新的机器人系统评估中风后的活动能力

中风是全世界长期残疾的主要原因。全球每年有超过 1500 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、虚弱和瘫痪。

许多中风幸存者依靠较强的手臂来完成日常任务，从提杂货到梳理头发，即使较弱的手臂有改善的潜力。打破这种被称为“手臂不使用”或“习得性不使用”的习惯可以提高力量并防止受伤。

但是，确定患者在诊所外使用其较弱手臂的程度具有挑战性。在观察者悖论的典型案例中，测量必须是隐蔽的，以便患者自发地表现。

现在，南加州大学的研究人员开发了一种新型机器人系统，用于收集中风康复者如何自发使用手臂的精确数据。11 月 15 日出版的《科学机器人》杂志上发表的一篇论文概述了这种首创方法。

该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，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度。社交辅助机器人 (SAR) 在整个挑战过程中提供指导和鼓励。

“最终，我们正在尝试评估某人在物理治疗中的表现在多大程度上会转移到现实生活中，”该论文的主要作者、计算机科学博士生内森·丹勒 (Nathan Dennler) 说。

这项研究由南加州大学托马斯·洛德计算机科学系和生物运动学和物理治疗系的研究人员共同努力。研究合著者、Chan Soon-Shiong 主席和杰出科学家 Maja Matarić 表示：“这项工作汇集了使用机器人手臂收集的定量用户表现数据，同时还激励用户通过社交辅助机器人提供具有代表性的表现。”计算机科学、神经科学和儿科教授。“这种新颖的组合可以作为中风患者评估的更准确、更激励的过程。”

其他作者包括计算机科学助理教授Stefanos Nikolaidis ;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学生 Erica De Guzmann 和 Claudia Chiu。

镜像日常使用

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。参与者将手放在设备的原始位置——一个带有触摸传感器的 3D 打印盒子。

社交辅助机器人 (SAR) 描述了系统的机制并提供了积极的反馈，而机器人手臂则将按钮移动到参与者面前的不同目标位置(总共 100 个位置)。当按钮亮起时，“到达试验”开始，SAR 提示参与者移动。

在第一阶段，参与者被指示用任何一只自然的手去触碰按钮，这反映了日常使用情况。在第二阶段，他们被指示仅使用中风影响的手臂，以反映物理治疗或其他临床环境中的表现。

使用机器学习，团队分析了三个测量值，以确定手臂不使用的指标：手臂使用概率、到达时间和成功到达。各阶段之间表现的显着差异表明不使用受影响的手臂。

“参与者按下按钮的时间有限，因此即使他们知道自己正在接受测试，他们仍然必须快速做出反应，”丹勒说。“这样，我们就可以测量对灯亮起的本能反应——你会在现场使用哪只手?”

安全且易于使用

在慢性中风幸存者中，研究人员观察到手部选择和达到工作空间目标的时间存在很大差异。该方法在重复的会话中是可靠的，参与者认为它易于使用，用户体验得分高于平均水平。所有参与者都认为互动安全且易于使用。

至关重要的是，研究人员发现参与者之间手臂使用的差异，医疗保健专业人员可以利用这些差异来更准确地跟踪患者的中风恢复情况。

“例如，一名右侧受中风影响较大的参与者表现出较少使用右臂，特别是在右侧较高的区域，但在同一侧较低的区域使用右臂的可能性很高，”丹勒说。

“另一名参与者表现出更对称的使用，但也用受影响较小的一侧稍微更频繁地补偿靠近中线的较高点。”

参与者认为，除了纳入面部表情和不同类型的任务等其他行为数据之外，该系统还可以通过个性化进行改进，团队希望在未来的研究中探索这一点。

作为一名物理治疗师，凯恩表示，该技术解决了传统评估方法遇到的许多问题，这些方法“要求患者不知道自己正在接受测试，并且基于测试人员的观察，这可能会留下更多的错误空间。”

“这种技术可以为康复治疗师提供有关中风幸存者手臂使用情况的丰富、客观的信息，”凯恩说。“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，并更好地调整他们的干预措施，以解决患者的弱点并增强优势。”