Name: Rehabilitacja dotykowa/graficzna: integracja robota z biblioteką środowiska wirtualnego i zastosowanie go w terapii udaru mózgu (Wideo) | JoVE Journal
Uploaded: 2011-08-08T13:00:00.000+00:00
Duration: 13 min 44 s
Description: Poznaj integrację robota z biblioteką środowiska wirtualnego w terapii udaru mózgu. Ta metoda pozwala na standaryzację rehabilitacji neurochirurgicznej i poprawę wyników leczenia pacjentów po udarze.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Pragnę podziękować za pomoc techniczną Brianowi Zenowichowi, Danielowi Evesteddtowi oraz Winsean Lin.

Wstęp
W całym obszarze interakcji człowiek-maszyna (HMI) rośnie zapotrzebowanie na intuicyjne i efektywne środowiska interaktywne. Liczne branże w coraz większym stopniu polegają na HMI, takie jak: robotyka rehabilitacyjna, przemysł motoryzacyjny, produkcja metali, maszyny pakujące, farmaceutyka, branża spożywcza, napojowa oraz energetyka i wodociągi. Technologie stosowane w tych branżach obejmują: terminale wyświetlające, komputery osobiste oraz oprogramowanie HMI. Technologie te mogą być łączone w celu realizacji nieograniczonej liczby funkcji.
Roboty mogą być wykorzystywane do ułatwienia bezpośredniej interakcji z użytkownikami, na przykład jako instruktorzy muzyki. Przykładowo, badacze z Uniwersytetu Waseda stworzyli robota grającego na saksofonie, aby uczyć ludzi gry oraz zrozumieć interakcję między uczniem a nauczycielem 1. Inni badacze robotyki opracowali latającego robota opartego na systemie wizyjnym, aby ustalić, w jaki sposób sztuczna inteligencja może ewoluować w stronę inteligentnych interakcji z otoczeniem 2. Szczególna koncentracja niniejszej pracy skupia się na robotyce rehabilitacyjnej.
W obszarze badań i przemysłu tempo zmian w zakresie nowych produktów i wymagań użytkowników stale rośnie. Potrzeby te stawiają większe wyzwania w kwestii skalowalności. W związku z tym projektowanie kodu stało się integralnym elementem zaspokajania potrzeb tych podmiotów w odpowiednim czasie. Zatem cechą wysokiej jakości projektu architektonicznego byłaby łatwa wymienność systemów graficzno-robotycznych obejmująca wsparcie sterowników. Architektura H3DAPI spełnia te potrzeby, dlatego stworzono klasę opakowującą (wrapper). Co więcej, H3D jest zaprojektowany dla środowisk rzeczywistości wirtualnej, takich jak te wymagane w robotyce rehabilitacyjnej.
Robotyka w rehabilitacji neurologicznej dąży do wykorzystania robotów w celu wspierania specjalistów rehabilitacji. Pomoc świadczona przez te roboty przyjmuje formę pola sił. Badacze komend motorycznych, tacy jak Shadmehr i Mussa-Ivaldi, wykorzystywali pola sił do stymulowania adaptacji motorycznej i stwierdzili, że 1) adaptacja do zewnętrznie przyłożonego pola sił zachodzi w przypadku różnych klas ruchów, w tym między innymi ruchów sięgania, oraz 2) adaptacja generalizuje się w odniesieniu do różnych ruchów przebiegających przez te same obszary zewnętrznego pola3. Badania inżynierów biomechanicznych nad progresywną terapią robotyczną opartą na wynikach (Performance-Based Progressive Robot-Assisted therapy) wykazują, że powtarzalna, specyficzna dla zadania i ukierunkowana na cel terapia wspomagana robotycznie jest skuteczna w redukcji zaburzeń motorycznych w dotkniętej udarem kończynie górnej4, jednak dokładne efekty terapeutyczne i parametry pozostają przedmiotem badań.
Sprzężenie zwrotne sensoryczne wpływa na uczenie się i adaptację. W związku z tym kolejnym logicznym pytaniem jest to, czy sztuczne zwiększenie amplitudy takiego sprzężenia zwrotnego sprzyjałoby szybszemu lub pełniejszemu uczeniu się i adaptacji. Niektórzy badacze stwierdzili, że zastosowanie większych sił sprzężenia zwrotnego sensorycznego lub wskazówek wizualnych w celu uwydatnienia błędów może dostarczyć odpowiedniego bodźca neurologicznego, który sprzyja wyższemu poziomowi adaptacji i uczenia się5,6. Zjawisko to jest znane jako „augmentacja błędu”. Może ono wynikać z faktu, że gdy wyniki działania kontroli motorycznej odbiegają od ideału, nasz model wewnętrzny dostosowuje się samodzielnie zgodnie z wielkością błędu. W konsekwencji, w miarę jak nasz model wewnętrzny upodabnia się do środowiska zewnętrznego, błąd w wykonaniu zadania ulega zmniejszeniu.
Badania nadal potwierdzają, że długotrwałe ćwiczenie czynności istotnych funkcjonalnie sprzyja przywróceniu sprawności, mimo że wiele obecnych polityk opieki zdrowotnej ogranicza czas, jaki pacjenci mogą spędzić z terapeutami. Kluczowym pytaniem jest to, czy te nowe zastosowania technologii mogą wyjść poza zwykłe zwiększenie dawki obecnego standardu opieki. Badania nad interakcją człowiek-maszyna ujawniły nowe perspektywy w obszarze uczenia motorycznego i w niektórych przypadkach mogą przynieść dodatkową wartość w procesie terapeutycznym. Specjalistyczne urządzenia robotyczne w połączeniu z wyświetlaczami komputerowymi mogą zwiększać informację zwrotną o błędach, aby przyspieszyć, usprawnić lub zainicjować ponowne uczenie motoryczne. Niniejsza praca przedstawi metodologię wykorzystania opracowanego systemu w interwencji klinicznej jako jeden z przykładów zastosowania tej technologii.
1. Tworzenie klasy opakowującej HAPI dla robota
<ol>
<li>Utwórz program pośredniczący (wrapper) dla biblioteki haptycznej HAPI, tworząc własny plik .cpp oraz plik nagłówka. Przykładowo, użyjemy nazw HAPIWAM.cpp oraz HAPIWAM.h.
</li>
<li>Umieść plik HAPIWAM.cpp w katalogu źródłowym: HAPI/src</li>
<li>Umieść plik HAPIWAM.h w katalogu plików nagłówkowych: HAPI/include/HAPI</li>
<li>W górnej części pliku HAPIWAM.h dołącz główne pliki nagłówkowe swojego robota; w przypadku robota Barrett WAM będą to:</li>
</ol>

extern "C" { 
#include &lt;include/btwam.h&gt; 
} 
#include &lt;HAPI/HAPIHapticsDevice.h&gt; 


Uwaga: użycie extern "C" jest wymagane w celu rozwiązania problemu mangle’owania nazw przez kompilator, ponieważ dołączona biblioteka jest napisana w języku C, a H3DAPI w C++.

