Artigo de método

Sistema robótico de membro superior controlado por interface cérebro-computador para melhorar as atividades diárias em pacientes com AVC

2.4K vistas

⸱

DOI:

10.3791/67601

⸱

18 de abril de 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

Neste artigo

Resumo

Este estudo apresenta um sistema de interface cérebro-computador (BCI) para pacientes com AVC, que combina sinais de eletroencefalografia e eletrooculografia para controlar uma mão robótica de membro superior, aprimorando as atividades diárias. A avaliação utilizou o Teste Bimanual de Berlim para AVC (BeBiTS).

Resumo

Este estudo apresenta um robô auxiliar de membro superior controlado por Interface Cérebro-Computador (BCI) para reabilitação pós-AVC. O sistema utiliza sinais de eletroencefalograma (EEG) e eletrooculograma (EOG) para ajudar os usuários a auxiliar a função dos membros superiores nas tarefas diárias enquanto interagem com uma mão robótica. Avaliamos a eficácia deste sistema BCI-robô usando o Teste Bimanual de Berlim para AVC (BeBiTS), um conjunto de 10 tarefas da vida diária envolvendo ambas as mãos. Oito pacientes com AVC participaram deste estudo, mas apenas quatro participantes puderam se adaptar ao treinamento do sistema robô BCI e realizar o pós-BeBiTS. Notavelmente, quando a pontuação pré-BeBiTS para cada item foi quatro ou menos, o sistema de robô BCI mostrou maior eficácia assistiva na avaliação pós-BeBiTS. Além disso, nossa mão robótica atual não auxilia nas funções do braço e do pulso, limitando seu uso em tarefas que exigem movimentos complexos da mão. Mais participantes são necessários para confirmar a eficácia do treinamento do sistema BCI-robô, e pesquisas futuras devem considerar o uso de robôs que possam ajudar em uma gama mais ampla de funções dos membros superiores. Este estudo teve como objetivo determinar a capacidade do sistema BCI-robô de auxiliar os pacientes na realização de atividades de vida diária.

Introdução

O comprometimento da função dos membros superiores devido ao AVC limita a capacidade de realizar atividades diárias, especialmente tarefas bimanuais1. A reabilitação das mãos é, portanto, um componente-chave da reabilitação do AVC, sendoa terapia do espelho2 e a Terapia do Movimento Induzido por Restrição (CIMT)3 abordagens bem conhecidas. Pesquisas recentes indicam que os sistemas robóticos de Interface Cérebro-Computador (BCI) baseados em EEG podem ser uma terapia assistiva eficaz para melhorar a recuperação da função da mão em pacientes com AVC 4,5,6. Os sistemas robóticos da BCI se concentram em acoplar a intenção ativa do paciente de tentar um movimento motor com seu desempenho. Pesquisas estão sendo conduzidas ativamente para determinar se essa abordagem é eficaz para a reabilitação 7,8,9,10,11,12,13.

Neste estudo, apresentamos um sistema robótico assistivo de membro superior controlado por BCI, projetado para ajudar pacientes com AVC a realizar atividades bimanuais. O sistema utiliza eletroencefalogramas (EEG) para detectar e interpretar sinais cerebrais associados a imagens motoras e os combina com eletrooculogramas (EOG) para entradas de controle adicionais. Esses sinais neurofisiológicos permitem que os pacientes controlem uma mão robótica que auxilia nos movimentos dos dedos14. Essa abordagem preenche a lacuna entre o desejo do paciente de se mover e a capacidade física, potencialmente facilitando a recuperação motora e aumentando a independência nas tarefas diárias.

