Summary
Son zamanlarda, umutları büyük bir miktarı, insan-robot interaktif sistemleri için gelmiş. Bu yazıda, açık kaynak kodlu yazılım ile hızla etkileşimli işlevselliği olası bir kütüphane yapabilirsiniz yeni bir robotik cihaz entegrasyonu anahat. Daha sonra bir nörorehabilitasyon uygulama için bir klinik uygulama anahat.
Abstract
Uzun süreli tedavi uygulamaları için interaktif cihazların test Son zamanlarda yapılan araştırmalar, biofeedback, grafik ve diğer formları ile birlikte robotlar için yeni umutları ortaya çıkarmıştır. Önceki insan-robot interaktif sistemler gereksiz gelişim havai zaman yol açan yeni bir sistem kullanılabilir hale gelir her zaman her robot için uygulanmak üzere, farklı yazılım komutları gerekli var. Örneğin, bir haptik / grafik sanal gerçeklik ortamında dokunsal geribildirim sağlamak için belirli bir robot için kodlanmış edildiğinde, bu özel robot programı Recoding olmadan başka bir robot için işlem mümkün olmaz. Ancak, açık kaynak topluluğu son çabalar kullanılan robot ne olursa olsun hemen hemen aynı tepkiler sarmalayıcı sınıf bir yaklaşım önerdi. Sonuç paylaşılan kod kullanarak benzer deneyler gerçekleştirmek için dünya genelinde araştırmacılar yol açabilir. Bu nedenle başka bir robot modüler bir "geçiş" geliştirme süresini etkilemez. Bu çalışmada, biz, yazılım, tüm robotlar tarafından en sık kullanılan komutları entegre açık-kaynak H3DAPI içine bir robot için bir sarmalayıcı sınıf başarılı bir şekilde oluşturulması ve uygulanması anahat.
Protocol
Giriş
Tüm sezgisel ve etkili bir etkileşimli ortamlar için insan-makine etkileşimini (HMI) artan bir ihtiyaç vardır. Rehabilitasyon robotik, otomotiv endüstrisinde, metallerin üretim, ambalaj makineleri, ilaç, yiyecek, içecek, ve yardımcı programlar: HMI, gibi çeşitli endüstrilerde daha ağır bağımlı devam ediyor. Bu sektörlerde çalışan teknolojiler şunlardır: ekran terminalleri, kişisel bilgisayarlar ve HMI yazılımı. Bu teknolojiler, sınırsız işlevleri gerçekleştirmek için birlikte kombine edilebilir.
Robotlar, bir müzik eğitmeni olarak görev gibi kullanıcılar ile doğrudan etkileşim kolaylaştırmak için kullanılıyor olabilir. Örneğin, Waseda Üniversitesi'nde araştırmacılar, nasıl oynanır insanlara öğretmek ve, öğrenci ve öğretmen 1 arasındaki etkileşimi anlamak için saksafon çalan bir robot yarattılar. Diğer robotik araştırmacılar, yapay zeka, çevre 2 akıllı etkileşimleri dönüşmeye nasıl belirlemek için bir vizyon tabanlı bir uçan robot yaptık. Bu yazının belirli bir konsantrasyon rehabilitasyon robotik içinde bulunur.
Araştırma ve sanayi alanı içinde, yeni ürünler ve kullanıcı gereksinimleri için değişimin hızlı hızda büyümeye devam ediyor. Bu talepler, ölçeklenebilirlik büyük zorluklarla empoze. Bu nedenle kod tasarım zamanında bu kişilerin ihtiyaçlarının karşılanması ayrılmaz haline gelmiştir. Bu nedenle, güçlü bir mimari adayın kalitesi sürücü desteği içeren kolayca değiştirilebilir grafik robot sistemleri içerir. H3DAPI mimarisi, bu ihtiyaçları karşılayan ve böylece bir sarmalayıcı sınıf oluşturulmuştur. Ayrıca, H3D rehabilitasyon robotik gerekli olanlar gibi sanal gerçeklik ortamları için tasarlanmıştır.