<ol start="5"><li>W pliku HAPIWAM.h utwórz swoją klasę i zamieść w niej następujące 4 funkcje</li></ol>

bool initHapticsDevice(int); 
bool zwolnijUrządzenieHaptyczne(); 
void updateDeviceValues(DeviceValues &amp;dv, HAPITime dt); 
void sendOutput(HAPIHapticsDevice::DeviceOutput &amp;d, HAPI Czas t); 


<ol start="6">
<li>Upewnij się, że Twoja klasa publicznie dziedziczy po klasie HAPIhapticsdevice.</li>

<li>Utwórz strażnik nagłówka (header guard) dla swojej klasy.</li>
<li>Utwórz statyczne atrybuty DeviceOutput oraz statyczne HapticsDeviceRegistration w ramach klasy HAPIWAM.</li>
<li>Utwórz statyczne funkcje członkowskie dla funkcji zwrotnych (callbacks).</li>
<li>Zdefiniuj konstruktor i destruktor w pliku HAPIWAM.cpp.</li>
<li>Zarejestruj swoje urządzenie w pliku HAPIWAM.cpp.</li>
<li>Zdefiniuj 4 dziedziczone funkcje oraz funkcje zwrotne w pliku HAPIWAM.cpp.</li>
</ol>

2. Tworzenie biblioteki HAPI
<ol>
 <li>Po utworzeniu klasy opakowującej HAPI należy włączyć to opakowanie do biblioteki HAPI. WAM zależy od niektórych bibliotek, od których H3DAPI w swojej podstawowej formie nie zależy, dlatego biblioteki te muszą zostać dodane do HAPI. Przejdź do katalogu HAPI/HAPI/build i edytuj plik CMakeLists.txt. Dodaj zależne biblioteki po linii o treści 'SET(OptionalLibs)'.
</li>
 
 <li>Otwórz konsolę poleceń, przejdź do katalogu HAPI/HAPI/build i wpisz kolejno następujące 3 polecenia:</li>
</ol>
cmake . 
sudo make 
sudo make install 

3. Klasa obudowy (wrapper) H3D
<ol>
 <li>Aby utworzyć klasę opakowującą (wrapper class) dla biblioteki H3D z Twoim HAPIWAM, najpierw utwórz plik WAMDevice.cpp w katalogu źródłowym: H3DAPI/src</li>
 <li>Umieść plik WAMDevice.h w katalogu plików nagłówkowych: H3DAPI/include/H3D</li>
 <li>Plik WAMDevice.h powinien zawierać standardowy plik nagłówkowy dla wszystkich urządzeń H3DAPI, z nazwą zmienioną według uznania.</li>
 <li>Plik WAMDevice.cpp powinien zawierać standardowy kod źródłowy dla wszystkich urządzeń H3DAPI, z nazwą zmienioną według uznania.</li>
 <li>Po utworzeniu klasy opakowującej przebuduj bibliotekę H3DAPI. Zrób to, edytując plik CMakeLists.txt w taki sam sposób, jak w kroku 2.1, ale w katalogu: H3DAPI/build.</li>
 <li>Przebuduj bibliotekę H3DAPI w katalogu H3DAPI/build</li>
</ol>
cmake . 
sudo make 
sudo make install 

