Name: Sterowany interfejsem mózg-komputer system robotyczny kończyny górnej do usprawniania codziennych czynności u pacjentów po udarze mózgu (Wideo) | JoVE Journal
Uploaded: 2025-04-18T13:10:00.000+00:00
Duration: 6 min 11 s
Description: Poznaj system interfejsu mózg-komputer sterujący robotyczną kończyną górną do rehabilitacji po udarze. Metoda wykorzystuje sygnały EEG i EOG, aby poprawić funkcję dwuręczną i wspierać codzienne czynności pacjentów z hemiplegią.

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

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)

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 (<silna klasa="xfig">Rysunek 1).
1. Konfiguracja systemu szkolenia robotów BCI
<ol>
	<li>Rekrutacja pacjentów
	<ol>
		<li>Należy przeprowadzić proces selekcji, stosując następujące kryteria włączenia.
		<ol>
			<li>Wybierz pacjentów w wieku od 20 do 68 lat z upośledzonymi funkcjami kończyn górnych.</li>
			<li>Wybierz pacjentów, którzy nie są w stanie zgiąć lub wyprostować palców sparaliżowanej ręki.</li>
			<li>Wybierz pacjentów z pojedynczym udarem podkorowym (w tym udarem niedokrwiennym, jak i krwotocznym).</li>
			<li>Wybierz pacjentów, którzy są więcej niż 6 miesięcy po urazie mózgu.</li>
			<li>Wybierz pacjentów z upośledzonym wynikiem Fugla-Meyera poniżej 31.</li>
		</ol>
		</li>
		<li>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.</li>
	</ol>
	</li>
	<li>System BCI: aparat EEG
	<ol>
		<li>Do rejestracji danych należy użyć systemu podglądu EEG (patrz tabela materiałów).</li>
		<li>Użyj komputera osobistego (PC) z niestandardowym oprogramowaniem BCI i podłącz komputer do urządzenia EEG.</li>
	</ol>
	</li>
	<li>Robotyczna ręka wspomagająca kończynę górną
	<ol>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>
2. Ocena robota BCI
<ol>
	<li>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.
	<ol>
		<li>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.</li>
		<li>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.</li>
		<li>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 (<silna klasa="xfig">Rysunek 3).</li>
	</ol>
	</li>
</ol>
3. System szkolenia robotów BCI
<ol>
	<li>Konfiguracja EEG
	<ol>
		<li>Otwórz system BCI. Rysunek 4 pokazuje cały ekran po otwarciu systemu BCI.</li>
		<li>Załóż nasadkę i podłącz amplifier.</li>
		<li>W module Source (Źródło) wybierz opcję EegoModule | tryb impedancji. Naciśnij Start w module źródłowym, który pokazuje niebieskie światło (<silna klasa="xfig">Rysunek 5A).</li>
		<li>Upewnij się, że impedancje są poniżej 10 tys. Ohm, a następnie naciśnij Stop w module źródłowym.</li>
		<li>Zmień tryb na EEG, aby przesyłać strumieniowo dane i naciśnij start. Sprawdź sygnał za pomocą podanego oprogramowania (Rysunek 5B).</li>
	</ol>
	</li>
	<li>Kalibracja EOG
	<ol>
		<li>W module przetwarzania wstępnego wybierz Rurociąg specyficzny dla montażu EOG (np. SMR-EOGleft dla elektrody EOG na lewym oku; <silna klasa="xfig">Rysunek 6A).</li>
		<li>W module Zadanie ustaw liczbę cue (np. 10). Moduł Zadanie ustawia kierunki przeciwlegle do ręki robota (<silna klasa="xfig">Rysunek 6B).</li>
		<li>Poinstruuj uczestnika, aby wykonał krótkie boczne ruchy gałek ocznych w kierunku 10 pojawiających się strzałek (<silna klasa = "xfig">Rysunek 6C).</li>
		<li>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 (<silna klasa="xfig">Rysunek 7).</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Kalibracja EEG
	<ol>
		<li>W module Zadanie wybierz EEGCalibrationTaskModule (<silna klasa="xfig">Rysunek 8A). Ustaw liczbę cue w module Zadanie na 5.</li>
		<li>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).</li>
		<li>Poinstruuj uczestnika, aby wyobraził sobie, jak zaciska pięść, gdy na czarnym ekranie pojawi się podpowiedź "Wyobraź sobie, że zaciskasz pięść" (<silna klasa="xfig">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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Szkolenie z informacją zwrotną
	<ol>
		<li>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.</li>
		<li>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 (<silna klasa="xfig">Rysunek 10).</li>
	</ol>
	</li>
	<li>Eksperyment: Ocena BeBiTS z wykorzystaniem systemu robotów BCI
	<ol>
		<li>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.</li>
		<li>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 (<silna klasa="xfig">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.</li>
		<li>Poproś uczestnika, aby zacisnął pięść z pomocą robota, a następnie wykonał czynność pokazaną na Rysunek 11C.</li>
		<li><silna klasa="xfig">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.</li>
	</ol>
	</li>
</ol>

<ol><li>Ekstrand, E., Rylander, L., Lexell, J., Brogårdh, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceived+ability+to+perform+daily+hand+activities+after+stroke+and+associated+factors%3A+a+cross-sectional+study%5BTitle%5D)+AND+%22BMC+Neurol%22%5BJournal%5D)">Perceived ability to perform daily hand activities after stroke and associated factors: a cross-sectional study.</a> BMC Neurol. 16, 208(2016).</li>
<li>Angerhöfer, C., Colucci, A., Vermehren, M., Hömberg, V., Soekadar, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Post-stroke+rehabilitation+of+severe+upper+limb+paresis+in+Germany-toward+long-term+treatment+with+brain-computer+interfaces%5BTitle%5D)+AND+%22Front.+Neurol%22%5BJournal%5D)">Post-stroke rehabilitation of severe upper limb paresis in Germany-toward long-term treatment with brain-computer interfaces.</a> Front. Neurol. 12, 772199(2021).</li>
<li>Corbetta, D., Sirtori, V., Castellini, G., Moja, L., Gatti, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Constraint-induced+movement+therapy+for+upper+extremities+in+people+with+stroke%5BTitle%5D)+AND+%22Cochrane+Database+Syst+Rev%22%5BJournal%5D)">Constraint-induced movement therapy for upper extremities in people with stroke.</a> Cochrane Database Syst Rev. 2015 (10), CD004433(2015).</li>
<li>Kutner, N. G., Zhang, R., Butler, A. J., Wolf, S. L., Alberts, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quality-of-life+change+associated+with+robotic-assisted+therapy+to+improve+hand+motor+function+in+patients+with+subacute+stroke%3A+a+randomized+clinical+trial%5BTitle%5D)+AND+%22Phys+Ther%22%5BJournal%5D)">Quality-of-life change associated with robotic-assisted therapy to improve hand motor function in patients with subacute stroke: a randomized clinical trial.</a> Phys Ther. 90 (4), 493-504 (2010).</li>
<li>Baniqued, P. D. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interface+robotics+for+hand+rehabilitation+after+stroke%3A+a+systematic+review%5BTitle%5D)+AND+%22J+Neuroeng+Rehabil%22%5BJournal%5D)">Brain-computer interface robotics for hand rehabilitation after stroke: a systematic review.</a> J Neuroeng Rehabil. 18 (1), 15(2021).</li>
<li>Yang, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+the+use+of+brain-computer+interfaces+in+stroke+neurorehabilitation%5BTitle%5D)+AND+%22BioMed+Res+Int%22%5BJournal%5D)">Exploring the use of brain-computer interfaces in stroke neurorehabilitation.</a> BioMed Res Int. 2021, 9967348(2021).</li>
<li>Wolpaw, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interfaces%5BTitle%5D)+AND+%22Handb+Clin+Neurol%22%5BJournal%5D)">Brain-computer interfaces.</a> Handb Clin Neurol. 110, 67-74 (2013).</li>
<li>Teo, W. P., Chew, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Is+motor-imagery+brain-computer+interface+feasible+in+stroke+rehabilitation%5BTitle%5D)+AND+%22PM+R%22%5BJournal%5D)">Is motor-imagery brain-computer interface feasible in stroke rehabilitation.</a> PM R. 6 (8), 723-728 (2014).</li>
<li>Gomez-Rodriguez, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+brain-robot+interfaces+in+stroke+rehabilitation%5BTitle%5D)+AND+%22IEEE+Int+Conf+Rehabil+Robot%22%5BJournal%5D)">Towards brain-robot interfaces in stroke rehabilitation.</a> IEEE Int Conf Rehabil Robot. 2011, 5975385(2011).</li>
<li>Silvoni, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interface+in+stroke%3A+a+review+of+progress%5BTitle%5D)+AND+%22Clin+EEG+Neurosci%22%5BJournal%5D)">Brain-computer interface in stroke: a review of progress.</a> Clin EEG Neurosci. 42 (4), 245-252 (2011).</li>
<li>Soekadar, S. R., Birbaumer, N., Cohen, L. G. Brain-computer interfaces in the rehabilitation of stroke and neurotrauma. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSoekadar%2C+SR+%22Systems+Neuroscience+and+Rehabiliation%22">Systems Neuroscience and Rehabiliation</a>. Kansaku, K., Cohen, L. G. , Springer. Tokyo. 3-18 (2011).</li>
<li>Said, R. R., Heyat, M. B. B., Song, K., Tian, C., Wu, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+systematic+review+of+virtual+reality+and+robot+therapy+as+recent+rehabilitation+technologies+using+EEG-brain-computer+interface+based+on+movement-related+cortical+potentials%5BTitle%5D)+AND+%22Biosensors%22%5BJournal%5D)">A systematic review of virtual reality and robot therapy as recent rehabilitation technologies using EEG-brain-computer interface based on movement-related cortical potentials.</a> Biosensors. 12 (12), 1134(2022).</li>
<li>Daly, J. J., Huggins, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interface%3A+current+and+emerging+rehabilitation+applications%5BTitle%5D)+AND+%22Arch+Phys+Med+Rehabil%22%5BJournal%5D)">Brain-computer interface: current and emerging rehabilitation applications.</a> Arch Phys Med Rehabil. 96 (3 Suppl), S1-S7 (2015).</li>
<li>Soekadar, S. R., Witkowski, M., Vitiello, N., Birbaumer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+EEG%2FEOG-based+hybrid+brain-neural+computer+interaction+%28BNCI%29+system+to+control+an+exoskeleton+for+the+paralyzed+hand%5BTitle%5D)+AND+%22Biomed+Tech+%28Berl%29%22%5BJournal%5D)">An EEG/EOG-based hybrid brain-neural computer interaction (BNCI) system to control an exoskeleton for the paralyzed hand.</a> Biomed Tech (Berl). 60 (3), 199-205 (2015).</li>
<li>Angerhöfer, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Berlin+Bimanual+Test+for+Tetraplegia+%28BeBiTT%29+to+assess+the+impact+of+assistive+hand+exoskeletons+on+bimanual+task+performance%5BTitle%5D)+AND+%22J+NeuroEng+Rehabil%22%5BJournal%5D)">The Berlin Bimanual Test for Tetraplegia (BeBiTT) to assess the impact of assistive hand exoskeletons on bimanual task performance.</a> J NeuroEng Rehabil. 20, 17(2023).</li>
<li>Neofect. Neomano. Wearable Robot Hand Assistance. , 
 <a target="_blank" href="https://www.neofect.com/kr/neomano">https://www.neofect.com/kr/neomano</a> (2024).</li>
</ol>

Autorzy nie mają do zadeklarowania konfliktu interesów.

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...

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.

<table><tbody><tr><td>BCI2000</td> system oprogramowania ogólnego <td>przeznaczenia o otwartym kodzie źródłowym</td><td></td><td>do badań nad interfejsem mózg-komputer (BCI), który jest bezpłatny do użytku niekomercyjnego</td></tr><tr><td>BrainVision LSL Viewer&nbsp;</td><td>Brain Products GmbH</td><td></td><td>poręczne narzędzie do monitorowania strumieni LSL EEG i markerów.</td></tr><tr><td>eego mini wzmacniacz z 8-kanałowymi (F3, F4, C3, Cz, C4, P3, P4, EOG) oryginalnymi nasadkami waveguard&nbsp;</td><td>Ant Neuro, Holandia</td><td></td><td>Kompaktowa i lekka konstrukcja: Mini wzmacniacz eego jest mały i lekki, oferując doskonałą przenośność i przydatność do nagrywania EEG w różnych środowiskach.</td></tr><tr><td>Neomano&nbsp;</td><td>neofect, Korea</td><td></td><td>Materiał rękawicy: Skóra, rzep, Tkanina antypoślizgowa Materiał drutu: Gwint syntetyczny Waga: 65 g (bez batt.) zakrywa trzy palce: kciuk, palec wskazujący i środkowy</td></tr><tr><td>Komputer osobisty&nbsp;( PC) z niestandardowym oprogramowaniem BCI&nbsp;</td><td></td><td></td><td>laptop z oknem</td></tr></tbody></table>

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

Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients

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.

Rycina 12 przedstawia wyniki treningu EOG i EEG. Rycina 12A reprezentuje wyniki dobrze wytrenowanego uczestnika. Wartości treningu EOG są spójne, a średnia (pomarańczowa pogrubiona linia) właściwie osiąga linię progową. Wyniki treningu EEG również wyraźnie rozróżniają linię niebieską (stan spoczynku) i czerwoną (wyobraźnia ruchowa).
W przeciwieństwie do tego, Rycina 12B przedstawia wyniki uczestnika, któr...

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).

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

This study introduces a Brain-Computer Interface (BCI)-controlled upper limb assistive robot for post-stroke rehabilitation. The system utilizes ...

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.

brain-computer-interface-controlled-upper-limb-robotic-system-for

Research

JoVE Journal

Neuroscience

Neuronauka

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

Celem tego badania jest dostarczenie ważnego punktu odniesienia dla standardowego klinicznego działania interfejsu mózg-komputer (MI-BCI) w dysfunkcjach motorycznych kończyn górnych po udarze.

Obrazowanie ruchowe interfejsu mózg-komputer w rehabilitacji dysfunkcji ruchowych kończyn górnych po udarze mózgu

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

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

W niniejszym raporcie przedstawiamy w pełni zautomatyzowany i wysoce wszechstronny system umożliwiający jednoczesne badanie wielu zachowań poznawczych oraz rejestrację aktywności neuronów u gryzoni.

W pełni zautomatyzowany i wysoce wszechstronny system do badania wielorakich funkcji poznawczych i rejestracji aktywności neuronalnej u gryzoni

Pierwotne, wielopotencjalne komórki progenitorowe pochodzące z ludzkiego płodowego mózgu proliferują in vitro, zachowując zdolność do różnicowania się w neurony i astrocyty. Niniejsza praca wykazuje, że progenitorom neuralnym można indukować różnicowanie poprzez kolejne stadia linii oligodendrocytarnej za pomocą kondycjonowania wybranymi czynnikami wzrostu.

System hodowli oligodendrocytów pochodnych z komórek progenitorowych ludzkiego płodu

Ogólnym celem tego protokołu jest dokładne dopasowanie objętości obrazów rezonansu magnetycznego (MRI) do przekrojów histologicznych poprzez tworzenie dostosowanych drukowanych w 3D uchwytów na mózg i slicerów.

Wykorzystanie technologii druku 3D do połączenia rezonansu magnetycznego z histologią: protokół sekcji mózgu

Mitochondria komórek śródbłonka są niezbędne do utrzymania integralności bariery krew-mózg. Wprowadzamy protokół pomiaru funkcji bioenergetycznych w komórkach śródbłonka naczyń mózgowych.

Ocena funkcji bioenergetycznych w komórkach śródbłonka naczyń mózgowych

W tym badaniu opisujemy system in-ovo jako obiecujące narzędzie do testowania związków insulinomimetycznych w żywym organizmie. Do głównych zalet należy zaliczyć odpowiednie przepustowości i akceptowalne koszty, które umożliwiają identyfikację fitozwiązków o właściwościach insulinomimetycznych.

Model in ovo do badania związków insulinomimetycznych

Poznaj system interfejsu mózg-komputer sterujący robotyczną kończyną górną do rehabilitacji po udarze. Metoda wykorzystuje sygnały EEG i EOG, aby poprawić funkcję dwuręczną i wspierać codzienne czynności pacjentów z hemiplegią.

Sterowany interfejsem mózg-komputer system robotyczny kończyny górnej do usprawniania codziennych czynności u pacjentów po udarze mózgu (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów