Haptic / Graphic Rehabilitación: La integración de un robot en un entorno virtual Biblioteca y su aplicación a la terapia de Carrera

Bioengineering
 

Summary

Recientemente, una gran cantidad de perspectivas han llegado disponible para el consumo humano-robot de sistemas interactivos. En este trabajo resumimos la integración de un nuevo dispositivo robótico con software de código abierto, que rápidamente se puede hacer posible una biblioteca de funciones interactivas. A continuación, esbozar una aplicación clínica para una aplicación de la neurorrehabilitación.

Cite this Article

Copy Citation | Download Citations

Sharp, I., Patton, J., Listenberger, M., Case, E. Haptic/Graphic Rehabilitation: Integrating a Robot into a Virtual Environment Library and Applying it to Stroke Therapy. J. Vis. Exp. (54), e3007, doi:10.3791/3007 (2011).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

La investigación reciente que pone a prueba los dispositivos interactivos para la práctica de una terapia prolongada ha puesto de manifiesto nuevas perspectivas de la robótica se combina con formas gráficas y otras de biofeedback. Anterior humano-robot de sistemas interactivos que requieren los diferentes comandos de software que se aplicarán para cada robot que lleva a gastos innecesarios de tiempo de desarrollo de cada vez que un nuevo sistema esté disponible. Por ejemplo, cuando un háptico / entorno gráfico de realidad virtual ha sido codificado para un robot específico para proporcionar retroalimentación háptica, que el robot específico no sería capaz de ser cambiado por otro robot, sin volver a codificar el programa. Sin embargo, los recientes esfuerzos de la comunidad de código abierto han propuesto un enfoque de clase contenedora que se puede obtener respuestas casi idénticas independientemente del robot utilizado. El resultado puede llevar a los investigadores de todo el mundo para llevar a cabo experimentos similares con código compartido. Por lo tanto, modular "el cambio fuera" de un robot para otro no afectará el tiempo de desarrollo. En este artículo, se describe la creación e implementación exitosa de una clase contenedora para un robot en el H3DAPI de código abierto, que integra el software de comandos más utilizados por todos los robots.

Protocol

Introducción

Hay una necesidad creciente en todas interacción hombre-máquina (HMI) para entornos interactivos intuitiva y eficiente. Numerosas industrias siguen dependiendo en mayor medida de HMI, tales como: la robótica de rehabilitación, la industria automotriz, fabricación de metales, maquinaria de envasado, productos farmacéuticos, alimentos, bebidas, y servicios públicos. Tecnologías empleadas en estas industrias incluyen: terminales de pantalla, los ordenadores personales, software y HMI. Estas tecnologías pueden ser combinadas para realizar funciones ilimitadas.

Los robots pueden ser utilizados para facilitar la interacción directa con los usuarios, tales como servir como un instructor de música. Por ejemplo, los investigadores de la Universidad de Waseda han creado un robot que toca el saxofón para enseñar a la gente a jugar y de entender la interacción entre el estudiante y el profesor 1. Otros investigadores de robótica han hecho un robot basada en la visión de vuelo para determinar cómo la inteligencia artificial pueden convertirse en las interacciones inteligentes con el medio ambiente 2. La especial concentración de este trabajo reside en la robótica de rehabilitación.

En el ámbito de la investigación y la industria, el rápido ritmo de cambio de nuevos productos y necesidades de los usuarios sigue creciendo. Estas exigencias imponen mayores retos de escalabilidad. Por lo tanto el diseño de códigos ha convertido en parte integral para satisfacer las necesidades de estas entidades de manera oportuna. Por lo tanto, la calidad de un candidato fuerte arquitectónicos que incluyen gráficos fácilmente intercambiables-robot que incluyen los sistemas de ayuda al conductor. La arquitectura H3DAPI responde a estas necesidades y por lo tanto una clase de contenedor ha sido creado. Además, la H3D está diseñado para entornos de realidad virtual, como los que se necesitan en la robótica de rehabilitación.

