中风是世界范围内导致长期残疾的主要原因。全世界每年有1500多万人中风，四分之三的中风幸存者的手臂和手部会出现损伤、无力和瘫痪。

许多中风幸存者依靠他们强壮的手臂来完成日常工作，从搬运杂货到梳头，即使他们较弱的手臂有改善的潜力。打破这种被称为“不使用手臂”或“习得性不使用”的习惯，可以提高力量，防止受伤。

但是，确定患者在诊所外使用他们较弱的手臂的程度是具有挑战性的。在观察者悖论的经典案例中，测量必须是隐蔽的，才能让病人自发地行动。

现在，南加州大学的研究人员已经开发出一种新的机器人系统，用于收集中风患者如何自发使用手臂的精确数据。发表在11月15日的《科学机器人》杂志上的一篇论文概述了这种首创的方法。

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，该方法生成“手臂不使用”指标，可以帮助临床医生准确评估患者的康复进展。一个社会辅助机器人(SAR)在整个挑战过程中提供指导和鼓励。

“最终，我们试图评估一个人在物理治疗中的表现在多大程度上转移到现实生活中，”该论文的主要作者、计算机科学博士生内森·丹勒(Nathan Dennler)说。

这项研究涉及南加州大学托马斯·洛德计算机科学系和生物运动学和物理治疗部门的研究人员的共同努力。“这项工作汇集了使用机械臂收集的定量用户表现数据，同时也激励用户提供具有代表性的表现，这要归功于社交辅助机器人，”Maja Matari?陈颂祥教授是该研究的合著者，也是计算机科学、神经科学和儿科学的主席兼杰出教授。“这种新颖的组合可以为中风患者的评估提供更准确、更有动力的过程。”

其他作者有Stefanos Nikolaidis，计算机科学助理教授;临床物理治疗助理教授Amelia Cain，神经科学研究生项目名誉教授兼兼职教授Carolee J. Winstein，以及计算机科学专业的学生Erica De guzman和Claudia Chiu。

反映日常使用

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。参与者将他们的手放在设备的主位置——一个带有触摸传感器的3d打印盒子。

一个社会辅助机器人(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，SAR提示参与者移动时，“到达试验”就开始了。

在第一阶段，参与者被指示用自然的手去触碰按钮，模仿日常使用。在第二阶段，他们被指示只使用受中风影响的手臂，反映在物理治疗或其他临床环境中的表现。

利用机器学习，该团队分析了三个测量值，以确定不使用手臂的度量:手臂使用概率、到达时间和成功到达。两个阶段之间表现的显著差异表明未使用受影响的手臂。

丹勒说:“参与者按下按钮是有时间限制的，所以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，我们可以测量当灯打开时的本能反应——你会在现场用哪只手?”

安全，使用方便

在慢性中风幸存者中，研究人员观察到他们在手的选择和到达工作场所目标的时间上有很大的差异。这种方法在重复的会话中是可靠的，参与者认为它简单易用，用户体验得分高于平均水平。所有参与者都认为这种互动是安全的，易于使用。

至关重要的是，研究人员发现了参与者之间手臂使用的差异，这可以被医疗保健专业人员用来更准确地跟踪患者的中风恢复情况。

Dennler说:“例如，一名参与者的右侧受到中风的影响更大，他的右臂在右侧较高的区域使用得更少，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方式，但在接近中线的较高点上，他们也会稍微多补偿一下受影响较小的那一边。”

参与者认为，除了结合面部表情和不同类型的任务等其他行为数据外，该系统还可以通过个性化来改进，该团队希望在未来的研究中对此进行探索。

作为一名物理治疗师，凯恩表示，这项技术解决了传统评估方法遇到的许多问题，传统评估方法“要求患者不知道他们正在接受测试，并且基于测试者的观察，这可能会给错误留下更多的空间。”

凯恩说:“这种类型的技术可以为中风幸存者的康复治疗师提供丰富、客观的关于手臂使用的信息。”“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，更好地定制他们的干预措施，以解决患者的弱点，并在优势的基础上进一步发展。”

作者：南加州大学

链接：https://www.sciencedaily.com/releases/2023/11/231116140354.htm

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com