Sinir rehabilitasyon robotik rehabilitasyon profesyonelleri yardım amaçlı robotlar kullanmaya çalışıyor. Bu robotlar verdiğiniz destek bir kuvvet alanı şeklinde geliyor. Dışarıdan uygulanan bir kuvvet alanında Shadmehr ve Musa Ivaldi, kullanılan gücün alanlar motor adaptasyonu teşvik, ve 1 bulduk gibi geçti motor komut araştırmacılar) adaptasyon) hareketleri de dahil olmak üzere farklı sınıflar oluşur ancak ulaşan hareketleri sınırlı değil, ve 2 adaptasyon, dış alan 3 aynı bölgeleri ziyaret farklı hareketleri karşısında genelleştirir . Performans Esaslı Aşamalı Robot Destekli tedavi biyomekanik mühendisleri Araştırma, görev özgü olduğunu tekrarlayan, hedefe yönlendirilmiş, robot destekli tedavi, inme 4 sonrası etkilenen kol motor bozukluk azaltmada etkili olduğunu gösterir, ancak tam olarak tedavi edici etkileri ve parametreler bir araştırma alanı olmaya devam etmektedir.
Duyusal geribildirim, öğrenme ve adaptasyon etkiler. Bu nedenle bir sonraki mantıklı soru sormak olsun ya da yapay olarak böyle bir geribildirim büyüklüğü artan hızlı ya da öğrenme / uyarlama daha da teşvik edecektir. Bazı araştırmacılar hataları artırmak için daha fazla duyusal feedback güçleri ya da görsel ipuçlarını uygulayarak, daha yüksek düzeyde uyum / öğrenme 5,6 teşvik etmek için yeterli bir nörolojik bir uyarıcı sağlayabilir olduğunu bulduk. Bu "hata büyütme" olarak bilinir. Bu olgu bir motor kontrol eylem kez sonuçları ideal bir sapma olduğu gerçeğine bağlı olabilir, bizim iç model kendi kendini ayarlar hatanın büyüklüğüne göre. Sonuç olarak, bizim iç modeli olarak dış çevre, bir görev azalır yürütme hata yaklaşır.
Birçok güncel sağlık politikaları terapistler zaman geçirebilirsiniz zaman hastaların miktarını sınırlamak rağmen Araştırma, uzun süreli bir uygulama fonksiyonun restorasyonu için işlevsel ilgili faaliyetleri desteklemeye devam etmektedir. Zorlayıcı bir soru, bu yeni teknoloji uygulamaları sadece hizmetlerinin mevcut durumu daha yüksek bir doz vererek daha ileriye gidebiliriz olsun. İnsan-makina etkileşim çalışmaları, motor öğrenme alanlarında yeni potansiyel ortaya koymuştur ve bazı durumlarda tedavi sürecine katma değer sunabilir. İhtisas robotik cihazlar bilgisayar ekranları ile kombine motor tekrar öğreniyorsunuz, hızlandırmak, geliştirmek, ya da tetiklemek için hata geribildirim güçlendirir. Bu yazıda, bu teknolojinin uygulama böyle bir örnek olarak bir klinik müdahale için gelişmiş bir sistem kullanarak bir metodoloji sunacak.
1. Bir robot için Hapı sarmalayıcı sınıf oluşturulması
- Kendi cpp ve başlık dosyası oluşturarak Hapı haptiklerinden kütüphanesi için bir sarmalayıcı oluşturun. Örneğin adı HAPIWAM.cpp ve HAPIWAM.h kullanabilirsiniz.
- Kaynak dizin içine yerleştirin HAPIWAM.cpp: Hapı / src
- Başlık dosyası dizine koyun HAPIWAM.h: Hapı / include / Hapı
- HAPIWAM.h üst olacağını Barrett, WAM durumunda, robotun ana başlık dosyası (ler):
<em> extern "C" {
# <include/btwam.h>
}
# <HAPI/HAPIHapticsDevice.h>
Not: extern dahil kütüphane 'C' yazıldığı için "C" derleyici bozma çözmek için gerekli ve H3DAPI yazılmıştır C + +.
- HAPIWAM.h, sınıf oluşturmak ve aşağıdaki 4 işlevleri şunlardır
bool initHapticsDevice (int);
bool releaseHapticsDevice ();
void updateDeviceValues (DeviceValues & dv, HAPITime dt);
void sendOutput (HAPIHapticsDevice:: DeviceOutput & d, HAPITime t);
- HAPIhapticsdevice sınıf sınıf kamuya miras emin olun.
- Sınıf için bir başlık koruculuğu oluşturun.
- HAPIWAM sınıf altında, statik DeviceOutput ve statik HapticsDeviceRegistration öznitelikleri oluşturun.
- Geriçağırımları için statik üye işlevleri oluşturun.
- HAPIWAM.cpp yapıcı ve yıkıcı tanımlayın.
- HAPIWAM.cpp cihazınızı kayıt olun.
- HAPIWAM.cpp 4 kalıtsal fonksiyon ve geri tanımlayın.
2. Hapı kütüphane oluşturma
- Hapı sarmalayıcı sınıf oluşturduk Şimdi, biz sarmalayıcı Hapı kütüphane oluşturmamız gerekir. WAM H3DAPI ham formu bağlı olmadığı bazı kütüphaneler bağlıdır, bu nedenle bu kütüphanelerin Hapı eklenebilir gerekecektir. Hapı / Hapı / build gidin ve CMakeLists.txt düzenlemek. 'SET (OptionalLibs)' diyor satırdan sonra bağımlı kitaplıkları ekleyin.
- Bir komut konsolunu açın ve gidin: Hapı / Hapı / oluşturmak ve bu sırada aşağıdaki 3 komutu yazın:
cmake.
sudo yapmak
sudo make install
3. H3D sarmalayıcı sınıfı
- HAPIWAM ile H3D kitaplığı için sarmalayıcı sınıf oluşturmak için, öncelikle kaynak dizini WAMDevice.cpp oluşturun: H3DAPI/src
- Başlık dosya dizin içine yerleştirin WAMDevice.h: H3DAPI/include/H3D
- WAMDevice.h ne yapmak istiyorsanız onu yerine isim, tüm H3DAPI cihazlar için standart başlık dosyası içermelidir.
- WAMDevice.cpp ne yapmak istiyorsanız onu yerine isim, tüm H3DAPI cihazlar için standart bir kaynak içermelidir.
- Şimdi wrapper sınıfı oluşturulmuştur H3DAPI kütüphanesi yeniden. CMakeLists.txt H3DAPI/build: sadece dizin altında, adım 2.1 'de yapıldı aynı şekilde düzenleyerek bunu yapın.
- Dizin H3DAPI/build altında H3DAPI kütüphane Rebuild
cmake.
sudo yapmak
sudo make install
4. Sonlu durum makinesi
- Her hedeflenen ulaşan program deneysel protokol veya uygulama rejimi kontrol etmek için bir sonlu durum makinesi yaratılmasını gerektirir. Tipik durum makineleri şunlardır: deneme, Başlat, Hedef İletişim ve Deneme sonu başlayın. Her devlet ve devletler arasında transfer kriterler fonksiyonu bir örnek aşağıda listelenmiştir.
- Deneme Başlat bir hedef tahsisi gerektirir. Hedefler yerlerde her deneme için rastgele ayarlanmış olabilir veya bir dosya olabilir. Duruşma başladıktan sonra kullanıcı hız eşiği, genellikle saniyede 0.06 metre yukarıdaki hedefe doğru başlattı sona erer.
- Launch devletin dava başladıktan sonra oluşur. Bu durum da kullanıcı hedef dokunur ya da belli bir süre için hedefin içinde kalır sonra sona erer. Hedef dokundu sonra, bu Hedef İletişim devlet sağlar.
- Hedef İletişim Başlat devlet sırasında oluşur. Hedef dokundu ya da bu konuda bir zaman belirli bir dönem için hedef içinde bulunduğu sonra en kısa sürede sona erebilir. Bu süre geçtikten sonra, Deneme devletin sonu etkindir.
- Deneme devletin sonu veri dosyası işaretlemek için veri toplama yazılımı sinyal, yazılım geliştiricisi, her deneme sonunda sınırlandırmak için kullanılan ayrıştırma ne olursa olsun. Son deneme tamamlanmıştır sürece Sonu Deneme devletin sonuna Deneme devlet Başlat sağlar.
5. Uygulama: inme hastanın rehabilitasyonu
- Aksi yapılamaz bir şey etkinleştirmek için robot kullanarak terapist uzmanlık gerektiren robot arayüzü tasarlanmıştır. Çok iyi bilinen nedenlerden dolayı (Şekil 1) tekrar öğreniyorsunuz sürecini geliştirir hasta tarafından algılanan hataları büyütülmüş hata büyütme teknolojisi etkin uygulama (aşağıda ayrıntılı olarak açıklanmıştır).
- , Üç boyutlu haptiklerinden / grafik sistemi Sanal Gerçeklik Robotik ve Optik Operasyon Makinesi (VRROOM) denir. Bu sistem, kombine, bir robot sistem olduğu kaydedildi bileğinizin pozisyonu ile yarı-gümüş ayna kaplaması ekranda baş-paletli render öngörülen stereo, daha önce 6 sundu ve bir kuvvet vektörü oluşturulur (Şekil 2).
- Bir sinema kalitesinde digital projektör (Christie Mirage 3000 DLP), 110 ° geniş görüş açısı ile sonuçlanan yayılmış beş ayak genişliğinde bir 1280x1024 piksel ekran görüntüleri görüntülenir. Kızılötesi yayılmalar Sıvı Kristal Ekran (LCD), obtüratör gözlükler (Stereographics, Inc.) Üzerinden, ayrı sol ve sağ göz görüntü senkronize. Yükseliş görsel ekran uygun baş-merkezli bir bakış açısı ile kılınmış, böylece manyetik elemanlar paletli başın hareket Kuşların Flock.
- Çalışma için ön eleme üzerine, her bir katılımcının fonksiyonel kabiliyetini her kullanımdan sonra bir haftalık takip ve genel bir 45 günlük takip değerlendirme ile, her tedavi paradigma başlangıç ve bitiş kör bir değerlendirici tarafından değerlendirildi. Her değerlendirme dahil olmak üzere VRROOM klinik önlemlerin yanı sıra yapılan hareket açıklığı (EHA) değerlendirme bir dizi oluşuyordu: Kutu ve Bloklar Değerlendirme, Wolf Motor Fonksiyon Testi (WMFT), Fugl-Meyer (AMFM) Kol Motor Bölümü, ve Basit Fonksiyonel Reach Değerlendirmesi (ASFR).
- Bilek ateli ile bir exotendon eldiven nötr bilek ve el hizalama yardımcı olmak için kullanılmıştır. Robot kolunun merkezi güçlerin bilek hareket ama elden hareket izin böylece radyokarpal eklem posterior yerleştirildi önkol bağlanmıştır.
- Hastanın kol ağırlığı çalışan bir bahar Wilmington Robotik Dış iskelet (WREX) yerçekimi dengeli ortez kullanılarak azaltılabilir. Hastanın talimat amacı, önlerinde bir imleç el terapistin (terapist teleoperation) bir izleme cihazı ile hareket kovalamaca oldu.
- Hastalar, hasta, terapist, ve bir üçlü ile birlikte çalışan robot, yaklaşık 40-60 dakika, haftada üç gün pratik. Konu ve terapist yan yana oturdu, ve konunun bilek robot bağlanmıştır.
- Her seans, makine hasta situating için yaklaşık on dakika takip terapist ile pasif hareket egzersizleri (EMR), beş dakika ile başladı. Bu konu daha sonra her iki dakikalık dinlenme süreleri ile her blok arasında beş dakika süren antrenman hareketleri altı blok tamamlandı.
- Eğitim süresince, katılımcılar stereo ekranda iki imleçler izlendi. Katılımcı diğer kontrollü tedavi terapisti bir imleç manipüle. Hastalar, çalışma alanı boyunca taşındı terapistin imleci tam yolunu takip talimatı verildi.
- Hata büyütme hem görsel hem de robot tarafından üretilen güçler tarafından sağlanmıştır. Katılımcılar terapistin imleci sapmış, bir anlık hata vektör e terapistin imleç ve katılımcı elini arasında pozisyonda fark olarak kurulmuştur. Hata görsel hata büyütme parçası olarak 1.5 e (m) bir faktör tarafından büyütülmüş oldu. Ayrıca, 100 e (N / m) bir hata artırmada gücü de güvenlik nedenleri için en fazla 4 N doyurmak için programlanmış olduğu uygulandı .
- Her diğer tedavi blok, her oturum için aynı özel, standart hareketleri oluşuyordu. Diğer blokların terapist terapist uzmanlık ve kendi gözlemlerine dayalı zayıflığı belirli alanlarda eğitim özelleştirmek için izin verdi. Tedavi protokolü, tüm katılımcılar için belirli hareketlerin uygulama; ileri ve yan, omuz-dirsek kaplin ulaşan ve çapraz vücut boyunca ulaşan.
- Pratik olsa da, gün-gün ortanca hata uygulamanın bir sonucu olarak ölçüldü. Özel ilgi her oturum için aynı standart hareketleri blokları verildi. Bunlar, hasta, terapist ve bakıcılar (Şekil 3) rapor edilebilir bir gün-gün bazında, herhangi bir artımlı iyileşme görülebiliyor olmadığını belirlemek için önceki gün karşılaştırıldı.
- Sonucu Birincil önlemler, haftalık tedavi sonunda 1 hafta sonra ölçüldü ve yazılan 45 gün faydaları tutma belirlemek için. Anahtar sonuçlarını Fugl-Meyer motor yetenek puanı ve eklem hareket açıklığı ölçülen özelleştirilmiş kolunuza ulaşması test edildi.
6. Temsilcisi Sonuçlar:
<AnyDevice> Düğüm H3DViewer veya H3DLoad yüklendikten sonra protokol sonra doğru bir şekilde yapılırsa olduğunda, WAM cihaz tanınan ve başlatılan olmalıdır. WAM yerine başka bir robot olsaydı, kodun kendisinde değiştirilmesi gerekir.
Şekil 1 haptik / grafik aparat oturmuş Konu.
Şekil 2 fizyoterapist ile haptik / grafik aparat oturmuş Konu.
Şekil 3 rehabilitasyon için o Yapılandırmaf inme hasta. A) konu ve terapist birlikte çalışan oturan ve büyük çalışma alanı haptik / uygulama hareketin grafik ekranı kullanarak. Terapist bu konuda bir ipucu sağlar ve hastanın ihtiyaçlarına göre özel klima. Robot, hedef uzak, bacak itme ve görsel geribildirim sistemi, imlecin hata geliştirir güçleri sağlar. B) günden güne tipik kronik inmeli hasta iyileştirme. Her nokta, basmakalıp fonksiyonel hareketin 2 dakikalık bir blok için ölçülen medyan hata temsil eder. Hasta 2 haftalık süre ve genel yarar boyunca ilerleme gösterirken, bu kişi her zaman her geçen gün artırmak vermedi.
Discussion
Bu yöntem sarmalayıcı sınıf uygulamasının H3DAPI kullanırken, kaynak kodu değiştirmeden, farklı robotlar için kullanılacak sağlar. Özellikle, H3D haptik / grafik ortamında yazılı ve hayali bir robot ile deney test araştırmacılar, aynı veya benzer WAM Barrett kullanarak deney ve tersi yürütmek mümkün olacaktır. Bu tür bir cihazdan bağımsız olarak çapraz-iletişim, uluslararası rehabilitasyon robotik araştırma etkileri taşır. Bu tür etkileri haptik / grafik hızlı gelişimi, uluslararası araştırma işbirliği, ve inter-araştırma laboratuvarı iletişimi kolaylaştırır.
Rehabilitasyon robotik motor öğrenme katılan çok sayıda parametreleri ortaya çıkarmak için henüz. Haptik / grafik geliştirme sırasında zaman alıcı adımları Bir derleme zamanı içerir. Birçok rehabilitasyon parametreleri, her program için derleme zamanı ile bileşik ile, olası tüm grup permütasyon test geliştirme yaşam döngüsü hızla yükselir. H3D, derleme gereksinimleri yokluğu ile çok sayıda sanal gerçeklik sahneleri hızlı gelişimi sağlar. Bu, çeşitli eğitim senaryoları etkileri prob isteyen bu araştırmacılar için bir avantaj olarak geliyor.
Sınırlamalar bu 'sabit kodlanmış' sarmalayıcı sınıf entegrasyon yaklaşımı bu yordamı H3DAPI yeni bir dağıtım vardır her zaman tekrar edilmesi gerektiğini gerçeği içerir. Sarmalayıcı sınıf H3DAPI son dağıtım içine entegre Olası değişiklikler H3DAPI ayrı wrapper sınıf oluşturmak için olacaktır. Daha sonra bir *. böylece kitaplık dosyası içine sarmalayıcı sınıf koymak istiyorsunuz. Bu orijinal H3DAPI dağıtım sınıf izole edebilir.
Disclosures
Bu öğretici sarıcı sınıflar Ian Sharp tarafından telif hakkı altındadır.
Acknowledgments
Brian Zenowich, Daniel Evestedt ve Winsean Lin teknik yardım kabul etmek istiyorum.
Materials
|
References
- Solis, J., Takeshi, N., Petersen, K., Takeuchi, M., Takanishi, A. Development of the anthropomorphic saxophonist robot WAS-1: Mechanical design of the simulated organs and implementation of air pressure. Advanced Robotics Journal. 24, 629-650 (2010).
- 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).
- Conditt, M. A., Gandolfo, F., Mussa-Ivaldi, F. A. The motor system does not learn the dynamics of the arm by rote memorization of past experience. Journal of Neurophysiology. 78, 554-554 (1997).
- Krebs, H. I., Palazzolo, J. J., Dipietro, L., Ferraro, M., Krol, J., Rannekleiv, K., Volpe, B. T., Hogan, N. Rehabilitation robotics: Performance-based progressive robot-assisted therapy. Autonomous Robots. 15, 7-20 (2003).
- Wei, K., Kording, K. Relevance of error: what drives motor adaptation. Journal of neurophysiology. 101, 655-65 (2009).
- Wei, Y., Bajaj, P., Scheidt, R., Patton, J. Visual error augmentation for enhancing motor learning and rehabilitative relearning. IEEE International Conference on Rehabilitation Robotics. , 505-510 (2005).