Neuronales robótica de rehabilitación busca utilizar robots con el propósito de ayudar a los profesionales de la rehabilitación. La asistencia que proporcionan estos robots se presenta en forma de un campo de fuerza. Pasado los investigadores de comandos del motor, tales como Shadmehr y Mussa Ivaldi, utiliza campos de fuerza para favorecer la adaptación del motor, y han encontrado 1) la adaptación a un campo de fuerza aplicada externamente se presenta con diferentes clases de movimientos incluyendo pero no limitado a los movimientos de largo alcance, y 2) la adaptación se generaliza a través de los distintos movimientos que la visita de las mismas regiones de los 3 campos externos. La investigación de los ingenieros biomecánicos en basado en el desempeño progresivo asistida por robot muestra que la terapia repetitivas, tareas específicas, dirigidos a un objetivo, asistida por robot terapia es efectiva en la reducción de las deficiencias motoras en el brazo afectado después de 4 tiempos, pero los efectos terapéuticos y los parámetros exactos siguen siendo un campo de investigación.

Retroalimentación sensorial afecta el aprendizaje y la adaptación. Por lo tanto, la siguiente pregunta lógica sería la de preguntar si o no el incremento artificial de la magnitud de esas reacciones, promoverá más rápida o más completa de aprendizaje / adaptación. Algunos investigadores han encontrado que la aplicación de mayores fuerzas de la retroalimentación sensorial o señales visuales para mejorar los errores pueden proporcionar un estímulo neurológico adecuado para promover mayores niveles de adaptación / aprendizaje 5,6. Esto se conoce como "el aumento de error". Este fenómeno puede deberse al hecho de que los resultados de una vez de una acción de control del motor se apartan del ideal, nuestro modelo interno se ajusta automáticamente de acuerdo a la magnitud del error. En consecuencia, a nuestro modelo interno acerca del ambiente externo, error en la ejecución de una tarea disminuye.

La investigación continúa para apoyar la práctica prolongada de la funcionalmente las actividades relevantes para la restauración de la función, aunque muchas de las políticas de salud actuales limitan la cantidad de tiempo que los pacientes pueden pasar tiempo con los terapeutas. La obligada pregunta es si estas nuevas aplicaciones de la tecnología puede ir más allá de simplemente dar una dosis más alta del estado actual de la atención. Hombre-máquina de los estudios de interacción han puesto de manifiesto nuevas perspectivas en las áreas de aprendizaje motor, y en algunos casos pueden ofrecer un valor añadido al proceso terapéutico. Especializados dispositivos robóticos en combinación con ordenador muestra puede aumentar la respuesta de error con el fin de agilizar, mejorar, o desencadenar reaprendizaje motor. Este documento presenta una metodología de uso de un sistema desarrollado para una intervención clínica como uno de los ejemplos de la aplicación de esta tecnología.

1. El establecimiento de la clase HAPI contenedor de un robot

  1. Crear un contenedor para la biblioteca de HAPI tacto mediante la creación de su cuenta. Cpp y el archivo de cabecera. Por ejemplo vamos a utilizar el nombre y HAPIWAM.cpp HAPIWAM.h.
  2. HAPIWAM.cpp lugar en el directorio de origen: HAPI / src
  3. HAPIWAM.h lugar en el directorio del archivo de cabecera: HAPI / include / HAPI
  4. En la parte superior de HAPIWAM.h, incluya el archivo de encabezado principal (s) de su robot, en el caso de la WAM de Barrett, que sería la siguiente:

<em> extern "C" {
# Include <include/btwam.h>
}
# Include <HAPI/HAPIHapticsDevice.h>

Nota: extern "C" es necesaria para resolver mangling compilador, porque la biblioteca se incluye escritos en 'C' y el H3DAPI está escrito en C + +.

  1. En HAPIWAM.h, crear una clase y se incluyen las siguientes cuatro funciones

bool initHapticsDevice (int);
bool releaseHapticsDevice ();
updateDeviceValues ​​void (DeviceValues ​​y dv, HAPITime dt);
vacío sendOutput (HAPIHapticsDevice:: DeviceOutput + D, HAPITime t);

  1. Asegúrese de que su clase se hereda de la clase pública HAPIhapticsdevice.
  2. Crear un guardia de cabecera para su clase.
  3. Crear DeviceOutput estática y atributos estáticos HapticsDeviceRegistration en la clase HAPIWAM.
  4. Crear funciones miembro estáticas para devoluciones de llamada.
  5. Definir el constructor y el destructor de HAPIWAM.cpp.
  6. Registrar su dispositivo en HAPIWAM.cpp.
  7. Defina sus cuatro funciones heredadas y devoluciones de llamada en HAPIWAM.cpp.

