
    3. Oceń i oceń pięć składników funkcji ręki wraz z wynikami poszczególnych elementów. Składowe te i odpowiadające im wyniki to osiąganie (20), chwytanie (20), stabilizowanie (10), manipulowanie (33), oraz podnoszenie (17), przy czym łączny wynik sumuje się do 100 punktów (Rysunek 3).

3. System szkolenia robotów BCI

  1. Konfiguracja EEG
    1. Otwórz system BCI. Rysunek 4 pokazuje cały ekran po otwarciu systemu BCI.
    2. Załóż nasadkę i podłącz amplifier.
    3. W module Source (Źródło) wybierz opcję EegoModule | tryb impedancji. Naciśnij Start w module źródłowym, który pokazuje niebieskie światło (Rysunek 5A).
    4. Upewnij się, że impedancje są poniżej 10 tys. Ohm, a następnie naciśnij Stop w module źródłowym.
    5. Zmień tryb na EEG, aby przesyłać strumieniowo dane i naciśnij start. Sprawdź sygnał za pomocą podanego oprogramowania (Rysunek 5B).
  2. Kalibracja EOG
    1. W module przetwarzania wstępnego wybierz Rurociąg specyficzny dla montażu EOG (np. SMR-EOGleft dla elektrody EOG na lewym oku; Rysunek 6A).
    2. W module Zadanie ustaw liczbę cue (np. 10). Moduł Zadanie ustawia kierunki przeciwlegle do ręki robota (Rysunek 6B).
    3. Poinstruuj uczestnika, aby wykonał krótkie boczne ruchy gałek ocznych w kierunku 10 pojawiających się strzałek (Rysunek 6C).
    4. Sprawdź wykres wyników zaraz po treningu. Szare linie reprezentują każdą próbę ruchu gałek ocznych; upewnij się, że pomarańczowa linia, która jest średnią, dotyka linii bazowej, wskazując, że szkolenie zakończyło się sukcesem (Rysunek 7).
    5. Jeśli trenowanie zakończy się pomyślnie, zapisz wartość parametru progowego.
      UWAGA: Konsekwentne powtarzanie ruchów gałek ocznych jest niezbędne. Chociaż różni się to w zależności od uczestnika, szkolenie EOG jest na ogół praktyczne po około trzech próbach i zwykle poprawia się wraz z wielokrotnym treningiem.
  3. Kalibracja EEG
    1. W module Zadanie wybierz EEGCalibrationTaskModule (Rysunek 8A). Ustaw liczbę cue w module Zadanie na 5.
    2. W module Feedback (Sprzężenie zwrotne) ustaw opcję Laterality (Lateralność) po stronie ręki robota i upewnij się, że opcja Display Pac-Man (Wyświetl Pac-Man) nie jest zaznaczona (Rysunek 8B).
    3. Poinstruuj uczestnika, aby wyobraził sobie, jak zaciska pięść, gdy na czarnym ekranie pojawi się podpowiedź "Wyobraź sobie, że zaciskasz pięść" (Rysunek 8C). Poproś uczestnika, aby się zrelaksował, gdy ekran jest. Powtórz ten proces, z zaciśniętą pięścią wyobraźnią trwającą 5 sekund, a okresem odpoczynku losowo zmieniającym się między 10 s a 15 s.
    4. Przejrzyj wykres wyników po kalibracji EEG i użyj charakterystycznego wzorca ERD w paśmie mu 8-12 Hz podczas obrazowania motorycznego, aby określić odpowiedni zakres częstotliwości uczestnika. Zapisz wartość parametru 11 Hz z lewego wykresu w Rysunek 9, który pokazuje odpowiedź ERD podczas obrazowania motorycznego w porównaniu ze stanem spoczynku. Na prawym wykresie Rysunek 9 zaznacz wyraźną czerwoną linię, która reprezentuje obrazy zaciskania pięści, oraz niebieską linię, wskazującą stan rozluźnienia, w stosunku do poziomej przerywanej linii progowej.
    5. Jeśli trening kalibracji EEG został prawidłowo przeprowadzony, zapisz wartość odniesienia i próg poniżej wykresu po prawej stronie.
      UWAGA: Mogą jednak wystąpić przypadki, w których krótkoterminowe szkolenie w zakresie kalibracji jest trudne ze względu na takie problemy, jak brak zrozumienia dostarczonych instrukcji lub analfabetyzm BCI.
  4. Szkolenie z informacją zwrotną
    1. Po zakończeniu treningu EOG i EEG ustaw wartości parametrów, które wyróżniają intencję wykonania pięści dla określonej częstotliwości docelowej będącej przedmiotem zainteresowania, wartości referencyjnej i progu zidentyfikowanego przez wykres wyników w poprzednim treningu.
    2. Korzystając ze skonfigurowanych parametrów, kontynuuj trening informacji zwrotnej za pomocą Pac-Mana. Jeśli parametry są prawidłowo ustawione po treningu, zauważ, że usta Pac-Mana będą się stopniowo zamykać, gdy uczestnik wyobrazi sobie, że zaciska pięść. Jeśli usta Pac-Mana nie zamykają się prawidłowo, powtórz trening kalibracji EEG, dostosowując wartość odniesienia i próg (Rysunek 10).
  5. Eksperyment: Ocena BeBiTS z wykorzystaniem systemu robotów BCI
    1. Po zakończeniu całego szkolenia z informacją zwrotną (około 30 minut) poproś uczestnika o założenie robota i przeprowadzenie oceny postBeBiTS za pomocą przeszkolonego systemu BCI.
      UWAGA: Jeśli spastyczność ręki pacjenta jest poważna, należy zachować szczególną ostrożność podczas noszenia robota. Dodatkowo, wspomaganie trzema palcami zapewniane przez robota może być niewystarczające dla niektórych pacjentów, co utrudnia wykonanie wszystkich ruchów wymaganych w ocenie BeBiTS. W takich przypadkach oceniane są tylko te ruchy, które można wykonać.
    2. Poczekaj, aż na ekranie pojawi się białe światło wskazujące stan gotowości i startu, jak pokazano na rysunku Rysunek 11A. Po potwierdzeniu białego światła, uczestnicy przesuwają wzrok na bok, aby zmienić światło na zielone (Rysunek 11B). Kiedy pojawia się zielone światło, uczestnicy wyobrażają sobie, jak zaciskają pięść.
      UWAGA: Jeśli system dobrze rozpozna intencję uczestnika, aktywuje robota noszonego przez uczestnika, aby zacisnąć pięść.
    3. Poproś uczestnika, aby zacisnął pięść z pomocą robota, a następnie wykonał czynność pokazaną na Rysunek 11C.
    4. Rysunek 11D wyświetla czerwone światło, wskazując, że robot utrzymuje pozycję zaciśniętą w pięść. Po zakończeniu czynności uczestnik obserwuje to czerwone światło na ekranie, jak pokazano na Rysunek 11D. W tym momencie, jeśli uczestnik chce ponownie otworzyć dłoń za pomocą robota, może przesunąć oczy, aby zmienić kolor światła z powrotem na biały.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Rysunek 12 przedstawia wyniki treningu EOG i EEG. Rysunek 12A prezentuje wyniki dobrze wytrenowanego uczestnika. Wartości treningu EOG są spójne, a średnia (pomarańczowa pogrubiona linia) prawidłowo osiąga linię progową. Wyniki treningu EEG również wyraźnie rozróżniają linię niebieską (stan spoczynku) od czerwonej (wyobraż原因是 ruchowa).