4. Automat skończony
<ol>
 <li>Każdy program ukierunkowanego sięgania wymaga stworzenia automatu skończonego do sterowania protokołem eksperymentalnym lub schematem ćwiczeń. Typowe stany automatu obejmują: Początek próby, Start, Kontakt z celem oraz Koniec próby. Poniżej przedstawiono przykład funkcji każdego stanu oraz kryteria przejścia między stanami.</li>
 <li>Stan Początek próby wymaga wyznaczenia celu. Położenia celów mogą być ustawiane losowo dla każdej próby lub wczytywane z pliku. Początek próby kończy się w momencie, gdy użytkownik wykona ruch w stronę celu z prędkością przekraczającą próg prędkości, zazwyczaj 0.06 meters per second.</li>
 <li>Stan Start następuje po rozpoczęciu próby. Stan ten kończy się w momencie, gdy użytkownik dotknie celu lub pozostanie w obszarze celu przez określony czas. Dotknięcie celu aktywuje stan Kontakt z celem.</li>
 <li>Kontakt z celem następuje w trakcie stanu Start. Może on zakończyć się natychmiast po dotknięciu celu lub po pozostaniu badanego w obszarze celu przez określony czas. Po upływie tego czasu aktywowany zostaje stan Koniec próby.</li>
 <li>Stan Koniec próby powinien wysłać sygnał do oprogramowania do zbierania danych, aby oznaczyło ono plik danych – zgodnie z formatowaniem przyjętym przez programistę – w celu wyznaczenia końca każdej próby. Jeśli ostatnia próba nie została jeszcze zakończona, wyjście ze stanu Koniec próby aktywuje stan Początek próby.</li>
</ol>
5. Zastosowanie: rehabilitacja pacjenta po udarze
<ol>
 <li>Interfejs robotyczny został zaprojektowany tak, aby wykorzystać wiedzę terapeuty, jednocześnie używając robota do umożliwienia działań, które w inny sposób nie byłyby możliwe. Technologia ta umożliwiła zastosowanie (opisane szczegółowo poniżej) augmentacji błędów, która powiększała błędy postrzegane przez pacjenta, co z kilku znanych przyczyn usprawnia proces ponownego uczenia się (rys 1).</li>
 <li>Trójwymiarowy system haptyczno-graficzny o nazwie Virtual Reality Robotic and Optical Operations Machine (VRROOM). System ten, zaprezentowany wcześniej6, łączył renderowanie stereo z śledzeniem głowy na wyświetlaczu z nakładką w postaci lustra półprzezroczystego z systemem robotycznym, który rejestrował pozycję nadgarstka i generował wektor siły (rys 2).</li>
 <li>Cyfrowy projektor klasy kinowej (Christie Mirage 300 DLP) wyświetlał obrazy na ekranie o szerokości pięciu stóp i rozdzielczości 1280x1024 pikseli, co skutkowało kątem widzenia wynoszącym 10°. Emitery podczerwieni synchronizowały oddzielne obrazy dla lewego i prawego oka za pomocą okularów z migawkami LCD (Stereographics, Inc). Magnetyczne elementy Ascension Flock of Birds śledziły ruchy głowy, dzięki czemu obraz wizualny był renderowany z odpowiednią perspektywą centrowaną na głowie.</li>
 <li>Po zakwalifikowaniu do badania, zdolności funkcjonalne każdego uczestnika były oceniane przez oślepionego recenzenta na początku i na koniec każdego paradygmatu leczenia, z kontrolą po jednym tygodniu po każdym z nich oraz ogólną oceną kontrolną po 45 dniach. Każda ocena obejmowała badanie zakresu ruchu (ROM) przeprowadzone w VRROOM, a także pomiary kliniczne, w tym: Box and Blocks Assessment, Wolf Motor Function Test (WMFT), Arm Motor Section of the Fugl-Meyer (AMFM) oraz Assessment of Simple Functional Reach (ASFR).</li>
 <li>Do pomocy w zachowaniu neutralnego ustawienia nadgarstka i dłoni wykorzystano rękawicę exotendon ze szyną nadgarstkową. Środek uchwytu robota przymocowany do przedramienia został umieszczony tylnie względem stawu promieniowo-nadgarstkowego, tak aby jego siły działały na nadgarstek, ale pozwalały na ruch dłoni.</li>
 <li>Ciężar ramienia pacjenta został zmniejszony przy użyciu ortozy zrównoważonej grawitacyjnie Wilmington Robotic Exoskeleton (WREX) napędzanej sprężyną. Zadaniem pacjenta było śledzenie kursora wyświetlanego przed nim, który był poruszany za pomocą urządzenia śledzącego w dłoni terapeuty (teleoperacja terapeuty).</li>
 <li>Pacjenci ćwiczyli trzy razy w tygodniu przez około 40-60 minut, przy czym pacjent, terapeuta i robot pracowali razem w trio. Podmiot i terapeuta siedzieli obok siebie, a podmiot był połączony z robotem w nadgarstku.</li>
 <li>Każda sesja rozpoczynała się od pięciu minut ćwiczeń biernego zakresu ruchu (PROM) z terapeutą, po czym następowało około dziesięciu minut pozycjonowania pacjenta w maszynie. Następnie podmiot wykonywał sześć bloków treningu ruchowego trwających po pięć minut każdy, z dwuminutowymi przerwami między blokami.</li>
 <li>Podczas treningu uczestnicy widzieli dwa kursory na wyświetlaczu stereo. Terapeuta prowadzący manipulował jednym kursorem, podczas gdy uczestnik kontrolował drugi. Pacjenci otrzymali instrukcję naśladowania dokładnej ścieżki kursora terapeuty podczas jego ruchu w przestrzeni roboczej.</li>
 <li>Augmentacja błędów była realizowana zarówno wizualnie, jak i poprzez siły generowane przez robota. Gdy uczestnicy odchylali się od kursora terapeuty, ustalano natychmiastowy wektor błędu e jako różnicę w pozycji między kursorem terapeuty a dłonią uczestnika. Błąd był powiększony wizualnie przez współczynnik 1,5e (m) jako część augmentacji błędu. Dodatkowo zastosowano siłę augmentującą błąd o wartości 10e (N/m), która została zaprogramowana tak, aby ze względów bezpieczeństwa nasycać się przy maksymalnej wartości 4 N.</li>
 <li>Co drugi blok terapeutyczny składał się ze specyficznych, ustandaryzowanych ruchów, które były takie same dla każdej sesji. Pozostałe bloki pozwalały terapeucie na dostosowanie treningu do konkretnych obszarów słabości w oparciu o wiedzę terapeuty i jego obserwacje. Protokół leczenia obejmował ćwiczenie konkretnych ruchów dla wszystkich uczestników, w tym sięganie do przodu i na boki, sprzężenie barkowo-łokciowe oraz diagonalne sięganie przez ciało.</li>
 <li>Podczas ćwiczeń mierzono dzienną medianę błędu jako jeden z wyników treningu. Szczególną uwagę poświęcono blokom ustandaryzowanych ruchów, które były identyczne w każdej sesji. Porównywano je z poprzednimi dniami, aby ustalić, czy można zaobserwować jakąkolwiek stopniową poprawę z dnia na dzień, co może być raportowane pacjentowi, terapeucie i opiekunom (rys 3).</li>
 <li>Główne wskaźniki wyników mierzono co tydzień, 1 tydzień po zakończeniu leczenia oraz 45 dni po jego zakończeniu, aby ocenić trwałość korzyści. Kluczowymi wynikami były punkty oceny zdolności motorycznej Fugl-Meyer oraz nasz spersonalizowany test zasięgu ramienia mierzący zakres ruchu.</li>
</ol>
6. Reprezentatywne wyniki:
W przypadku prawidłowego wykonania protokołu, po załadowaniu węzła &lt;AnyDevice&gt; do H3DViewer lub H3DLoad, urządzenie WAM powinno zostać rozpoznane i zainicjowane. Gdyby WAM został zastąpiony innym robotem, sam kod nie wymagałby zmian.
<img src="/files/ftp_upload/3007/3007fig1.jpg" alt="Rehabilitacja wspomagana robotycznie; schemat; ramię robotyczne wspomagające terapię pacjenta." data-altupdatedat="1788235205000" data-alt="Rysunek 1"> 
Rycina 1. Badany siedzący przy aparaturze haptyczno-graficznej.
<img src="/files/ftp_upload/3007/3007fig2.jpg" alt="Konfiguracja eksperymentu w rzeczywistości wirtualnej z dwoma uczestnikami korzystającymi ze sprzętu VR w interaktywnej symulacji." data-altupdatedat="1788235205000" data-alt="Rysunek 2"> 
Rycina 2. Badany siedzący przy aparaturze haptyczno-graficznej z fizjoterapeutą.
<img src="/files/ftp_upload/3007/3007fig3.jpg" alt="Konfiguracja treningu zadań motorycznych i wykres redukcji błędów sięgania w kolejnych dniach; analiza procesu uczenia się." data-altupdatedat="1788235205000" data-alt="Rycina 3"> 
Rycina 3. Konfiguracja rehabilitacji pacjenta po udarze mózgu. A) badany i terapeuta współpracujący ze sobą, siedzący i korzystający z haptycznego wyświetlacza graficznego z dużym obszarem roboczym w celu ćwiczenia ruchu. Terapeuta przekazuje badanemu wskazówkę i może dostosować warunki do potrzeb pacjenta. Robot generuje siły odpychające kończynę od celu, a system informacji zwrotnej wizualnej zwiększa błąd kursora. B) Typowa poprawa stanu pacjenta z przewlekłym udarem mózgu z dnia na dzień. Każda kropka reprezentuje medianę błędu zmierzonego dla 2-minutowego bloku stereotypowego ruchu funkcjonalnego. Choć pacjent wykazuje postępy w ciągu 2-tygodniowego okresu i ogólną poprawę, osoba ta nie zawsze odnotowywała progres każdego dnia.

<ol><li>Solis, J., Takeshi, N., Petersen, K., Takeuchi, M., Takanishi, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+the+anthropomorphic+saxophonist+robot+WAS-1%3A+Mechanical+design+of+the+simulated+organs+and+implementation+of+air+pressure%5BTitle%5D)+AND+%22Advanced+Robotics+Journal%22%5BJournal%5D)">Development of the anthropomorphic saxophonist robot WAS-1: Mechanical design of the simulated organs and implementation of air pressure.</a> Advanced Robotics Journal. 24, 629-650 (2010).</li>
<li>Evolving Won-Based Flying Robots. Zufferey, J. C., Floreano, D. Proceedings of the 2nd International Workshop on Biologically Motivated Computer Vision, 2002 November, Berlin, , Springer-Verlag. 592-600 (2002).</li>
<li>Conditt, M. A., Gandolfo, F., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+motor+system+does+not+learn+the+dynamics+of+the+arm+by+rote+memorization+of+past+experience%5BTitle%5D)+AND+%22Journal+of+Neurophysiology%22%5BJournal%5D)">The motor system does not learn the dynamics of the arm by rote memorization of past experience.</a> Journal of Neurophysiology. 78, 554-554 (1997).</li>
<li>Krebs, H. I., Palazzolo, J. J., Dipietro, L., Ferraro, M., Krol, J., Rannekleiv, K., Volpe, B. T., Hogan, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rehabilitation+robotics%3A+Performance-based+progressive+robot-assisted+therapy%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">Rehabilitation robotics: Performance-based progressive robot-assisted therapy.</a> Autonomous Robots. 15, 7-20 (2003).</li>
<li>Wei, K., Kording, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relevance+of+error%3A+what+drives+motor+adaptation%5BTitle%5D)+AND+%22Journal+of+neurophysiology%22%5BJournal%5D)">Relevance of error: what drives motor adaptation.</a> Journal of neurophysiology. 101, 655-65 (2009).</li>
<li>Wei, Y., Bajaj, P., Scheidt, R., Patton, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+error+augmentation+for+enhancing+motor+learning+and+rehabilitative+relearning%5BTitle%5D)+AND+%22IEEE+International+Conference+on+Rehabilitation+Robotics%22%5BJournal%5D)">Visual error augmentation for enhancing motor learning and rehabilitative relearning.</a> IEEE International Conference on Rehabilitation Robotics. , 505-510 (2005).</li>
</ol>

Klasy opakowujące w niniejszym samouczku są chronione prawem autorskim Iana Sharpa.

Ta metoda implementacji klasy opakowującej (wrapper class) pozwala na wykorzystanie różnych robotów bez konieczności zmiany kodu źródłowego podczas korzystania z H3DAPI. W szczególności badacze, którzy stworzyli swoje środowisko haptyczno-graficzne w H3D i przetestowali eksperyment z robotem Phantom, mogliby przeprowadzić ten sam lub podobny eksperyment przy użyciu robota Barrett WAM i na odwrót. Tego typu niezależna od urządzenia komunikacja krzyżowa ma istotne znaczenie dla międzynarodowych badań nad robotyką rehabilitacyjną. Takie rozwiązanie ułatwia szybki rozwój systemów haptyczno-graficznych, międzynarodową współpracę badawczą oraz komunikację między laboratoriami badawczymi.
Robotyka rehabilitacyjna nie odkryła jeszcze wszystkich licznych parametrów zaangażowanych w uczenie motoryczne. Jednym z najbardziej czasochłonnych etapów podczas opracowywania systemów haptycznych i graficznych jest czas kompilacji. Przy licznych parametrach rehabilitacyjnych, w połączeniu z czasem kompilacji każdego programu, cykl rozwoju niezbędny do przetestowania wszystkich możliwych permutacji grup gwałtownie rośnie. H3D, dzięki brakowi wymogów dotyczących kompilacji, pozwala na szybkie opracowywanie licznych scen w rzeczywistości wirtualnej. Stanowi to istotną zaletę dla badaczy dążących do zbadania efektów różnych scenariuszy treningowych.
Ograniczenia tego podejścia opartego na integracji „na sztywno” (hard-coded) klasy opakowującej (wrapper class) polegają na tym, że procedura ta musi być powtarzana przy każdej nowej dystrybucji H3DAPI. Możliwą modyfikacją sposobu integracji klasy opakowującej z najnowszą dystrybucją H3DAPI byłoby utworzenie klasy opakowującej oddzielnie od H3DAPI. Następnie klasę opakowującą należałoby umieścić w pliku biblioteki *.so. Pozwoliłoby to na odizolowanie klasy od oryginalnej dystrybucji H3DAPI.

<table><tbody><tr><td colspan="4">&lt;ol&gt;&lt;li&gt;Ekran o nazwie PARIS (personal augmented reality immersion system) znajduje się w &lt;a href=&quot;http://www.evl.uic.edu&quot;&gt;www.evl.uic.edu&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Duży szary robot to Barrett WAM: &lt;a href=&quot;http://www.barrett.com&quot;&gt;www.barrett.com&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Mniejszy, smuklejszy czarny robot to Phantom: &lt;a href=&quot;http://www.sensable.com&quot;&gt;www.sensable.com&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Uchwyt ramienia to T-WREX, opracowany w RIC: &lt;a href=&quot;http://www.ric.org/research/centers/mars2/Projects/development/d3.aspx&quot;&gt;Karta projektu: Detekcja i analiza zmian w gęstości tkanek za pomocą obrazowania MRI

Opis projektu:
Kluczowym celem tego projektu jest opracowanie i walidacja nowych technik obrazowania rezonansem magnetycznym (MRI) do nieinwazyjnego wykrywania i monitorowania zmian w gęstości tkanek. Zmiany te często służą jako biomarkery dla różnych stanów patologicznych, w tym nowotworów i chorób neurodegeneracyjnych. Wykorzystując zaawansowane sekwencje impulsów i techniki przetwarzania sygnałów, zespół dąży do zwiększenia czułości i rozdzielczości przestrzennej obrazowania, co pozwoli na wcześniejsze wykrywanie zmian morfologicznych na poziomie komórkowym.