2. HAPI creación de la biblioteca

  1. Ahora que hemos creado la clase de contenedor de HAPI, que necesitamos para construir su envoltura en la biblioteca de HAPI. El WAM depende de algunas bibliotecas que H3DAPI no depende en su forma cruda, por lo tanto, estas bibliotecas tendrán que ser añadido a HAPI. Ir al HAPI / HAPI / build, y editar CMakeLists.txt. Añadir las bibliotecas dependientes después de la línea que dice "SET (OptionalLibs).
  2. Abrir una consola de comandos y vaya a: HAPI / HAPI / build y el tipo de los siguientes 3 comandos en este orden:

cmake.
sudo make
sudo make install

3. Clase contenedora H3D

  1. Para crear la clase de contenedor para la biblioteca con su H3D HAPIWAM, primero debe crear WAMDevice.cpp en el directorio fuente: H3DAPI/src
  2. WAMDevice.h lugar en el directorio del archivo de cabecera: H3DAPI/include/H3D
  3. WAMDevice.h debe contener el archivo de encabezado estándar para todos los dispositivos H3DAPI, con el nombre del sustituido para lo que quieras.
  4. WAMDevice.cpp debe contener la fuente estándar para todos los dispositivos H3DAPI, con el nombre del sustituido para lo que quieras.
  5. Ahora que la clase de contenedor se ha creado, la reconstrucción de la biblioteca H3DAPI. Para ello, la edición CMakeLists.txt de la misma manera que se realizó en el paso 2.1, sólo en el directorio: H3DAPI/build.
  6. La reconstrucción de la biblioteca H3DAPI bajo el directorio H3DAPI/build

cmake.
sudo make
sudo make install

4. Máquina de estados finitos

  1. Todos los programas de alcance dirigidos requiere la creación de una máquina de estados finitos para controlar el protocolo experimental o el régimen de la práctica. Máquinas típicas del estado son: Inicio de la prueba, el lanzamiento, Contacto de destino y final del ensayo. Un ejemplo de la función de cada estado, y los criterios para la transferencia entre estados se indican a continuación.
  2. El inicio del juicio requiere la asignación de un objetivo. Lugares de objetivos se puede establecer al azar para cada ensayo o se puede configurar desde un archivo. El inicio de la prueba termina una vez que el usuario ha puesto en marcha hacia el objetivo por encima del umbral de velocidad, por lo general 0,06 metros por segundo.
  3. El Estado de lanzamiento se produce después del inicio del juicio. Este estado termina bien una vez que el usuario toca la meta o se queda dentro de la meta por un período de tiempo. Una vez que el objetivo se toca, esto permite que el estado del contacto de destino.
  4. Contacto objetivo se produce durante el estado de lanzamiento. Puede terminar tan pronto como el objetivo se toca o cuando el sujeto se encuentra dentro del objetivo de un período específico de tiempo. Una vez transcurrido este tiempo, el fin del estado de prueba está activado.
  5. El fin de la celebración del juicio debe señalar que el software de recopilación de datos para marcar el archivo de datos, en cualquier análisis el desarrollador de software ha utilizado, para delimitar el final de la prueba cada uno. A menos que la última prueba se ha completado, al final de la Final de Primera Instancia del Estado permite el inicio de la celebración del juicio.

