原创 | 文 BFT机器人 

中风是在医疗界上最难的解决的病例之一，全球每年有超过1500万人中风，四分之三的中风患者的手臂和手部会出现损伤、虚弱和瘫痪。

许多中风患者日常生活是依靠他们强壮的手臂来完成的，从拿一些小东西到梳头，即使较弱的手臂，有了这样日常性的“锻炼”也会变得强壮一点。而如果要戒掉这样的“锻炼”，那么可以称为“手臂不使用”或“习得性不使用”，这样可以提高力量并防止受伤。

但是，确定患者在医院外使用其较弱手臂的程度是具有挑战性。在观察者的典型案例中，测量必须是隐蔽的，以便患者自发地表现。

现在，南加州大学的研究人员开发了一种新型机器人系统，用于收集有关中风恢复者如何自发使用手臂的精确数据。11月15日发表在《科学机器人》杂志上的一篇论文概述了这种首创方法。

该方法使用机械臂跟踪3D空间信息，并使用机器学习技术处理数据，生成“手臂未使用”指标，可以帮助临床医生准确评估患者的康复进度。医疗辅助机器人(SAR)在整个挑战过程中提供指导和鼓励。

“最终，我们正在尝试评估某人在物理治疗中的表现在多大程度上转移到了现实生活中，”该论文的主要作者、计算机科学博士生内森·丹勒 (Nathan Dennler) 说。

这项研究由南加州大学托马斯·洛德计算机科学系和生物运动学和物理治疗系的研究人员共同努力而来的。研究合著者、Chan Soon-Shiong主席和主席Maja Matari表示：“这项工作汇集了使用机器人手臂收集的定量用户表现数据，同时还激励用户通过社交辅助机器人提供具有代表性的表现。”这种新颖的组合可以作为中风患者评估的更准确、更激励的过程。

镜像日常使用

在这项研究中，研究小组招募了14名中风前惯用右手的参与者。参与者将手放在设备的原始位置——一个带有触摸传感器的3D打印盒子。

医疗辅助机器人 (SAR) 描述了系统的机制并提供了积极的反馈，而机器人手臂则将按钮移动到参与者面前的不同目标位置（总共100个位置）。当按钮亮起时，表示试验开始，SAR提示参与者移动。

在第一阶段，参与者被指示用任何一只自然的手去触碰按钮，这反映了日常使用情况。在第二阶段，他们被指示仅使用中风影响的手臂，以反映物理治疗或其他临床环境中的表现。

使用机器学习，团队分析了三个测量值，以确定手臂不使用的指标：手臂使用概率、到达时间和成功到达。各阶段之间表现的显着差异表明不使用受影响的手臂。

参与者按下按钮的时间有限，因此即使他们知道自己正在接受测试，他们仍然必须迅速做出反应。通过这种方式，我们可以测量对灯亮起的本能反应——你会在现场使用哪只手？

安全且易于使用

在慢性中风患者中，研究人员观察到手部选择和达到工作空间目标的时间存在很大差异。该方法在重复的会话中是可靠的，参与者认为它易于使用，用户体验得分高于平均水平。所有参与者都认为互动安全且易于使用。

最重要的是，研究人员发现参与者之间手臂使用的差异，医疗保健专业人员可以利用这些差异来更准确地跟踪患者的中风恢复情况。

例如，一名右侧受中风影响较大的参与者表现出较少使用右臂，特别是在右侧较高的区域，但在同一侧较低的区域使用右臂的可能性很高，

另一名参与者表现出更对称的使用，但也用受影响较小的一侧稍微更频繁地补偿了接近中线的较高点。

参与者认为，除了纳入面部表情和不同类型的任务等其他行为数据之外，该系统还可以通过个性化进行改进，团队希望在未来的研究中探索这一点。

作为一名物理治疗师，凯恩表示，该技术解决了传统评估方法遇到的许多问题，“要求患者不知道自己正在接受测试，并且基于测试人员的观察，这可能会留下更多的错误空间。”

这种技术可以为康复治疗师提供有关中风幸存者手臂使用情况的丰富、客观的信息。然后治疗师可以将这些信息整合到他们的临床决策过程中，并更好地调整他们的干预措施，以解决患者的弱点并增强优势领域。

注：若您对该文章内容有任何疑问，请与我们联系，将及时回应。