Περίληψη
Η τρέχουσα κλινική πρακτική όσον αφορά τη συνταγογράφηση και την εκπαίδευση για την πρόθεση του άνω μέρους του σώματος είναι ελλιπής μια τυποποιημένη, ποσοτική μέθοδος για την αξιολόγηση της επίδρασης της προσθετικής συσκευής. Ο ακρωτηριασμένος ομάδα φροντίδας χρησιμοποιεί συνήθως προηγούμενες εμπειρίες για να παρέχει συνταγογράφηση και εκπαίδευση προσαρμοσμένη για κάθε άτομο. Ως αποτέλεσμα, είναι αρκετά δύσκολο να προσδιοριστεί ο σωστός τύπος και η εφαρμογή μιας πρόθεσης και η παροχή της κατάλληλης εκπαίδευσης για τη σωστή χρήση του σε πρώιμο στάδιο της διαδικασίας. Είναι επίσης πολύ δύσκολο να προβλεφθούν οι αναμενόμενες και ανεπιθύμητες αντισταθμιστικές κινήσεις λόγω των μειωμένων βαθμών ελευθερίας του ενός χρήστη πρόθεσης. Σε μια προσπάθεια να αντιμετωπιστεί αυτό, αναπτύχθηκε ένα εργαλείο για την πρόβλεψη και την οπτικοποίηση των αναμενόμενες κινήσεις των άνω άκρων από μια συνταγογραφούμενη πρόθεση και την καταλληλότητά της για τις ανάγκες του ακρωτηριασμένου. Αναμένεται να βοηθήσε ...
Η τρέχουσα κλινική πρακτική όσον αφορά τη συνταγογράφηση και την εκπαίδευση για την πρόθεση του άνω μέρους του σώματος είναι ελλιπής μια τυποποιημένη, ποσοτική μέθοδος για την αξιολόγηση της επίδρασης της προσθετικής συσκευής. Ο ακρωτηριασμένος ομάδα φροντίδας χρησιμοποιεί συνήθως προηγούμενες εμπειρίες για να παρέχει συνταγογράφηση και εκπαίδευση προσαρμοσμένη για κάθε άτομο. Ως αποτέλεσμα, είναι αρκετά δύσκολο να προσδιοριστεί ο σωστός τύπος και η εφαρμογή μιας πρόθεσης και η παροχή της κατάλληλης εκπαίδευσης για τη σωστή χρήση του σε πρώιμο στάδιο της διαδικασίας. Είναι επίσης πολύ δύσκολο να προβλεφθούν οι αναμενόμενες και ανεπιθύμητες αντισταθμιστικές κινήσεις λόγω των μειωμένων βαθμών ελευθερίας του ενός χρήστη πρόθεσης. Σε μια προσπάθεια να αντιμετωπιστεί αυτό, αναπτύχθηκε ένα εργαλείο για την πρόβλεψη και την οπτικοποίηση των αναμενόμενες κινήσεις των άνω άκρων από μια συνταγογραφούμενη πρόθεση και την καταλληλότητά της για τις ανάγκες του ακρωτηριασμένου. Αναμένεται να βοηθήσει τους κλινικούς γιατρούς να λαμβάνουν αποφάσεις, όπως η επιλογή μεταξύ ενός σωματικού ή μιας μυοηλεκτρικής πρόθεσης και αν θα συμπεριλάβουν άρθρωση καρπού. Για τη δημιουργία των κινήσεων, δημιουργήθηκε ένα ρομποτικό μοντέλο των άνω άκρων και του κορμού. και χρησιμοποιήθηκε ένας αλγόριθμος αντίστροφης κινηματικής σταθμισμένης ελάχιστης κανονικότητας (WLN). Ο WLN αποδίδει ένα ποινή (δηλ. το βάρος) σε κάθε άρθρωση για τη δημιουργία μιας προτεραιότητας μεταξύ περιττών αρθρώσεων. Ως αποτέλεσμα, ορισμένες αρθρώσεις θα συνεισφέρουν περισσότερο στη συνολική κίνηση. Δύο βασικά κριτήρια θεωρήθηκαν ως εξής υπαγορεύουν την ανθρώπινη κίνηση. Το πρώτο ήταν ένα κριτήριο ιεράρχησης των αρθρώσεων που χρησιμοποιεί μια στατική στάθμιση matrix. Δεδομένου ότι διαφορετικές αρθρώσεις μπορούν να χρησιμοποιηθούν για την κίνηση του χεριού προς την ίδια κατεύθυνση, η προτεραιότητα των αρθρώσεων θα επιλέγει μεταξύ ισοδύναμων αρθρώσεων. Το δεύτερο κριτήριο ήταν η επιλογή ενός εύρους κίνησης (ROM) για κάθε άρθρωση ειδικά για μια εργασία. Η υπόθεση ήταν ότι εάν το ROM των αρθρώσεων είναι περιορισμένο, τότε όλες οι αφύσικες στάσεις που εξακολουθούν να ικανοποιούν την εργασία θα αποκλειστούν από τις διαθέσιμες λύσεις. Διερευνήθηκαν τρία σύνολα στατικών βαρών ιεράρχησης των αρθρώσεων: ένα σύνολο βελτιστοποιημένων βαρών ειδικά για κάθε εργασία, ένα γενικό σύνολο στατικών βαρών βελτιστοποιημένο για όλες τις εργασίες και ένα σύνολο βαρών με βάση την απόλυτη μέση ταχύτητα των αρθρώσεων. Επιπλέον, τα όρια των αρθρώσεων της εργασίας εφαρμόστηκαν τόσο ανεξάρτητα όσο και σε συνδυασμό με τα στατικά βάρη για την αξιολόγηση των προσομοιωμένων κινήσεων που μπορούν να παράγουν. Χρησιμοποιώντας ένα γενικευμένο σύστημα σταθμισμένου αντίστροφου ελέγχου για την επίλυση του πλεονασμού, ένα δημιουργήθηκε μια ανθρώπινη στάση για κάθε συγκεκριμένο άτομο. Τα δεδομένα καταγραφής κίνησης (MoCap) χρησιμοποιήθηκαν για τη δημιουργία των πινάκων στάθμισης που απαιτούνται για την επίλυση του κινηματικού πλεονασμού των άνω άκρων. Δεκατέσσερα υγιή άτομα και οκτώ χρήστες προθέσεων με διακρατικό ακρωτηριασμό στην αριστερή πλευρά συμμετείχαν σε συνεδρίες MoCap. Εκτέλεσαν εργασίες ROM και δραστηριότητες καθημερινής διαβίωσης (ADL). Οι μέθοδοι που προτείνονται εδώ ενσωματώνουν τα ανθρωπομετρικά στοιχεία του ασθενούς, όπως το ύψος, τα μήκη των άκρων και ο βαθμός ακρωτηριασμού, για τη δημιουργία ενός κινηματικού μοντέλου του άνω μέρους του σώματος. Το μοντέλο διαθέτει 23 βαθμούς ελευθερίας (DoF) για να αντικατοπτρίζει ένα ανθρώπινο άνω σώμα και μπορεί να προσαρμοστεί ώστε να αντικατοπτρίζει τα επίπεδα ακρωτηριασμού. Οι συντελεστές στάθμισης που προέκυψαν από αυτή τη διαδικασία έδειξαν πώς οι αρθρώσεις ιεραρχούνται κατά τη διάρκεια σε κάθε εργασία. Το φυσικό νόημα των συντελεστών στάθμισης είναι να καταδείξουν ποιες αρθρώσεις συμβάλλουν περισσότερο στην εργασία. Δεδομένου ότι η κίνηση κατανέμεται διαφορετικά μεταξύ των αρτιμελών ατόμων και των χρήστες πρόθεσης, οι συντελεστές στάθμισης θα μετατοπιστούν ανάλογα. Αυτή η μετατόπιση αναδεικνύει την αντισταθμιστική κίνηση που υπάρχει στους χρήστες προσθετικών μελών. Τα αποτελέσματα δείχνουν ότι η χρήση ενός συνόλου βελτιστοποιημένων κοινών βαρών ιεράρχησης για κάθε συγκεκριμένο εργασία έδωσε το μικρότερο σφάλμα RMS σε σύγκριση με τα κοινά βελτιστοποιημένα βάρη. Η βασισμένη στην ταχύτητα βάρη είχαν ελαφρώς υψηλότερο σφάλμα RMS από τα βελτιστοποιημένα βάρη για εργασίες, αλλά δεν ήταν στατιστικά. Το μεγαλύτερο πλεονέκτημα