Sistema de rehabilitación inteligente y progresivo para terapias de rehabilitación articular de la mano por medio de un exoesqueleto robótico.

Project: Research

Project Details

Description

El Ataque Cerebro Vascular (ACV) es la segunda causa de muerte e incapacidad en países desarrollados, abarcando un 12% del total de las muertes registradas [1]. En Colombia, es la tercera causa de muerte y una de las principales causas de incapacidad funcional [1]. El trastorno motor es una de las alteraciones más comunes entre los pacientes que sobreviven a uno de estos ataques, lo cual afecta directamente el movimiento de las extremidades inferiores (piernas, pies, rodillas) y/o superiores (brazo, codo, muñeca y dedos). Las terapias convencionales para la rehabilitación del sistema motor se basan en el aprendizaje repetitivo de los movimientos, los cuales son asistidos por un fisioterapeuta. En general, alrededor de un 70% de las funciones se puede recuperar en los 6 meses siguientes al ataque, siendo la recuperación de la extremidad superior la de menor grado de recuperación (50%) [2]. Recientemente, se ha propuesto como complemento a estas labores de entrenamiento, la asistencia con mecanismos robóticos, permitiendo realizar terapias de trabajo intensivo, altamente repetitivo y con la confiabilidad en la ejecución de los movimientos. Generalmente, los mecanismos robóticos que se utilizan como apoyo en labores de rehabilitación para movilidad articular ofrecen asistencias pasivas o activas, por medio del uso de órtesis, prótesis, guantes actuados o exoesqueletos [3]. En las terapias pasivas, el mecanismo se encarga de realizar todo el movimiento y el paciente se deja guiar sin aplicar alguna oposición. Por el contrario, las terapias activas tienen en cuenta la intención del movimiento que genera el paciente con el fin de realizar una asistencia dinámica. Para este tipo de terapias activas, los exoesqueletos son los mecanismos robóticos más utilizados. Generalmente la intención de movimiento es caracterizada por medio del análisis de las señales eléctricas de los músculos involucrados, registradas con electromiografía (EMG) [4]. Las señales EMG, además de ser usadas para la detección de movimiento, también permiten evaluar de manera cuantitativa la condición motora del paciente en cada terapia con el propósito de que la asistencia sea progresiva. De esta manera, se pueden analizar los desórdenes motores generados por los ACV y su evolución. Recientes estudios sugieren que los pacientes después del ACV deben realizar diferentes tipos de intervenciones terapéuticas de acuerdo con el progreso de su estado motor [5,6]. Con el fin de aplicar estrategias de tratamiento adecuadas para las personas después del ACV, es importante entender las deficiencias producidas por el ACV y el progreso logrado a través de la terapia de la rehabilitación [7-10]. Por lo tanto, en este trabajo se formula la siguiente pregunta: ¿Es posible controlar trayectorias de movimiento de ejercicios de rehabilitación de la mano que se adapten progresivamente a la condición motora del sujeto a partir del análisis de señales de EMG? Para lograr el objetivo que el sistema de rehabilitación sea progresivo, es decir, evolucione junto con el paciente a lo largo de las terapias, este proyecto propone el uso de técnicas de inteligencia artificial basadas en métodos de Machine Learning,los cuales permitan determinar el progreso del paciente por medio de la clasificación automática de las señales EMG. El gran reto de incorporar esta funcionalidad radica en poder establecer una relación directa y cuantificable entre las señales EMG del paciente y los patrones de movilidad de los dedos de la mano. Adicionalmente, poder adaptar en tiempo real los patrones de movimiento ejercidos por el exoesqueleto durante las rutinas terapéuticas, con el fin de compensar posibles efectos de esfuerzo, fatiga o deficiencia en la movilidad. Además de usar las señales EMG del individuo para la compensación de esfuerzo, el sistema de rehabilitación inteligente y progresivo también tendrá en cuenta las señales EMG y patrones de movilidad deseados, es decir, correspondientes a individuos sanos. Por consiguiente, este proyecto formula la siguiente hipótesis: mediante el análisis y la correlación de las señales EMG del paciente y las características en los patrones de movilidad deseados para la mano provenientes de individuos sanos, proponemos un novedoso esquema de rehabilitación capaz de generar trayectorias articulares (terapias) a la medida, con el potencial de garantizar una mejor evolución del paciente en futuros procesos de rehabilitación. Antecedentes Esta iniciativa actualmente cuenta con un equipo interdisciplinar compuesto por tres profesores investigadores con experticias en áreas de Neurociencias, Robótica y Sistemas de Control. Asimismo, se cuenta con una estudiante de tercer año en el Programa de Doctorado de la Universidad Javeriana Bogotá y una estudiante de Maestría en Ingeniería Electrónica. La estudiante de Doctorado ha venido trabajando en el desarrollo de la plataforma robótica para la asistencia activa del movimiento del sistema motor de la mano y en la propuesta de nuevos métodos de asistencia activa por medio del análisis de señales EMG. La estudiante de Maestría, se ha enfocado en el reconocimiento de diferentes gestos a partir de señales EMG, y posteriormente en la definición de trayectorias articulares de la mano de individuos sanos. Adicionalmente, la estudiante de doctorado culminó en 2018 una estancia de investigación en el Centro de Investigación IHP - Innovations for High Performance Microelectronics, en Alemania[1]. Durante esta estancia de 8 meses, se tuvo contacto con pacientes reales que perdieron movilidad articular debido a ataques cerebrovasculares (ACV). En concreto, se han validado los movimientos terapéuticos aquí propuestos, y se han capturado señales EMG provenientes de estos pacientes. Esta información será utilizada como insumo al presente proyecto, y será de gran ayuda como parte de la validación de los métodos aquí propuestos. Resultados de nuestros trabajos previos se detallan en [15], [16], [17], [18]. Es preciso resaltar que ya se cuenta con un prototipo preliminar de un exoesqueleto robotizado basado en la morfología del mecanismo presentado en [14]. Adicionalmente, ya se cuenta con el desarrollo de un sistema hardware para el sensado de las señales EMG usando electrodos comerciales (MyoWare Muscle Sensor). En un trabajo previo, se caracterizó la respuesta en frecuencia de estos sensores para determinar su ancho de banda y ganancia, y se aplicaron filtros digitales no lineales a las señales EMG (notch-filter). Asimismo, se implementaron clasificadores basados en máquinas de soporte vectorial (SVM), redes neuronales (ANN) y vecinos cercanos (kNN), para identificar los diferentes gestos/movimientos de la mano durante ejercicios de rehabilitación. La Figura 1 muestra los avances obtenidos en esta temática. [1]https://www.ihp-microelectronics.com/en/start.html table.MsoNormalTable {mso-style-name:"Tabla normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:8.0pt; mso-para-margin-left:0cm; line-height:107%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:Calibri; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-ansi-language:ES-CO; mso-fareast-language:EN-US;} Figura 1. Antecedentes del trabajo realizado por los autores en la temática es cuestión: [15], [16], [17], [18]. [1] https://www.ihp-microelectronics.com/en/start.html
StatusFinished
Effective start/end date15/01/2115/07/22

Project Status

  • Not defined

Project funding

  • Internal
  • Pontificia Universidad Javeriana