Cele:
1. Opracowanie wysokorozdzielczych protokołów MRI do ilościowej oceny gęstości tkanek.
2. Analiza porównawcza obrazów MRI z badaniami histopatologicznymi w celu walidacji dokładności pomiarów.
3. Implementacja algorytmów analizy obrazu do automatycznego wykrywania anomalii gęstości w próbkach tkankowych.
4. Badanie korelacji między zmianami gęstości tkanek a postępem choroby w modelach przedklinicznych.

Metodyka:
Badania zostaną przeprowadzone z wykorzystaniem wysokopolowego skanera MRI. Próbki tkanek zostaną poddane serii sekwencji obrazowania, w tym obrazowaniu tensora dyfuzji (DTI) oraz technikom ważenia T1 i T2. Uzyskane dane zostaną poddane analizie statystycznej i rekonstrukcji 3D w celu mapowania rozkładu gęstości. Wyniki zostaną zweryfikowane poprzez barwienie tkanek i analizę mikroskopową.

Oczekiwane wyniki:
Przewiduje się, że projekt doprowadzi do stworzenia standaryzowanego zestawu narzędzi obrazowania MRI, który umożliwi precyzyjne monitorowanie gęstości tkanek in vivo. Oczekuje się, że opracowane metody wykażą wysoką korelację z wynikami biopsji, oferując jednocześnie bezpieczną i nieinwazyjną alternatywę dla diagnostyki tkankowej. Wyniki mogą znacząco wpłynąć na wczesne wykrywanie zmian patologicznych i personalizację terapii w medycynie precyzyjnej.&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Okulary migawkowe do obrazowania 3D: &lt;a href=&quot;http://www.vrlogic.com&quot;&gt;www.vrlogic.com&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Oprogramowanie do śledzenia ruchu głowy. &lt;a href=&quot;http://www.mechdyne.com&quot;&gt;www.mechdyne.com&lt;/a&gt;&lt;/li&gt;&lt;li&gt;Samo H3DAPI: &lt;a href=&quot;http://www.h3dapi.org&quot;&gt;www.h3dapi.org&lt;/a&gt;&lt;/li&gt;&lt;/ol&gt;</td></tr></tbody></table>

rehabilitacja haptyczno-graficzna: integracja robota z biblioteką środowisk wirtualnych i zastosowanie w terapii udarów mózgu

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

Niedawne badania nad interaktywnymi urządzeniami do przedłużonej praktyki terapeutycznej ujawniły nowe perspektywy dla robotyki połączonej z graficznymi i innymi formami biofeedbacku. Poprzednie interaktywne systemy człowiek-robot wymagały implementacji różnych poleceń programistycznych dla każdego robota, co prowadziło do niepotrzebnego wydłużenia czasu rozwoju przy każdym udostępnieniu nowego systemu. Na przykład, gdy środowisko wirtualnej rzeczywistości haptyczno-graficzne zostanie zakodowane dla jednego konkretnego robota w celu zapewnienia sprzężenia zwrotnego, robot ten nie mógłby zostać zastąpiony innym bez ponownego kodowania programu. Jednakże niedawne działania społeczności open source zaproponowały podejście oparte na klasie opakowującej (wrapper class), która może wywołać niemal identyczne reakcje niezależnie od użytego robota. Dzięki temu badacze z całego świata mogą przeprowadzać podobne eksperymenty przy użyciu wspólnego kodu. W związku z tym modułowa „wymiana” jednego robota na innego nie wpływałaby na czas rozwoju. W niniejszej pracy przedstawiamy pomyślne stworzenie i implementację klasy opakowującej dla jednego robota w otwartym interfejsie H3DAPI, który integruje polecenia programistyczne najczęściej stosowane przez wszystkie roboty.

W ostatnim czasie pojawiło się wiele perspektyw dla interaktywnych systemów człowiek-robot. W niniejszym artykule opisujemy integrację nowego urządzenia robotycznego z oprogramowaniem open source, które pozwala na szybkie stworzenie biblioteki funkcji interaktywnych. Następnie przedstawiamy zastosowanie kliniczne w ramach neurorehabilitacji.

Rehabilitacja haptyczno-graficzna: integracja robota z biblioteką środowisk wirtualnych i zastosowanie w terapii udarów mózgu

Niedawne badania testujące urządzenia interaktywne w ramach długotrwałej praktyki terapeutycznej ujawniły nowe perspektywy dla robotyki połączonej z interfejsami graficznymi i innymi...