αυτού του συνόλου βαρών είναι η απλότητα της εφαρμογής τους σε σύγκριση μετα βελτιστοποιημένα βάρη. Ένα άλλο πλεονέκτημα των βαρών με βάση την ταχύτητα είναι ότι μπορούν ρητά να δείχνουν πόσο κινητική είναι κάθε άρθρωση κατά τη διάρκεια μιας εργασίας και μπορούν να χρησιμοποιηθούν παράλληλα με τη ROM για τον εντοπισμό αντισταθμιστική κίνηση. Η συμπερίληψη των ορίων των αρθρώσεων της εργασίας έδωσε χαμηλότερο σφάλμα RMS όταν η άρθρωση κινήσεις ήταν παρόμοιες σε όλα τα υποκείμενα και επομένως η ROM κάθε άρθρωσης για την εργασία θα μπορούσε νανα καθοριστεί με μεγαλύτερη ακρίβεια. Όταν οι κινήσεις των αρθρώσεων ήταν πολύ διαφορετικές μεταξύ των συμμετεχόντων, η συμπερίληψη των ορίων της εργασίας ήταν επιζήμια για την προσομοίωση. Ως εκ τούτου, το στατικό σύνολο των εργασιών συγκεκριμένων βελτιστοποιημένων βαρών διαπιστώθηκε ότι ήταν η πιο ακριβής και στιβαρή μέθοδος. Ωστόσο, ημέθοδος βαρών με βάση την ταχύτητα ήταν απλούστερη με παρόμοια ακρίβεια. Οι μέθοδοι που παρουσιάζονται εδώ ενσωματώθηκαν σε μια προηγουμένως αναπτυχθείσα γραφική διεπαφή χρήστη(GUI) για να επιτρέπει στον κλινικό ιατρό να εισάγει τα δεδομένα των μελλοντικών χρηστών της πρόθεσης. Η προσομοίωση κινήσεις μπορούν να παρουσιαστούν ως κινούμενη εικόνα που εκτελεί τη ζητούμενη εργασία. Τελικά, η τελική κινούμενη εικόνα μπορεί να χρησιμοποιηθεί ως προτεινόμενη κινηματική στρατηγική που ο χρήστης της πρόθεσης και ο κλινικός ιατρός μπορούν να ανατρέχουν σε αυτά, κατά τη διάρκεια της διαδικασίας αποκατάστασης, ως κατευθυντήριες γραμμές. Η εργασία αυτή έχει τη δυνατότητα να επηρεάσει την τρέχουσα συνταγογράφηση και εκπαίδευση των προσθετικών, παρέχοντας εξατομικευμένες προτεινόμενες κινήσεις για μια εργασία.
περισσότερα
Περίληψη σε άλλη γλώσσα
Current clinical practice regarding upper body prosthesis prescription and training is lacking a standarized, quantitative method to evaluate the impact of the prosthetic device. The amputee care team typically uses prior experiences to provide prescription and training customized for each individual. As a result, it is quite challenging to determine the right type and fit of a prosthesis and provide appropriate training to properly utilize it early in the process. It is also very difficult to anticipate expected and undesired compensatory motions due to reduced degrees of freedom of a prosthesis user. In an effort to address this, a tool was developed to predict and visualize the expected upper limb movements from a prescribed prosthesis and its suitability to the needs oft he amputee. It is expected to help clinicians make decisions such as choosing between a body powered or a myoelectric prosthesis, and whether to include a wrist joint. To generate the motions, a robotics-based mode ...
Current clinical practice regarding upper body prosthesis prescription and training is lacking a standarized, quantitative method to evaluate the impact of the prosthetic device. The amputee care team typically uses prior experiences to provide prescription and training customized for each individual. As a result, it is quite challenging to determine the right type and fit of a prosthesis and provide appropriate training to properly utilize it early in the process. It is also very difficult to anticipate expected and undesired compensatory motions due to reduced degrees of freedom of a prosthesis user. In an effort to address this, a tool was developed to predict and visualize the expected upper limb movements from a prescribed prosthesis and its suitability to the needs oft he amputee. It is expected to help clinicians make decisions such as choosing between a body powered or a myoelectric prosthesis, and whether to include a wrist joint. To generate the motions, a robotics-based model of the upper limbs and torso was created and a weighted least-norm (WLN) inverse kinematics algorithm was used. The WLN assigns a penalty (i.e. the weight) on each joint to create a priority between redundant joints. As a result, certain joints will contribute more to the total motion. Two main criteria were hypothesized to dictate the human motion. The first one was a joint prioritization criterion using a static weighting matrix. Since different joints can be used to move the hand in the same direction, joint priority will select between equivalent joints. The second criterion was to select a range of motion (ROM)for each joint specifically for a task. The assumption was that if the joints’ ROM is limited, then all the unnatural postures that still satisfy the task will be excluded from the available solutions. Three sets of static joint prioritization weights were investigated: a set of optimized weights specifically for each task, a general set of static weights optimized for all tasks, and a set of joint absolute average velocity-based weights. Additionally, task joint limits were applied both independently and in conjunction with the static weights to assess the simulated motions they can produce. Using a generalized weighted inverse control scheme to resolve for redundancy, a human-like posture for each specific individual was created. Motion capture (MoCap) data were utilized to generate the weighting matrices required to resolve the kinematic redundancy of the upper limbs. Fourteen able-bodied individuals and eight prosthesis users with a transradial amputation on the left side participated in MoCap sessions. They performed ROM and activities of daily living (ADL) tasks. The methods proposed here incorporate patient’s anthropometrics, such as height, limb lengths, and degree of amputation, to create an upper body kinematic model. The model has 23 degrees-of-freedom (DoFs) to reflect a human upper body and it can be adjusted to reflect levels of amputation. The weighting factors resulted from this process showed how joints are prioritized during each task. The physical meaning of the weighting factors is to demonstrate which joints contribute more to the task. Since the motion is distributed differently between able-bodied individuals and prosthesis users, the weighting factors will shift accordingly. This shift highlights the compensatory motion that exist on prosthesis users. The results show that using a set of optimized joint prioritization weights for each specific task gave the least RMS error compared to common optimized weights. The velocity-based weights had a slightly higher RMS error than the task optimized weights but it was not statistically significant. The biggest benefit of that weight set is their simplicity to implement compared to the optimized weights. Another benefit of the velocity based weights is that they can explicitly show how mobile each joint is during a task and they can be used alongside the ROM to identify compensatory motion. The inclusion of task joint limits gave lower RMS error when the joint movements were similar across subjects and therefore the ROM of each joint for the task could be established more accurately. When the joint movements were too different among participants, the inclusion of task limits was detrimental to the simulation. Therefore, the static set of task specific optimized weights was found to be the most accurate and robust method. However, the velocity-based weights method was simpler with similar accuracy. The methods presented here were integrated in a previously developed graphical user interface(GUI) to allow the clinician to input the data of the prospective prosthesis users. The simulated motions can be presented as an animation that performs the requested task. Ultimately, the final animation can be used as a proposed kinematic strategy that a prosthesis user and a clinician can refer to, during the rehabilitation process as a guideline. This work has the potential to impact current prosthesis prescription and training by providing personalized proposed motions for a task.
περισσότερα