W przeciwieństwie do tego, Rysunek 12B przedstawia wyniki uczestn...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W ramach tego badania zaprezentowano system robotyczny wspomagający kończynę górną BCI, który wspiera pacjentów po udarze mózgu w wykonywaniu codziennych zadań. Oceniliśmy skuteczność zadań bimanualnych za pomocą testu BeBiTS15 i wdrożyliśmy szkolenie z obsługi robota wspomagającego kończynę górną za pomocą systemu BCI14. Takie podejście, w przeciwieństwie do konwencjonalnych procedur rehabilitacyjnych, pozwala pacjentom aktywnie angażować się w powrót do zdrowia poprzez ko...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

Ta praca była wspierana przez niemiecko-koreański program współpracy międzynarodowej w zakresie robotyki i lekkiego budownictwa/Carbon finansowany przez Federalne Ministerstwo Edukacji i Badań Republiki Federalnej Niemiec oraz koreańskie Ministerstwo Nauki i Technologii Informacyjnych (grant nr P0017226)

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
BCI2000przeznaczenia o otwartym kodzie źródłowymdo badań nad interfejsem mózg-komputer (BCI), który jest bezpłatny do użytku niekomercyjnego
BrainVision LSL Viewer Brain Products GmbHporęczne narzędzie do monitorowania strumieni LSL EEG i markerów.
eego mini wzmacniacz z 8-kanałowymi (F3, F4, C3, Cz, C4, P3, P4, EOG) oryginalnymi nasadkami waveguard Ant Neuro, HolandiaKompaktowa i lekka konstrukcja: Mini wzmacniacz eego jest mały i lekki, oferując doskonałą przenośność i przydatność do nagrywania EEG w różnych środowiskach.
Neomano neofect, KoreaMateriał rękawicy: Skóra, rzep, Tkanina antypoślizgowa
Materiał drutu: Gwint syntetyczny
Waga: 65 g (bez batt.)
zakrywa trzy palce: kciuk, palec wskazujący i środkowy
Komputer osobisty ( PC) z niestandardowym oprogramowaniem BCI laptop z oknem
system oprogramowania ogólnego

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

Robot ko czyny g rnejrehabilitacja po udarzesygna y EEG EOGsterowanie robotyczn d onifunkcja obur cznatrening wyobra e ruchowychneurorehabilitacjaczynno ci ycia codziennegoocena BeBiTS

Powiązane artykuły