5. Aplicación: la rehabilitación del paciente con ictus

  1. La interfaz de robot fue diseñado para la participación de expertos terapeutas, mientras que el uso del robot para permitir algo que de otra manera no se podía hacer. La aplicación de la tecnología que permite (que se describe con más detalle a continuación) de aumento de error, que magnifican los errores percibidos por el paciente, que por varias razones bien conocidas mejora el proceso de reaprendizaje (fig 1).
  2. Un tacto de tres dimensiones / sistema gráfico llamado la Realidad Virtual y Robótica de la máquina de Operaciones Óptica (VRROOM). Este sistema, presentado con anterioridad 6, junto un equipo de sonido proyectado, con la cabeza seguido de representación en una pantalla de espejo semi-plateado superposición con un sistema robótico que la posición registrada muñeca y ha generado un vector de fuerza (fig. 2).
  3. Un di con calidad de cinegital proyector (Christie Mirage 3000 DLP) que se muestran las imágenes que se extendió por una pantalla de cinco metros de ancho 1280x1024 píxeles, lo que resulta en un ángulo de visión amplio de 110 °. Emisores de infrarrojos sincronizados por separado las imágenes del ojo izquierdo y derecho a través de pantallas de cristal líquido (LCD) de gafas de obturación (Stereographics, Inc). Ascensión Bandada de pájaros elementos magnéticos seguimiento de movimiento de la cabeza para que la presentación visual se hizo con la adecuada perspectiva centrada en la cabeza.
  4. Al calificar para el estudio, la capacidad funcional de cada participante fue evaluado por un evaluador ciego al inicio y final de cada paradigma en el tratamiento con una semana de seguimiento después de cada uno y un total de 45 días de evaluación de seguimiento. Cada evaluación consistió en un rango de movimiento (ROM) de evaluación realizado en el VRROOM, así como las medidas clínicas que incluyen: la evaluación de Caja y bloques, Wolf Prueba de funcionamiento del motor (WMFT), la sección del brazo del motor de la Fugl-Meyer (AMFM), y evaluación de alcance funcional simple (TFE).
  5. Un guante exotendon con férula en la muñeca fue utilizada para ayudar en la alineación neutral de la muñeca y mano. El centro de la manija robot se adjunta en el antebrazo se colocó detrás de la articulación radiocarpiana, para que sus fuerzas actuaron en la muñeca, pero permite el movimiento en la mano.
  6. El peso del brazo del paciente fue reducido con un resorte accionado Wilmington robótica exoesqueleto (WREX) la gravedad equilibrado órtesis. Objetivo instruyó a la paciente fue a perseguir a un cursor presentó delante de ellos se movió a través de un dispositivo de rastreo en la mano del terapeuta (teleoperación terapeuta).
  7. Los pacientes practican tres veces por semana durante aproximadamente 40-60 minutos, con el paciente, el terapeuta, y el robot que trabajan juntos en un trío. Sujeto y el terapeuta se sentaron lado a lado, y el tema estaba relacionado con el robot en la muñeca.
  8. Cada sesión se inició con cinco minutos de la gama de ejercicios de movimiento pasivo (PROM) con el terapeuta, seguida por aproximadamente diez minutos para situar al paciente en la máquina. El sujeto completó seis bloques de ejercicios de movimiento de cinco minutos cada uno con períodos de descanso de dos minutos entre cada bloque.
  9. Durante el entrenamiento, los participantes vieron dos cursores en la pantalla del estéreo. El terapeuta manipula el tratamiento de un cursor mientras el participante controla el otro. Los pacientes fueron instruidos para seguir la ruta exacta del cursor del terapeuta mientras se movía a través del espacio de trabajo.
  10. El aumento de error fue proporcionada, tanto visualmente como por las fuerzas generadas por el robot. Cuando los participantes se desvió de cursor terapeuta, un vector de error e instantánea se estableció como la diferencia en la posición del cursor entre el terapeuta y la mano de los participantes. Error se magnifica visualmente por un factor de 1,5 e (m) como parte del aumento de error. Además, una fuerza de error aumentar de 100 e (N / m) se aplicó también, que fue programado para saturar a un máximo de 4 N por razones de seguridad.
  11. Cada bloque de otro tratamiento consistió en movimientos específicos y estandarizados que fueron los mismos para cada sesión. Los otros bloques permite el terapeuta para personalizar la formación en áreas específicas de debilidad sobre la base de conocimientos terapeuta y sus observaciones. El protocolo de tratamiento incluye la práctica de movimientos específicos para todos los participantes, incluyendo al delantero y laterales de llegar, hombro-codo de acoplamiento, y la diagonal de llegar a través del cuerpo.
  12. Si bien la práctica, día a día el error medio fue medida como un resultado de la práctica. Se prestó especial atención a los bloques de movimientos estandarizados que fueron los mismos para cada sesión. Estos fueron comparados con los días anteriores para determinar si cualquier mejora incremental se puede observar en el día a día, que se puede informar al paciente, el terapeuta y los cuidadores (Fig. 3).
  13. Las medidas primarias de resultado se midieron semanalmente, una semana después del final del tratamiento, y 45 días después para determinar la retención de beneficios. Entre los principales resultados fueron la puntuación de Fugl-Meyer motor y la capacidad de nuestra prueba personalizada alcance de la mano que mide la amplitud de movimiento.

6. Los resultados representativos:

Cuando el protocolo se hace correctamente, entonces una vez que el nodo <AnyDevice> se carga en el H3DViewer o H3DLoad, el dispositivo de WAM debe ser reconocido y ha iniciado. Si el WAM fueron reemplazados por otro robot, el código en sí no tendría que ser cambiado.

Figura 1
Figura 1. Sujeto sentado a la háptica / aparato gráfico.

Figura 2
Figura 2. Sujeto sentado a la háptica / aparato gráfico con el fisioterapeuta.

Figura 3
Figura 3. Configuración para la rehabilitación of del paciente con ictus. A) sujeto y el terapeuta trabajan juntos, sentados y con el gran espacio de trabajo táctil / pantalla gráfica para la práctica del movimiento. El terapeuta proporciona una señal para el sujeto, y se puede adaptar acondicionado a las necesidades del paciente. El robot fuerzas que empujan a la extremidad de la meta y el sistema de información visual aumenta el error del cursor. B) típico paciente con ictus crónico mejora día a día. Cada punto representa el error medio medido para un bloque de dos minutos de movimiento funcional estereotipadas. Mientras que el paciente muestra los progresos realizados en el período de 2 semanas y beneficio general, esta persona no siempre mejorar cada día.

Discussion

Este método de aplicación contenedor de clase permite que diferentes tipos de robots que se utilizan, sin cambiar el código fuente, cuando se utiliza el H3DAPI. Específicamente, los investigadores que han escrito sus háptico / entorno gráfico en H3D y probado su experimento con un robot fantasma sería capaz de llevar a cabo el mismo experimento o similar con el WAM de Barrett, y viceversa. Este tipo de dispositivo cruzadas independientes de la comunicación lleva a consecuencias para la rehabilitación de la investigación robótica. Estas implicaciones facilitar háptica rápido / el desarrollo de gráficos, la colaboración internacional, y entre la investigación en comunicación de laboratorio.

Rehabilitación robótica todavía tiene que descubrir los numerosos parámetros involucrados en el aprendizaje motor. Uno de los pasos de tiempo durante el háptico / desarrollo de gráficos incluye el tiempo de compilación. Con los parámetros de la rehabilitación numerosos, se combinaron con el tiempo de compilación para cada programa, el ciclo de vida de desarrollo para probar todas las permutaciones posibles del grupo se eleva rápidamente. H3D, con su ausencia de los requisitos de elaboración, permite el desarrollo rápido de numerosas escenas de realidad virtual. Esto viene como una ventaja para los investigadores que aspiran a explorar los efectos de los escenarios de formación.

Las limitaciones de este "hard-coded" enfoque de integración envoltorio clase incluyen el hecho de que este procedimiento debe ser repetido cada vez que hay una nueva distribución de la H3DAPI. Posibles modificaciones a la integración de la clase de contenedor en su última distribución de la H3DAPI sería la creación de la clase de contenedor por separado de la H3DAPI. A continuación pondría a su clase de contenedor en un archivo de biblioteca *. so. Esto aislaría a la clase de la distribución original H3DAPI.

Disclosures

Las clases contenedoras en este tutorial están bajo derechos de autor por Ian Sharp.

Acknowledgements

Me gustaría agradecer la ayuda técnica de Brian Zenowich, Evestedt Daniel y Lin Winsean.

Materials

  1. The Display called paris (personal augmented reality immersion system), can be found at www.evl.uic.edu
  2. The large gray robot is the Barrett WAM: www.barrett.com
  3. The smaller, skinnier black robot is the Phantom: www.sensable.com
  4. The arm mount is the T-WREX, developed at the RIC: http://www.ric.org/research/centers/mars2/Projects/development/d3.aspx
  5. The shutter glasses for 3d vision: www.vrlogic.com
  6. Head tracking software. www.mechdyne.com
  7. The H3DAPI itself: www.h3dapi.org

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Wei, K., Kording, K. Relevance of error: what drives motor adaptation. Journal of neurophysiology. 101, 655-65 (2009).
  6. 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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics