Loading…
Thumbnail Image

Hybrid systems for upper limb rehabilitation after spinal cord injury

Passon, Arne

Spinal Cord Injured (SCI) individuals and stroke patients, suffering from movement disorders of the upper limb, are often severely impaired in their quality of life and independence in Activities of Daily Living (ADLs). Functional Electrical Stimulation (FES) and robotic rehabilitation are popular and well-known means for enhancing modern therapy settings. Both systems, FES and robots, each have their specific advantages and drawbacks as, e.g., endless endurance of robotic systems versus occurring muscle fatigue during FES-assisted therapy. On the other hand, in contrast to robots, FES actively involves the patient’s muscles in the generation of movement. The combination of both techniques, also called hybrid neuroprosthesis, reveals a lot of new possibilities. This thesis presents new methods toward an adaptive hybrid neuroprosthesis for the upper limbs that utilizes the benefits of both, robot and FES, and overcomes the disadvantages by the respective other one. The cable-driven end-effector-based robot Diego by the company Tyromotion is extended by a four channel stimulation to form a novel hybrid neuroprosthesis for the upper limbs. The hybrid neuroprosthesis features a magnetometer-free sensor fusion method that overcomes the limited measurement information of end-effector-based robots by augmenting them with wearable inertial sensors. The evaluation with five healthy subjects demonstrates that the shoulder position and the elbow angle are accurately tracked. Furthermore, the sensor fusion method successfully detects undesirable compensatory shoulder movements. Thus, the hybrid motion tracking is well suited for performance assessment, real-time biofeedback, and feedback control of robotic and neuroprosthetic motion support. The practice of functional movements such as ADLs is assumed to improve the transfer of learned skills to daily life. Two different strategies for such training sessions are presented: a virtual environment that includes motivational aspects in the context of gamification, and a patient-triggered method, in which the patient is fully in charge of the control of applied FES and can freely determine the conducted movement sequence. The concepts motivate the patients to participate actively in the training sessions. The proposed methods’ technical and clinical feasibility is exemplarily demonstrated in experiments with three SCI subjects. Two different counterbalance-based control strategies are presented for the assistive weight support within the hybrid neuroprosthesis. They automatically adapt to the performed motion and current arm posture. First, inverse human arm models are implemented to counterbalance proportions of the arm weight using the robot’s rope forces. Additionally, a combined weight relief method that shares and automatically adapts the support between the robot and FES is proposed. The technical and clinical feasibility of the approaches and their advantages against constant robotic weight support are demonstrated in experiments and simulations. The hybrid neuroprosthesis furthermore provides a module for the FES-support of repetitive arm horizontal movements. An Iterative Learning Vector Field (ILVF) adjusts the stimulation intensities to the individual patient’s needs. Compared to previous iterative learning controllers, the main feature is that the patient is facilitated to perform the motion at self-selected cadence. The proposed learning algorithm explicitly takes the artificially activated muscles’ dynamics into account and assures smooth stimulation intensity profiles. The approach’s feasibility is successfully demonstrated in simulations with a complex neuro-musculoskeletal model. In total, the presented hybrid system and methods within this thesis address several open research issues in hybrid neuroprostheses contributing to a better adaptability to the patient’s needs and an intelligent sharing of the support between FES and the robot. These developments can improve the application of hybrid neuroprosthesis in the future and thus enhance the therapy outcome.