Pesquisadores da Charité Medical University em Berlim desenvolveram o Berlin Bimanual Test for Stroke (BeBiTS), uma ferramenta de avaliação abrangente, para avaliar a eficácia desse sistema robótico BCI15. O BeBiTS fornece uma medida quantitativa de melhora funcional, avaliando a capacidade de realizar dez atividades bimanuais essenciais para a vida diária. A avaliação pontua cada tarefa individualmente e avalia cinco componentes da função da mão: alcançar, agarrar, estabilizar, manipular e levantar. Permite uma avaliação abrangente das melhorias funcionais dos pacientes, com foco nas atividades da vida diária. Além disso, permite-nos quantificar a contribuição do sistema robótico BCI na melhoria de funções manuais específicas. Este estudo, portanto, visa desenvolver um sistema de robô assistivo BCI eficaz, comparando as pontuações do BeBiTS antes e depois das sessões de treinamento em pacientes com AVC.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

O Conselho de Revisão Institucional do Hospital Bundang da Universidade Nacional de Seul revisou e aprovou todos os procedimentos experimentais (IRB No. B-2205-756-003). Recrutamos oito pacientes com AVC e explicamos minuciosamente os detalhes relevantes antes de obter seu consentimento. Após a obtenção do consentimento informado, o protocolo procede da seguinte forma: realizamos uma avaliação BeBiTS antes do treinamento BCI, seguida pelo treinamento BCI usando EOG e EEG. Depois, os participantes usam o robô para realizar outra avaliação BeBiTS (Figura 1).

1. Configuração do sistema de treinamento de robôs BCI

  1. Recrutamento de pacientes
    1. Realize o processo de triagem usando os seguintes critérios de inclusão.
      1. Selecione pacientes com idade entre 20 e 68 anos com funções de membros superiores prejudicadas.
      2. Selecione pacientes que não conseguem flexionar ou estender os dedos da mão paralisada.
      3. Selecione pacientes com um único AVC subcortical (incluindo AVC isquêmico e hemorrágico).
      4. Selecione pacientes com mais de 6 meses após a lesão cerebral.
      5. Selecione pacientes com um escore de Fugl-Meyer prejudicado inferior a 31.
    2. Forneça a todos os pacientes recrutados informações detalhadas sobre o procedimento experimental e obtenha consentimento informado assinado.
      NOTA: Um representante legal deve fornecer o consentimento informado assinado se um paciente atender aos critérios, mas não puder assinar o consentimento.
  2. Sistema BCI: dispositivo de EEG
    1. Use um sistema de visualização de EEG (consulte a Tabela de Materiais) para registro de dados.
    2. Use um computador pessoal (PC) com software BCI personalizado e conecte o PC ao dispositivo de EEG.
  3. Mão robótica de assistência de membro superior
    1. Uma mão robótica assistida16 que suporta três dedos é usada no membro superior prejudicado do paciente. Este robô é uma luva macia semelhante a couro projetada para cobrir apenas três dedos: o polegar, o indicador e o médio. Conecte o robô sem fio ao computador usando um dongle USB.
    2. Quando conectado ao computador por meio de um dongle, o estado inicial do robô é neutro, o que significa que sua mão está totalmente aberta. O sistema BCI projetado configura o robô para que sua mão só possa fechar quando reconhecer a intenção de fechar o punho, com base no fato de o valor de EEG medido atingir o limite. A Figura 2 mostra o esquema deste sistema BCI-robô.

2. Avaliação do robô BCI

  1. Teste Bimanual de Berlim para AVC (BeBiTS)
    NOTA: A avaliação BeBiTS é uma ferramenta para avaliar o desempenho de 10 atividades bimanuais de vida diária em pacientes com AVC.
    1. Posicione o paciente confortavelmente em uma poltrona de frente para uma mesa. Certifique-se de que o paciente esteja posicionado próximo à mesa, a aproximadamente 30 cm de distância dos objetos usados na avaliação, para realizar as tarefas de avaliação usando os braços e as mãos.
    2. Guarde os 10 itens a seguir para a avaliação das atividades bimanuais: Abra um frasco; abra um pacote de plástico; abra uma garrafa de água; despeje um copo de água; massa cortada semelhante a carne; limpe um prato; levante uma panela; abra um tubo de pasta de dente; aplique pasta de dente em uma escova de dentes; Feche o zíper de uma jaqueta.
      NOTA: As 10 tarefas de avaliação usam itens de avaliação, todos realizados sentados em uma mesa. Cada ação é pontuada em 10, com uma pontuação geral de 100.
    3. Avalie e pontue cinco componentes da função da mão juntamente com as pontuações dos itens individuais. Esses componentes e seus respectivos escores são alcançar (20), agarrar (20), estabilizar (10), manipular (33) e levantar (17), sendo que o escore total somou 100 pontos (Figura 3).

3. Sistema de treinamento de robôs BCI

  1. Configuração de EEG
    1. Abra o sistema BCI. A Figura 4 mostra a tela inteira quando o sistema BCI é aberto.
    2. Coloque uma tampa e conecte o amplificador.
    3. No módulo Fonte, selecione EegoModule | modo de impedância. Pressione Iniciar no módulo de origem, que mostra a luz azul (Figura 5A).
    4. Certifique-se de que as impedâncias estejam abaixo de 10k Ohms e pressione Parar no módulo de origem.
    5. Altere o modo para EEG para transmitir os dados e pressione iniciar. Verifique o sinal com o software fornecido (Figura 5B).
  2. Calibração EOG
    1. No módulo de pré-processamento, selecione o Pipeline específico para a montagem EOG (por exemplo, SMR-EOGleft para eletrodo EOG no olho esquerdo; Figura 6A).
    2. No módulo Tarefa, defina o Número de indicações (por exemplo, 10). O módulo Tarefa define as direções contralaterais à mão robótica (Figura 6B).
    3. Instrua o participante a realizar breves movimentos laterais dos olhos na direção das 10 setas que aparecem (Figura 6C).
    4. Verifique o gráfico de resultados imediatamente após o treino. As linhas cinzas representam cada tentativa de movimento ocular; confirmam que a linha laranja, que é a média, toca a linha de base, indicando que o treinamento foi bem-sucedido (Figura 7).
    5. Se o treinamento for bem-sucedido, registre o valor do parâmetro de limite .
      NOTA: A repetição consistente dos movimentos oculares é essencial. Embora varie de participante para participante, o treinamento EOG geralmente é prático após cerca de três tentativas e geralmente melhora com o treinamento repetido.
  3. Calibração de EEG
    1. No módulo Task, escolha EEGCalibrationTaskModule (Figura 8A). Defina o Número de indicações no módulo Tarefa como 5.
    2. No módulo Feedback, defina Lateralidade para o lado da mão robótica e certifique-se de que Display Pac-Man esteja desmarcado (Figura 8B).
    3. Instrua o participante a imaginar cerrar o punho quando o prompt 'Imagine fechar o punho' aparecer na tela preta (Figura 8C). Peça ao participante para relaxar quando a tela estiver preta. Repita esse processo, com a imaginação cerrada durando 5 s e o período de descanso variando aleatoriamente entre 10 s e 15 s.
    4. Revise o gráfico de resultados após a calibração do EEG e use o padrão ERD característico na banda mu de 8-12 Hz durante as imagens motoras para determinar a faixa de frequência apropriada do participante. Registre o valor do parâmetro de 11 Hz do gráfico esquerdo na Figura 9, que mostra a resposta ERD durante as imagens motoras em comparação com o estado de repouso. No gráfico à direita da Figura 9, destaque a linha vermelha distinta, que representa imagens de punho cerrado, e a linha azul, indicando o estado relaxado, em relação à linha de limiar pontilhada horizontal.
    5. Se o treinamento de calibração do EEG for realizado adequadamente, registre o valor de referência e o limite abaixo do gráfico à direita.
      NOTA: No entanto, pode haver casos em que o treinamento de calibração de curto prazo seja desafiador devido a problemas como falta de compreensão das instruções fornecidas ou analfabetismo BCI.
  4. Treinamento com feedback
    1. Depois de concluir o treinamento EOG e EEG, defina valores de parâmetros que distingam a intenção de fechar o punho para a frequência alvo específica de interesse, valor de referência e limite identificado pelo gráfico de resultados no treinamento anterior.
    2. Usando os parâmetros configurados, prossiga com o treinamento de feedback usando o Pac-Man. Se os parâmetros forem definidos corretamente após o treinamento, observe que a boca do Pac-Man se fechará gradualmente quando o participante se imaginar cerrando o punho. Se a boca do Pac-Man não fechar corretamente, repita o treinamento de calibração do EEG enquanto ajusta o valor de referência e o limite (Figura 10).
  5. Experimento: Avaliação BeBiTS usando o sistema de robô BCI
    1. Depois de concluir todo o treinamento de feedback (aproximadamente 30 minutos), faça com que o participante use o robô e conduza a avaliação pós-BeBiTS usando o sistema BCI treinado.
      NOTA: Se a espasticidade da mão do paciente for grave, é necessário cuidado especial ao usar o robô. Além disso, a assistência de três dedos fornecida pelo robô pode não ser suficiente para alguns pacientes, dificultando a realização de todos os movimentos necessários na avaliação do BeBiTS. Nesses casos, apenas os movimentos que podem ser realizados são avaliados.
    2. Aguarde até que a luz branca indicando o estado pronto e inicial apareça na tela, conforme mostrado na Figura 11A. Depois de confirmar a luz branca, os participantes movem os olhos para um lado para mudar a luz para verde (Figura 11B). Quando a luz verde aparece, os participantes imaginam cerrar o punho.
      NOTA: Se o sistema reconhecer bem a intenção do participante, ele ativa o robô usado pelo participante para cerrar o punho.
    3. Faça com que o participante cerre o punho com a ajuda do robô e, em seguida, execute a ação mostrada na Figura 11C.
    4. A Figura 11D exibe uma luz vermelha, indicando que o robô está mantendo uma posição de punho cerrado. Ao concluir a ação, o participante observa essa luz vermelha na tela, conforme ilustrado na Figura 11D. Neste ponto, se o participante quiser abrir a mão novamente com a ajuda do robô, ele pode mover os olhos para mudar a cor da luz de volta para branco.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

A Figura 12 mostra os resultados do treinamento EOG e EEG. A Figura 12A representa os resultados de um participante bem treinado. Os valores de treinamento EOG são consistentes, com a média (linha laranja em negrito) atingindo corretamente a linha limite. Os resultados do treinamento de EEG também distinguem claramente entre as linhas azul (estado de repouso) e vermelha (imagens motoras).

Em contraste, a Figura 12...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Esta pesquisa apresentou um sistema robótico assistivo de membro superior BCI para apoiar pacientes com AVC na execução de tarefas diárias. Avaliamos a eficácia das tarefas bimanuais por meio do teste BeBiTS15 e implementamos o treinamento para a operação do robô assistivo de membros superiores por meio do sistema BCI14. Essa abordagem, em contraste com os procedimentos convencionais de reabilitação, permite que os pacientes se envolvam ati...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm conflitos de interesse a declarar.

Agradecimentos

Este trabalho foi apoiado pelo Programa de Colaboração Internacional Academia-Indústria Alemã-Coreana em Robótica e Construção Leve/Carbono Financiado pelo Ministério Federal de Educação e Pesquisa da República Federal da Alemanha e pelo Ministério Coreano de Ciência e TIC (Grant No. P0017226)

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
BCI2000de códigopara pesquisa de interface cérebro-computador (BCI) que é gratuito para uso não comercial
BrainVision LSL Viewer Brain Products GmbHuma ferramenta útil para monitorar seus fluxos de LSL EEG e marcadores.
eego mini amplificador com 8 canais (F3, F4, C3, Cz, C4, P3, P4, EOG) tampa original Ant Neuro, HolandaDesign compacto e leve: O mini amplificador eego é pequeno e leve, oferecendo excelente portabilidade e adequação para gravação de EEG em vários ambientes.
Neomano neofect, CoreiaMaterial da luva: Couro, velcro, Pano antiderrapante
Material do fio: Fio sintético
Peso: 65 g (sem bateria)
cobrir três dedos: o polegar, o indicador e o computador pessoal do meio
PC) com software BCI personalizado laptop janela
sistema de software de uso geral aberto

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Rob de Membro SuperiorReabilita o do AVCSinais de EEG EOGControle de M o Rob ticaFun o BimanualTreinamento de Imag tica MotoraNeurorreabilita oAtividades de Vida Di riaAvalia o BeBiTS

Artigos relacionados