使用EMG信号开发和测试ExoMechHand手的原型,用于手部康复

科学领域:

• 生物医学工程 生物医学工程
• 康复技术 康复技术 康复技术
• 神经科学是一个神经科学.

背景情况:

• 康复对于残疾患者至关重要,但传统疗法可能昂贵且难以获得.
• 机器人技术的进步和经济高效的设备正在使康复工具的无监督使用成为可能.
• 中部和部神经病变显著损害手的功能,需要有效的治疗干预措施.

研究的目的:

• 评估ExoMechHand设备在中枢或关神经病变患者的手部康复中的有效性.
• 开发和验证一种机器学习模型,用于自动确定康复的最佳抵抗水平.
• 评估表面电肌图 (sEMG) 信号对手部状况进行分期的潜力.

主要方法:

• 十名患有中枢/部神经病变的受试者使用了ExoMechHand和各种电阻板20天.
• 手的功能通过握力,手腕运动范围和甲手腕关节运动范围来评估.
• 从15名受试者身上记录了曲手腕和曲手腕半径肌肉的表面电肌图 (sEMG) 信号.
• 机器学习算法,包括额外的树木,随机森林和梯度增强,被训练来根据sEMG特征对最佳电阻板进行分类.

主要成果:

• 10名受试者中,有3人表现出手握,手腕运动范围或甲手腕关节运动范围的改善.
• 额外树木分类器在预测适当的电阻板时达到98%的准确性,优于随机森林 (95%) 和梯度增强 (93%).
• 来自特定前臂肌肉的sEMG信号与神经病变患者的手部状况阶段有效相关.

结论:

• ExoMechHand是一款具有成本效益和强大的康复工具,用于改善中枢和关神经病变患者的手部功能.
• 机器学习模型,特别是额外的树木,可以通过选择基于sEMG数据的最佳电阻设置来准确指导康复.
• sEMG分析提供了一种可行的方法,用于在神经康复中客观地分阶段确定手部状况.