Rückenmarkverletzte und Schlaganfallpatienten, die unter Bewegungseinschränkungen der oberen Extremität leiden, sind oft stark in ihrer Lebensqualität und bei Aktivitäten des täglichen Lebens (ATLs) beeinträchtigt. Funktionelle Elektrostimulation (FES) und robotische Rehabilitation sind dabei gängige Anwendungen in modernen Therapiesettings. Beide Systeme haben jeweils ihre spezifischen Vor- und Nachteile, wie z.B. die unendliche Ausdauer von Robotern im Gegensatz zu auftretender Muskelermüdung während FES. Andererseits bezieht FES im Gegensatz zu Robotern aktiv die Muskeln der/des Patientin/en in die Bewegungserzeugung ein. Die Kombination beider Techniken, auch hybride Neuroprothese genannt, ermöglicht z.B. die Vorteile von Roboter und FES zu nutzen und dabei die Nachteile des jeweils anderen auszugleichen. In dieser Arbeit wird dafür der kabelgetriebene Endeffektor-basierte Roboter Diego der Firma Tyromotion durch vierkanalige Stimulation erweitert, um eine neuartige hybride Neuroprothese für die obere Extremität zu schaffen. Die hybride Neuroprothese verfügt über eine magnetometerfreie Sensorfusionsmethode, welche die limitierten Messinformationen des Endeffektor-basierten Roboters durch Erweiterung mit tragbaren Inertialsensoren ausgleicht. Die Evaluierung mit fünf gesunden Probanden zeigt, dass die Schulterposition und der Ellenbogenwinkel präzise erfasst werden. Darüber hinaus erkennt die Sensorfusionsmethode erfolgreich unerwünschte Kompensationsbewegungen der Schulter. Somit ist die hybride Bewegungserfassung u.a. gut als Echtzeit-Biofeedback und zur Regelung von robotischer und neuroprothetischer Bewegungsunterstützung geeignet. Das Training funktionaler Bewegungen erleichtert den Transfer erlernter Fähigkeiten in das tägliche Leben. Dafür werden zwei verschiedenen Strategien präsentiert, welche die Patienten zur aktiven Teilnahme motivieren: eine virtuelle Umgebung, welche durch Gamification motiviert, und eine patientengetriggerte Methode, in welcher der/die Patient/in die FES selbst steuert und die durchgeführte Bewegung frei bestimmen kann. Die Anwendbarkeit der Methoden wird exemplarisch in Experimenten mit drei Querschnittgelähmten demonstriert. In der Arbeit werden zwei verschiedene Regelungsstrategien für assistierende Gewichtsentlastung vorgestellt, welche sich automatisch an die durchgeführte Bewegung und aktuelle Armposition anpassen. Mit Hilfe inverser Modelle des menschlichen Arms werden Anteile des Armgewichts durch den Roboter ausgeglichen. Zusätzlich wird eine kombinierte Gewichtsentlastung, welche die Unterstützung zwischen Roboter und FES aufteilt und automatisch anpasst, präsentiert. Die Anwendbarkeit und Vorteile gegenüber konstanter robotischer Gewichtsunterstützung werden in Experimenten und Simulationen demonstriert. Die hybride Neuroprothese bietet außerdem ein Modul für die FES-Unterstützung von sich wiederholenden horizontalen Armbewegungen. Ein iterativ lernendes Vektorfeld passt die Stimulationsintensitäten an die individuellen Patientenbedürfnisse an. Das wesentliche Merkmal im Vergleich zu vorherigen iterativ lernenden Reglern ist, dass der/die Patient/in die Bewegung in selbst gewählter Geschwindigkeit durchführen kann. Der vorgeschlagene Lernalgorithmus berücksichtigt explizit die Dynamiken der künstlich aktivierten Muskeln und sorgt für glatte Stimulationsprofile. Die Machbarkeit des Ansatzes wird erfolgreich in Simulationen mit einem komplexen neuromuskulären Modell demonstriert. Insgesamt gesehen adressieren das präsentierte hybride System und die vorgestellten Methoden mehrere offene Forschungsfragen hybrider Neuroprothesen, welche damit zu einer besseren Anpassbarkeit an die Patientenbedürfnisse und einer intelligenten Aufteilung der Unterstützung auf Roboter und FES beitragen. Diese Entwicklungen können die Anwendung von hybriden Neuroprothesen in der Zukunft verbessern und damit das Therapieergebnis steigern.