Ogólnym celem niniejszej procedury jest zintegrowanie robota z biblioteką środowiska wirtualnego, a następnie wykorzystanie go w terapii poudarowej. Realizuje się to poprzez stworzenie klasy opakowującej (wrapper class) w celu rozszerzenia biblioteki haptycznej, a następnie zintegrowanie tej klasy z wspomnianą biblioteką. Kolejnym krokiem, po ukończeniu prac nad klasami opakowującymi, jest stworzenie klasy opakowującej rozszerzającej bibliotekę graficzną i zintegrowanie jej z tą biblioteką.Interfejs H 3D API służy do konfiguracji maszyny stanów skończonych w celu badania pacjentów po udarach. Zintegrowany robot jest następnie wykorzystywany do wspomagania rehabilitacji tych pacjentów. Główną zaletą tej techniki jest to, że nie trzeba już pisać oddzielnej aplikacji oprogramowania dla każdego robota.Ponadto aplikacje te mogą być uruchamiane przez naukowców na całym świecie, niezależnie od tego, jakiego robota wykorzystuje ich laboratorium. Metoda ta może pomóc w odpowiedzi na kluczowe pytania z dziedziny rehabilitacji, robotyki i kontroli motorycznej, takie jak stopień, w jakim nasz układ nerwowy może odnieść korzyści z augmentacji błędów. Metoda ta może dostarczyć wiedzy na temat dysfunkcji po udarze mózgu, a także pogłębić nasze rozumienie prawidłowego funkcjonowania organizmu.Zazwyczaj pacjenci po udarze, którzy rozpoczynają rehabilitację robotyczną, muszą pokonać pewne trudności, takie jak nauka chwytania uchwytu. Pomysł na tę metodę pojawił się, gdy zdaliśmy sobie sprawę, że potrzebujemy robota z dużym obszarem roboczym z kompensacją grawitacji. Chcieliśmy również zminimalizować konieczność ponownego pisania oprogramowania, aby przyszli studenci studiów doktoranckich mogli korzystać z dorobku swoich poprzedników bez konieczności powtarzania tych samych prac.Niniejszy film zawiera instrukcje dotyczące integracji robota do manipulacji całym ramieniem (WHAM) z kodem open source dostępnym na stronie www.hthreedpi.org. Aby zintegrować nowego robota z biblioteką haptyczną, pierwszym krokiem jest napisanie klasy wrappera dla HAP, silnika renderowania haptycznego używanego do sterowania ruchem robota WHAM. Należy rozpocząć od utworzenia pliku CPP oraz pliku nagłówkowego.Nazwy plików użyte w tym przykładzie to happy, wham, cpp oraz happy wham h. Umieść plik happy wham cpp w katalogu źródłowym. Happy slash source, a następnie umieść happy.Przenieś plik wham.h do katalogu plików nagłówkowych. happy/include/happy. Na początku pliku wham.h dołącz główne pliki nagłówkowe robota.Należy pamiętać, że wymagane jest użycie extern C w celu rozwiązania problemu manglingu kompilatora, ponieważ dołączona biblioteka jest napisana w języku C, a H 3D API w języku c plus plus. W pliku happy wham h należy utworzyć klasę dla robota i zawrzeć w niej cztery funkcje: Haptics device release, haptics device, update device values oraz send output. Należy upewnić się, że klasa dziedziczy publicznie po klasie happy haptics device.Następnie utwórz strażnik nagłówka (header guard) dla klasy. Potem utwórz statyczne atrybuty wyjścia urządzenia oraz rejestracji urządzenia haptycznego w klasie happy WHAM. Następnie utwórz statyczne funkcje członkowskie dla funkcji zwrotnych (callbacks) specyficznych dla Twojego robota.W przypadku robota WHAM funkcja callback jest wykorzystywana w funkcji urządzenia haptycznego bull. Po zdefiniowaniu prototypów w pliku nagłówkowym, otwórz plik happy_wham.cpp i dołącz odpowiednie pliki nagłówkowe oraz przestrzeń nazw. Następnie zdefiniuj konstruktor i destruktor w pliku happy_wham.cpp.Następnie zarejestruj urządzenie w Happy Wam cpp. Teraz zdefiniuj cztery funkcje dziedziczone oraz funkcje zwrotne (callbacks) w happy Wam cpp. Funkcja aktualizacji wartości urządzenia (update device values) informuje komputer o położeniu ramienia robota oraz o sile, jaką robot wywiera na otoczenie.Po utworzeniu klasy Happy Wrapper kolejnym krokiem jest zbudowanie powłoki (wrap) w bibliotece Happy. WAM zależy od niektórych bibliotek, od których H 3D API w swojej surowej formie nie zależy. W związku z tym biblioteki te muszą zostać dodane do happy.Przejdź do katalogu H 3D 2.1/happy/build i edytuj plik CMakeLists.txt. Dodaj zależności bibliotek po linii o treści Set optional libs. Otwórz konsolę poleceń, przejdź do folderu H 3D 2.1/happy/build i wpisz po kolei: cmake ., make oraz sudo make install, aby zakończyć integrację nowego robota z otwartoźródłowym kodem H 3D.Należy napisać drugą klasę opakowującą dla grafu sceny. Interfejs API nazywa się H 3D API. W tym przykładzie wykorzystano klasę opakowującą o nazwie wam device.Przejdź do katalogu źródłowego, H 3D AP I/source, a następnie utwórz plik CPP urządzenia WAM: wam_device.cpp. Dodaj standardowy kod źródłowy dla wszystkich urządzeń H 3D PI. Następnie umieść nagłówek Wam_device.h w katalogu plików nagłówkowych.Plik urządzenia H powinien zawierać standardowy plik nagłówka dla wszystkich urządzeń H 3D API. Po utworzeniu klasy opakowującej należy przebudować bibliotekę H 3D PI, edytując plik C make lists text w katalogu H three DPI slash build. Na koniec w katalogu H 3D PI slash build.Przebuduj bibliotekę H 3D API, korzystając z poleceń CMake, pseudo make oraz pseudo make install. Nowe klasy opakowujące są teraz gotowe do użycia z robotem. Po zainstalowaniu odpowiednich klas opakowujących tworzony jest automat skończony w celu sterowania protokołem eksperymentalnym dla zadania celowanego sięgania, realizowanego za pomocą robota Barrett WHAM. Stanami automatu są: start próby, kontakt z celem oraz koniec próby.Stan rozpoczęcia próby zaczyna się od przydzielenia celu. Położenia celu mogą być ustalane losowo dla każdej próby lub wczytywane z pliku. Stan rozpoczęcia próby kończy się, a rozpoczyna stan startu.Gdy dłoń badanego zostanie wyrzucona w stronę celu z prędkością przekraczającą próg prędkości, zazwyczaj 0,06 m/s, stan wyrzutu kończy się, a gdy kursor pacjenta dotknie celu, rozpoczyna się stan kontaktu z celem. Po nawiązaniu kontaktu cel znika, stan kontaktu z celem kończy się i rozpoczyna stan zakończenia próby.Zakończenie stanu próby sygnalizuje oprogramowaniu do zbierania danych, aby oznaczyć plik danych separatorem końca próby. Jeśli ostatnia próba nie została jeszcze ukończona, wyjście ze stanu końca próby umożliwia przejście do stanu rozpoczęcia próby i przypisanie nowego celu. W tej sekcji zaprezentowano innego robota o nazwie phantom, wykorzystywanego w rehabilitacji pacjentów po udarach.Poprzez podstawienie kodu klasy opakowania fantomu do odpowiednich bibliotek, nowy robot może zostać zintegrowany ze środowiskiem wirtualnym; zastosowano tutaj trójwymiarowy graficzny system haptyczny nazywany maszyną lub pomieszczeniem do robotycznych i optycznych operacji w rzeczywistości wirtualnej (virtual reality Robotic and optical operations machine or room). System ten łączy renderowanie stereo z śledzeniem głowy, wyświetlane na ekranie z półsrebrnym lustrem nakładkowym, z systemem robotycznym, który potrafi rejestrować pozycję nadgarstka i generować wektor siły. Cyfrowy projektor kinowej jakości wyświetla obrazy na ekranie o szerokości pięciu stóp, co zapewnia kąt widzenia wynoszący 110 stopni.Emitery podczerwieni synchronizują oddzielne obrazy dla lewego i prawego oka za pomocą okularów z migawką LCD. Ruchy głowy są śledzone za pomocą magnetycznych elementów systemu ascension flock of birds, dzięki czemu wyświetlany obraz jest renderowany z odpowiednią perspektywą wycentrowaną na głowie. Rękawica exo tendon z szyną nadgarstkową pomaga w utrzymaniu neutralnego ułożenia nadgarstka i dłoni.Środek uchwytu robota umieszcza się na przedramieniu, za stawem promieniowo-nadgarstkowym. Pozwala to siłom działać na nadgarstek, zapewniając jednocześnie swobodny ruch dłoni. Ciężar ramienia pacjenta jest redukowany za pomocą sprężynowej ortozy równoważącej grawitację z egzoszkieletu robotycznego Wilmington.Terapeuta siedzący obok pacjenta używa urządzenia śledzącego do przesuwania kursora po ekranie. Pacjent ma za zadanie podążać za kursorem za pomocą uchwytu robota. Wzmocnienie błędu jest realizowane zarówno wizualnie, jak i poprzez siły generowane przez robota.Gdy kursor pacjenta odchyla się od kursora terapeuty i powstaje chwilowy błąd, wektor E jest definiowany jako różnica pozycji między kursorem terapeuty a ręką pacjenta. Błąd jest powiększany wizualnie przez współczynnik 1,5 E w ramach augmentacji błędu. Dodatkowo do ramienia pacjenta przyłożona jest siła augmentująca błąd o wartości 100 E, której zaprogramowano nasycenie przy maksymalnej wartości czterech niutonów.Ze względów bezpieczeństwa augmentacja błędów powiększa błędy postrzegane przez pacjenta, co usprawnia proces ponownego uczenia się. Protokół terapeutyczny wymaga od pacjenta ćwiczenia kilku specyficznych ruchów, w tym wysuwania ramienia do przodu i na boki z jednoczesnym sprzężeniem ruchu barku i łokcia oraz diagonalnego sięgania w poprzek ciała. W kolejnej demonstracji zmieniono kod klasy górnej i wykorzystano robota Barrett WHAM.Celem następnego zadania jest złapanie przez zdrowych ochotników lub pacjentów po udarze wirtualnego pocisku wewnątrz półprzezroczystej zielonej sfery. Jeśli dłoń pacjenta znajdzie się poza sferą, sfera zmienia kolor na czerwony, a ramię pacjenta otrzymuje z robota informację zwrotną w postaci augmentacji błędu. Gdy pacjent pomyślnie złapie pocisk wewnątrz wyznaczonej przestrzeni, sfera pozostaje zielona.Rysunek ten przedstawia medianę błędu dotarcia. Każda kropka reprezentuje medianę błędu zmierzoną dla dwuminutowego bloku stereotypowych ruchów funkcjonalnych. Choć pacjenci wykazują postępy w okresie dwóch tygodni, nie każdego dnia odnotowano poprawę.Rysunek ten przedstawia korzyści wynikające z augmentacji błędów w selektywnym redukowaniu zmienności między ruchami. Górne wykresy przedstawiają dane z grupy kontrolnej, a dolne wykresy dane z grupy badawczej. Każdy kolor reprezentuje innego badanego.Dwie poziome linie wskazują położenie granic zadania. Celem badanego było przechwycenie wirtualnego pocisku w obrębie tych granic. Położenie kropki wskazuje miejsce, w którym dany badany znalazł się najbliżej punktu kontaktu.Na rzucie niebieskie półprzezroczyste histogramy nałożone na surowe dane przedstawiają rozkład ruchu grupy. Wzdłuż osi przedniej pacjenci po udarze wykonali 600 prób zadania chwytania; w pierwszych 200 próbach stosowano wzmocnienie błędu, natomiast od próby 201 do 400 nie podawano informacji zwrotnej w postaci wzmocnienia błędu. Robot dostarczał pacjentowi informację zwrotną w formie wzmocnienia błędu, co doprowadziło do znaczącej poprawy zdolności pacjenta do chwytania celu w określonych granicach.Po zastosowaniu tej procedury nadal można wykonywać tradycyjne metody rehabilitacji, jednak dzięki robotowi jesteśmy w stanie ilościowo określić położenie dłoni pacjenta w każdym momencie w trakcie wielu powtarzalnych prób. Technika ta utorowała drogę do nowych badań w dziedzinie inżynierii neuronauki, w ramach których możemy badać symulowane sięganie w obrębie określonego obszaru, co pozwala na wypracowanie wielu możliwych rozwiązań. Po obejrzeniu tego filmu powinieneś zrozumieć, jak rozszerzyć bibliotekę H 3D API dla wybranego robota rehabilitacyjnego oraz jak zastosować różnorodne haptyczne interfejsy graficzne w celu oceny i leczenia pacjentów po udarze.Praca z robotami może być potencjalnie niebezpieczna, dlatego przy wyborze robota do interakcji z ludźmi należy zachować szczególną ostrożność. Do naszego najnowszego projektu wybraliśmy robota Barrett WHAM, ponieważ jest on bardziej wydajny i posiada funkcję back-drivability. Oznacza to, że przy odpowiednim zaprogramowaniu może on stawiać niemal zerowy opór, a jednocześnie jest jedną z najbezpieczniejszych dostępnych opcji w zakresie interakcji człowiek-maszyna.Osobny komputer nadzorujący (watchdog) monitoruje główny komputer i może wyłączyć system w przypadku wystąpienia jakichkolwiek nieprawidłowości, natomiast hamowanie dynamiczne zapewnia, że system działa jako tłumik w stanach nieaktywnych. Choć wiele robotów wykazuje odmienną charakterystykę działania, wiele z ich funkcji się pokrywa. Zatem przenaszalność naszych technik między robotami może sprzyjać nowym formom współpracy między laboratoriami.Klarownym jest, że metody treningowe, takie jak te zaprezentowane w niniejszym badaniu, dostarczają obiecujących dowodów na możliwość przywrócenia sprawności pacjentom, a także usprawnienia treningu sportowego, pilotażu teleoperacyjnego, wykonań muzycznych, technik chirurgicznych oraz każdego innego zadania wymagającego powtarzalnej praktyki.

hapticgraphic-rehabilitation-integrating-robot-into-virtual

Research

JoVE Journal

Bioengineering

Bioinżynieria

Rehabilitacja Haptyczna/Graficzna: Integracja Robota z Biblioteką Środowiska Wirtualnego i Stosowanie Go w Terapii Udarów

Opracowaliśmy system robota lustrzanego w czasie rzeczywistym do funkcjonalnego odzyskiwania ramion z porażeniem połowiczym za pomocą technologii automatycznego sterowania, przeprowadziliśmy badanie kliniczne na zdrowych osobach i określiliśmy zadania na podstawie informacji zwrotnych od lekarzy rehabilitacji. Ten prosty robot lustrzany może być skutecznie stosowany w terapii zajęciowej u pacjentów po udarze mózgu z połowiczą ręką.

Robotyczny system terapii lustrzanej do funkcjonalnej regeneracji ramion połowiczych

Opisujemy nowatorską konfigurację opartą na wirtualnej rzeczywistości, która wykorzystuje dobrowolną kontrolę jednej ręki do poprawy zdolności motorycznych drugiej (niewytrenowanej) ręki. Osiąga się to poprzez dostarczanie sensorycznych informacji zwrotnych w czasie rzeczywistym opartych na ruchu, tak jakby niewytrenowana ręka się poruszała. To nowe podejście może być wykorzystane do usprawnienia rehabilitacji pacjentów z jednostronnym niedowładem połowiczym.

Wykorzystanie wirtualnej rzeczywistości do przenoszenia wiedzy o umiejętnościach motorycznych z jednej ręki do drugiej

Tutaj prezentujemy protokół do opracowania i zastosowania programu wirtualnej rzeczywistości opartego na grze mobilnej do odzyskiwania dysfunkcji kończyn górnych u pacjentów po udarze. Niniejsze badanie pokazuje, że program mobilny jest wykonalny i skutecznie wspomaga regenerację kończyn górnych u pacjentów po udarze.

Program wirtualnej rzeczywistości oparty na grach mobilnych do rehabilitacji udarów kończyn górnych

Połączone zastosowanie przezczaszkowej stymulacji prądem stałym i terapii robotycznej jako dodatek do konwencjonalnej terapii rehabilitacyjnej może skutkować lepszymi wynikami terapeutycznymi dzięki modulacji plastyczności mózgu. W tym artykule opisujemy łączone metody stosowane w naszym instytucie w celu poprawy sprawności motorycznej po udarze mózgu.

Łączne zastosowanie przezczaszkowej stymulacji prądem stałym i terapii robotycznej kończyny górnej

Obecny protokół opisuje, w jaki sposób cyfrowy system szkolenia zawodowego oparty na VR usprawnia rehabilitację pacjentów z zaburzeniami poznawczymi i dysfunkcją kończyn górnych po udarze.

Trening funkcji poznawczych i rehabilitacji kończyn górnych po udarze mózgu z wykorzystaniem cyfrowego systemu szkolenia zawodowego

Szacuje się, że 1 na 6 osób na całym świecie dozna udaru mózgu w swoim życiu, powodując długotrwałą niepełnosprawność, której mechanizmy rehabilitacji są nadal słabo poznane. W badaniu tym zaproponowano protokół oceny aktywacji mózgu za pomocą funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS) podczas sesji terapii robotycznej kończyn dolnych.

Eksperyment z wykorzystaniem funkcjonalnej spektroskopii w bliskiej podczerwieni i wspomaganych przez robota wielostawowych ruchów wskazujących kończyny dolnej

Ten protokół opisuje robota do rehabilitacji kończyn górnych, który dostarcza inteligentne informacje zwrotne w czterech trybach. Tryby te poprawiają funkcję i elastyczność kończyny górnej, poprawiając w ten sposób jakość życia pacjentów.

Poprawa funkcji kończyny górnej i zdolności motorycznych po udarze mózgu za pomocą robota do rehabilitacji kończyn górnych

Ten eksperymentalny protokół przedstawia zastosowanie systemu robotycznego z podwójnym zadaniem kończyny górnej dla pacjentów po udarze mózgu z dysfunkcją kończyn górnych. Wyniki wskazują, że system ten może znacznie poprawić funkcjonowanie kończyny górnej i codzienne czynności pacjentów po udarze.

Zastosowanie dwuzadaniowego systemu robotycznego zorientowanego na kończynę górną do funkcjonalnej regeneracji kończyny górnej u pacjentów po udarze mózgu

Skuteczność połączenia treningu na bieżni wspomaganego przez egzoszkielet z wirtualną rzeczywistością opartą na grze na temat możliwości wykonywania dwóch zadań u osób, które przeżyły udar, nie została jeszcze zbadana. Dlatego ten program rehabilitacyjny ma na celu zbadanie potencjalnych funkcji i zalet tej kombinacji w zwiększaniu zdolności chodzenia podczas rekonwalescencji po udarze.

Program rehabilitacyjny treningu na bieżni wspomaganego masą ciała wspomaganego egzoszkieletem z niewciągającą rzeczywistością wirtualną dla pacjentów po udarze

Niniejsze badanie analizuje wpływ konfigurowalnego miękkiego robota pneumatycznego na poprawę topologii sieci całego mózgu po udarze. Analiza teorii grafów wskazuje na istotne ulepszenia współczynnika klastrowania, długości ścieżki oraz globalnej efektywności. Wyniki podkreślają potencjał programowalnych protokołów robotycznych do modulowania neuroplastyczności i optymalizacji funkcjonalnej regeneracji w rehabilitacji po udarze.

Miękki robot pneumatyczny moduluje metryki teorii grafów sieci mózgowej w celu rehabilitacji rąk po udarze

Protokół ten ma na celu ocenę skuteczności klinicznej i komfortu pacjenta z wykorzystaniem robotów rehabilitacyjnych kończyn dolnych przy łóżku pacjenta w rehabilitacji hemiplegii po udarze, porównując wyniki z tradycyjną terapią manualną za pomocą randomizowanych badań kontrolowanych.

Zastosowanie robotów rehabilitacyjnych kończyn dolnych przy łóżku pacjenta w rehabilitacji po udarze: randomizowane badanie kontrolowane

Poznaj integrację robota z biblioteką środowiska wirtualnego w terapii udaru mózgu. Ta metoda pozwala na standaryzację rehabilitacji neurochirurgicznej i poprawę wyników leczenia pacjentów po udarze.

Rehabilitacja haptyczno-graficzna: integracja robota z biblioteką środowisk wirtualnych i zastosowanie w terapii udarów mózgu

Przeglądaj więcej filmów