原創 | 文 BFT機器人?

中風是在醫療界上最難的解決的病例之一，全球每年有超過1500萬人中風，四分之三的中風患者的手臂和手部會出現損傷、虛弱和癱瘓。

許多中風患者日常生活是依靠他們強壯的手臂來完成的，從拿一些小東西到梳頭，即使較弱的手臂，有了這樣日常性的“鍛煉”也會變得強壯一點。而如果要戒掉這樣的“鍛煉”，那么可以稱為“手臂不使用”或“習得性不使用”，這樣可以提高力量并防止受傷。

但是，確定患者在醫院外使用其較弱手臂的程度是具有挑戰性。在觀察者的典型案例中，測量必須是隱蔽的，以便患者自發地表現。

現在，南加州大學的研究人員開發了一種新型機器人系統，用于收集有關中風恢復者如何自發使用手臂的精確數據。11月15日發表在《科學機器人》雜志上的一篇論文概述了這種首創方法。

該方法使用機械臂跟蹤3D空間信息，并使用機器學習技術處理數據，生成“手臂未使用”指標，可以幫助臨床醫生準確評估患者的康復進度。醫療輔助機器人(SAR)在整個挑戰過程中提供指導和鼓勵。

“最終，我們正在嘗試評估某人在物理治療中的表現在多大程度上轉移到了現實生活中，”該論文的主要作者、計算機科學博士生內森·丹勒 (Nathan Dennler) 說。

這項研究由南加州大學托馬斯·洛德計算機科學系和生物運動學和物理治療系的研究人員共同努力而來的。研究合著者、Chan Soon-Shiong主席和主席Maja Matari表示：“這項工作匯集了使用機器人手臂收集的定量用戶表現數據，同時還激勵用戶通過社交輔助機器人提供具有代表性的表現。”這種新穎的組合可以作為中風患者評估的更準確、更激勵的過程。

鏡像日常使用

在這項研究中，研究小組招募了14名中風前慣用右手的參與者。參與者將手放在設備的原始位置——一個帶有觸摸傳感器的3D打印盒子。

醫療輔助機器人 (SAR) 描述了系統的機制并提供了積極的反饋，而機器人手臂則將按鈕移動到參與者面前的不同目標位置（總共100個位置）。當按鈕亮起時，表示試驗開始，SAR提示參與者移動。

在第一階段，參與者被指示用任何一只自然的手去觸碰按鈕，這反映了日常使用情況。在第二階段，他們被指示僅使用中風影響的手臂，以反映物理治療或其他臨床環境中的表現。

使用機器學習，團隊分析了三個測量值，以確定手臂不使用的指標：手臂使用概率、到達時間和成功到達。各階段之間表現的顯著差異表明不使用受影響的手臂。

參與者按下按鈕的時間有限，因此即使他們知道自己正在接受測試，他們仍然必須迅速做出反應。通過這種方式，我們可以測量對燈亮起的本能反應——你會在現場使用哪只手？

安全且易于使用

在慢性中風患者中，研究人員觀察到手部選擇和達到工作空間目標的時間存在很大差異。該方法在重復的會話中是可靠的，參與者認為它易于使用，用戶體驗得分高于平均水平。所有參與者都認為互動安全且易于使用。

最重要的是，研究人員發現參與者之間手臂使用的差異，醫療保健專業人員可以利用這些差異來更準確地跟蹤患者的中風恢復情況。

例如，一名右側受中風影響較大的參與者表現出較少使用右臂，特別是在右側較高的區域，但在同一側較低的區域使用右臂的可能性很高，

另一名參與者表現出更對稱的使用，但也用受影響較小的一側稍微更頻繁地補償了接近中線的較高點。

參與者認為，除了納入面部表情和不同類型的任務等其他行為數據之外，該系統還可以通過個性化進行改進，團隊希望在未來的研究中探索這一點。

作為一名物理治療師，凱恩表示，該技術解決了傳統評估方法遇到的許多問題，“要求患者不知道自己正在接受測試，并且基于測試人員的觀察，這可能會留下更多的錯誤空間。”

這種技術可以為康復治療師提供有關中風幸存者手臂使用情況的豐富、客觀的信息。然后治療師可以將這些信息整合到他們的臨床決策過程中，并更好地調整他們的干預措施，以解決患者的弱點并增強優勢領域。

注：若您對該文章內容有任何疑問，請與我們聯系，將及時回應。