Sterowany interfejsem mózg-komputer system robotyczny kończyny górnej do usprawniania codziennych czynności u pacjentów po udarze mózgu
18 kwietnia 2025
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).
Nasz protokół ocenia sterowanego BCI robota wspomagającego kończynę górną do rehabilitacji udarowej przy użyciu sygnałów EEG i EOG w celu poprawy funkcji oburęcznych. Ocenia poprawę funkcjonalną za pomocą BeBiTS, rozwijając wspomagającą rehabilitację neurologiczną.
Technika ta jest korzystna dla pacjentów z porażeniem połowiczym po udarze, wspomagając niedowładną funkcję ręki. Może również pomóc pacjentom z upośledzeniem motorycznym spowodowanym urazami rdzenia kręgowego lub chorobami neurodegeneracyjnymi.
Technika ta łączy intencję motoryczną i jej wykonanie, wykorzystując EEG EOG, umożliwiając pacjentom po udarze sterowanie ręką robota. Poprawia funkcjonowanie oburęczne, zwiększając niezależność w codziennych czynnościach życiowych w porównaniu z konwencjonalnymi podejściami wspomagającymi.
Pacjenci mogą napotkać trudności, jeśli po raz pierwszy doświadczają treningu obrazowania motorycznego. Dlatego potrzebne są odpowiednie wskazówki i instrukcje, aby zapewnić kinestetyczne obrazy motoryczne.
Robot kończyny górnej sterowany DCI obejmuje elementy rehabilitacji neurologicznej, takie jak neuroplastyczność i uczenie motoryczne. System ten może być rozszerzony o rehabilitację ruchową u pacjentów po udarze mózgu, porażeniu mózgowym i chorobach neurodegeneracyjnych.
[Instruktor] Na początek przekaż wszystkim zrekrutowanym pacjentom szczegółowe informacje na temat procedury eksperymentalnej. Uzyskaj podpisaną świadomą zgodę od każdego uczestnika. Po wypełnieniu formularza zgody oceń 10 pozycji oceny BeBiTS przed szkoleniem robota BCI na wygodnym krześle przed biurkiem. Uruchom interfejs mózg-komputer lub system BCI. Umieść nasadkę na głowie pacjenta i podłącz amplifier. W module źródłowym wybierz EegoModule, a następnie tryb impedancji i naciśnij start, aby aktywować moduł. Obserwuj niebieskie światło wskazujące aktywację. Upewnij się, że impedancje są poniżej 10 kiloomów. Następnie naciśnij stop w module źródłowym. Zmień tryb na EEG do strumieniowego przesyłania danych. Naciśnij start i sprawdź jakość sygnału. W przypadku kalibracji EOG, w module zadań, ustaw liczbę cue. Poinstruuj uczestnika, aby wykonał krótkie boczne ruchy gałek ocznych, podążając za 10 strzałkami pojawiającymi się na ekranie. Sprawdź wykres wyników zaraz po treningu. Aby przeprowadzić kalibrację EEG, wybierz moduł zadaniowy kalibracji EEG i ustaw liczbę wskazówek w module zadaniowym na pięć. W module informacji zwrotnej ustaw lateralność po stronie ręki robota. Upewnij się, że opcja Display pacman nie jest zaznaczona. Teraz poinstruuj uczestnika, aby wyobraził sobie, że zaciska pięść, gdy monit wyobraź sobie, że zaciska pięść, pojawia się na czarnym ekranie, a następnie przejrzyj wykres wyników. Po treningu EOG i EEG ustaw parametry dla konkretnej częstotliwości docelowej będącej przedmiotem zainteresowania, wartości referencyjnej i progu, które wyróżniają zamiar zaciśnięcia pięści. Korzystając ze skonfigurowanych parametrów, kontynuuj trening informacji zwrotnej za pomocą interfejsu pacman. Za pomocą klucza USB możesz bezprzewodowo podłączyć robotyczną rękę wspomagającą do komputera. Następnie poproś uczestnika, aby założył robota i przeprowadził ocenę BeBiTS. Poczekaj, aż na ekranie pojawi się białe światło wskazujące stan gotowości. Po potwierdzeniu poinstruuj uczestnika, aby przesunął wzrok na bok, aby zmienić światło na zielone. Kiedy pojawi się zielone światło, poinstruuj ich, aby wyobrazili sobie, że zaciskają pięść. Korzystając z robota, pomóż uczestnikowi w zaciśnięciu pięści i wykonaniu zadania. Po wykonaniu zadania poinstruuj uczestnika, aby obserwował czerwone światło na ekranie. Jeśli uczestnik chce otworzyć dłoń, może przesunąć oczy, aby zmienić kolor światła z powrotem na biały. Na koniec pacjent jest ponownie oceniany, po BeBiTS, przy użyciu systemu robota BCI. Wartości EOG dobrze wyszkolonego uczestnika wykazały spójne próby, w których średnia krzywa osiągnęła poziom progowy, a ich wyniki EEG wyraźnie różnicowały stan spoczynku i obrazowanie motoryczne. W przeciwieństwie do tego, próby EOG słabo wyszkolonego uczestnika były niespójne, przy czym średnia krzywa nie spełniała poziomu progowego, a wyniki EEG nie zawierały wyraźnego rozróżnienia między stanem spoczynku a obrazami motorycznymi. Uczestnicy P1, P4 i P5 nie wykonali większości zadań zarówno podczas oceny przed, jak i po BeBiTS. Uczestnik P3 początkowo uzyskał wynik w ocenie przed BeBiTS, ale nie wykazał żadnej punktacji w ocenie po BeBiTS po nieodpowiednim szkoleniu. Uczestnicy P2 i P6 do P8 wykazali poprawę w niektórych zadaniach podczas ocen po BeBiTS w porównaniu z ocenami sprzed BeBiTS
.Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie ocenia system interfejsu mózg-komputer (BCI) przeznaczony do rehabilitacji po udarze, wykorzystujący sygnały elektroencefalograficzne (EEG) i elektrookulograficzne (EOG) do sterowania urządzeniem robotycznym wspomagającym kończynę górną. Test Berlinski Bimanualny dla Pacjentów po Udarze (BeBiTS) został wykorzystany do oceny poprawy funkcji bimanualnych u pacjentów po udarze, łącząc intencję motoryczną z wykonaniem.
Kluczowe Elementy Badania
Dział Obszaru Nauki
- Neuroscience
- Inżynieria Rehabilitacji
- Technologie Wspomagające
Tło
- Udar może prowadzić do niedowładu połowicznego, ograniczając funkcje motoryczne.
- Interfejsy mózg-komputer mogą ułatwiać rehabilitację motoryczną.
- Innowacyjne wykorzystanie EEG i EOG do sterowania urządzeniami robotycznymi stanowi znaczący postęp.
Cel Badania
- Ocena skuteczności robotycznej dłoni sterowanej przez BCI w rehabilitacji po udarze.
- Badanie poprawek funkcjonalnych w zadaniach bimanualnych po treningu BCI.
- Zwiększenie samodzielności w codziennych czynnościach u pacjentów z zaburzeniami ruchowymi.
Wykorzystane Metody
- W badaniu zastosowano system interfejsu mózg-komputer łączący EEG i EOG.
- Pacjenci po udarze pełnili rolę modelu biologicznego, borykając się z wyzwaniami w zakresie funkcji bimanualnych.
- Wdrożono szczegółowe protokoły treningowe dla kalibracji EOG i EEG.
- Oceny obejmowały oceny przed- i po treningu przy użyciu BeBiTS.
- Trening obejmował ukierunkowaną wyobraźnię ruchową i mechanizmy sprzężenia zwrotnego.
Główne Wyniki
- Uczestnicy wykazali zróżnicowany poziom poprawy, z wyraźnymi różnicami w wynikach zadań przed i po ocenie.
- Podgrupa pacjentów (P2, P6 do P8) wykazała poprawę funkcji, w przeciwieństwie do tych, którzy nie poddali się odpowiedniemu treningowi.
- Wyniki EEG i EOG uwydatniły istotne różnice w aktywacji związane z wyobraźnią ruchową, wskazując na potencjał wzmacniania neuroplastyczności.
Wnioski
- Niniejsze badanie dowodzi potencjału systemów BCI w poprawie wyników rehabilitacji u pacjentów po udarze.
- Wyniki sugerują istotne poprawy funkcji motorycznych i samodzielności, wspierając integrację robotyki w terapii.
- Przyszłe zastosowania mogą zostać rozszerzone na pacjentów z urazami rdzenia kręgowego i chorobami neurodegeneracyjnymi, otwierając ścieżki dla szerszych strategii rehabilitacyjnych.
Często Zadawane Pytania
Executive Industry Relevance
Integrating brain-computer interface (BCI) systems with upper limb robotics addresses a critical gap in neurorehabilitation by enabling direct translation of motor intention into functional movement for stroke patients. This approach enhances predictive confidence in patient-specific rehabilitation outcomes and informs early-stage technology evaluation for assistive device portfolios. The method supports mechanistic de-risking by quantifying neuroplasticity-driven improvements in daily activity performance.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of neuro-motor pathways through EEG/EOG signal analysis during task execution.
- Supports functional target validation by linking motor intention signals to robotic-assisted movement outcomes.
- Facilitates predictive confidence in neurorehabilitation strategies by quantifying patient adaptation and response variability.
Screening & Assay Development
- Establishes standardized protocols for EEG/EOG calibration and threshold setting to ensure reproducible signal detection.
- Provides quantitative BeBiTS scores as validated outputs for assessing assistive effectiveness across patient cohorts.
- Enables readiness for downstream evaluation of new robotic modalities or expanded limb functions.
Translational & Preclinical Research
- Aligns functional assessment with disease-relevant endpoints in stroke and neurodegenerative models.
- Supports continuity from discovery of neural control signals to preclinical validation of assistive technologies.
- Informs risk-adjusted advancement of BCI-robotic systems for broader neurorehabilitation indications.
Pipeline & Workflow Integration
This BCI-robotic system fits within the continuum from early neuro-motor signal discovery to preclinical validation of assistive devices for motor impairment.
- Discovery Biology: Links EEG/EOG signal patterns to functional task performance, supporting hypothesis testing in neuro-motor control.
- Screening: Utilizes BeBiTS as a reproducible, quantitative assay for evaluating assistive effectiveness.
- Analytics: Provides threshold-based signal differentiation and pre/post intervention scoring for comparative analysis.
- Translational Research: Bridges patient-specific neural adaptation with functional recovery endpoints relevant to clinical translation.
- Enterprise Reuse: Establishes a modular platform adaptable to additional upper limb functions and broader patient populations.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in neurorehabilitation outcomes and reduces mechanistic ambiguity in motor recovery.
- Operational Value: Standardizes EEG/EOG calibration and assessment workflows for scalable deployment.
- Strategic Value: Enables data-driven go/no-go decisions for assistive technology development and portfolio expansion.
- Portfolio Impact: Supports risk-adjusted prioritization of BCI-robotic systems for diverse neuro-motor impairment indications.
Implementation Considerations
- Requires expertise in EEG/EOG signal acquisition, calibration, and interpretation.
- Demands robust instrumentation for real-time neural signal processing and robotic actuation.
- Necessitates cross-team standardization of training protocols and assessment criteria.
- Adaptation to additional limb functions or patient populations may require protocol refinement.
- Limited by current robotic hand capabilities, restricting complex movement assistance as noted in the study.
