XiaoMi-AI文件搜索系统
World File Search System上肢
分层干预中的机器人辅助治疗
背景：对于中风幸存者来说，上肢功能的恢复仍然是康复过程中的一大挑战。文献表明，如果可以根据患者的临床特征进行个性化治疗，康复率可能会提高。然而，仍然缺乏关于如何为个体患者量身定制治疗方案的临床证据。机器人辅助治疗 (RT) 提供了一种直接的方法来调整个体患者的辅助-阻力连续体。在早期的 Brunnstrom 康复阶段，患者受益于辅助训练，而在后期阶段，阻力训练更受青睐。因此，RT 可能会增强常规治疗 (CT)，但尚未研究 RT 在分层干预中的应用。本研究评估了在上肢训练方案之后采用 RT 的可能益处，该方案根据每个个体的 Brunnstrom 阶段进行分层。
引用：Rathinam C, Farr W, Ray D, et al. 影响儿童后天性脑损伤上肢康复中虚拟现实应用的因素：
摘要 目的 与下肢相比，患有获得性脑损伤 (ABI) 的儿童上肢运动困难导致恢复时间更长。强化神经康复可带来良好的长期功能结果。虚拟现实 (VR) 和视频游戏技术是传统神经康复的宝贵辅助手段，因为它们有助于激励、参与并获得儿童对目标导向治疗的依从性。然而，这项技术并未在英国国家医疗服务体系中常规使用；它需要嵌入才能使儿童及其家人受益。VR 在康复实践中的实施需要发展。在建立常规使用之前，需要进一步探索相关的影响因素。该项目旨在了解影响 VR 在儿童上肢康复中使用的因素。VR 在康复实践中的实施需要发展。在建立常规使用之前，需要进一步探索相关的影响因素。该项目旨在了解影响 VR 在儿童上肢康复中使用的因素。设计一项解释性定性研究使用焦点小组和 1：1 半结构化访谈，以面对面和在线进行，以探索参与者的经历。对这些内容进行了分析以获得归纳的总体主题，特别关注专业人士和年轻人对在上肢康复中使用 VR 的看法。 设置 英国英格兰两家儿童医院的两家神经康复服务机构。 参与者 三名物理治疗师、五名职业治疗师、一名游戏工作者和四名青年顾问小组成员参加了此次活动。 进行了四个焦点小组，每组 2-4 名参与者，并进行了两次 1:1 半结构化访谈。 使用主题分析来创建模型参与者所描述的影响在神经康复中使用 VR 的因素。 结果 开发了五个密切相关的主要主题和 30 个相关子主题：培训、知识、推广、考虑障碍和家庭因素。 人们缺乏关于 VR 的使用、其局限性以及临床医生使用它的动机的知识和理解。 需要包含可用 VR 设备、临床指标和科学证据的培训包。 员工需要频繁的培训、后勤保障（不间断的 Wi-Fi、软件、硬件）和简单的使用手册。
脑机接口引导的机械手训练对慢性中风患者功能连接和低频波动的调节：为期 6 个月的随访研究
慢性期中风患者的手部功能改善通常在 6 个月内达到平台期。脑机接口 (BCI) 引导的机器人辅助训练已被证明可有效促进慢性中风患者的上肢运动功能恢复。然而，其背后的神经可塑性变化尚不清楚。本研究旨在探讨 20 次 BCI 引导的机器人手训练后全脑神经可塑性的变化，以及这些变化是否能在 6 个月的随访中保持。因此，对 14 名慢性中风患者进行了探讨，探讨了训练前、训练后立即和训练后 6 个月的临床改善和神经系统变化。通过动作研究手臂测试 (ARAT) 和 Fugl-Meyer 上肢评估 (FMA) 评估上肢运动功能，并使用静息态功能性磁共振成像评估神经系统变化。重复测量方差分析表明，FMA（F [2,26] = 6.367，p = 0.006）和 ARAT（F [2,26] = 7.230，p = 0.003）均发现了长期运动改善。基于种子的功能连接分析表明，在同侧运动区域（初级运动皮层和辅助运动区）和对侧区域（辅助运动区、运动前皮层和顶上小叶）之间观察到显著的 FC 调节，并且这种影响在 6 个月后仍然持续。fALFF 分析表明，局部神经元
脑机接口训练与功能性电刺激：促进中风后半球间功能连接和运动结果的变化
虽然大多数中风幸存者会经历一些自发恢复并在亚急性环境中接受治疗，但他们的上肢感觉运动功能往往会受到持续性损害，从而影响日常生活的自主性。脑机接口 (BCI) 技术已显示出作为促进中风后运动恢复的一种康复形式的前景，然而，我们对其使用相关的功能连接和行为结果的变化了解有限。在这里，我们研究了基于 EEG 的 BCI 干预与功能性电刺激 (FES) 对中风恢复期间静息态功能连接 (rsFC) 和运动结果的影响。23 名中风后上肢运动障碍患者完成了 FES 的 BCI 干预。在干预前、干预后和干预后 1 个月收集了静息态功能磁共振成像 (rs- fMRI) 扫描和行为数据。研究了运动网络内 rsFC 的变化和行为测量以确定大脑与行为的相关性。在组级层面，BCI 干预后，运动网络中的半球间和网络 rsFC 显著增加，患者在动作研究臂测试 (ARAT) 和 SIS 领域的表现显著提高。值得注意的是，干预前、干预后和干预后 1 个月的半球间 rsFC 变化与多个运动相关领域的行为改善相关。这些发现表明，使用 FES 的 BCI 干预可以促进中风后患者的半球间连接变化和上肢运动恢复。
瘫痪手臂的机器人康复
中风是导致死亡的主要原因，也是长期残疾的主要原因。每年，全球约有 1500 万人受中风影响，其中 500 万人死亡，500 万人残疾。这给家庭护理人员带来了压力，增加了医疗保健系统的利用率，功能衰退是常见影响。中风后功能衰退大部分是由手臂功能受损或上肢残疾引起的，80% 的中风后患者受此影响。上肢缺陷包括肌肉无力、手臂（尤其是手和手指或肘部和肩膀）移动困难以及感觉减弱，导致幸存者无法活动或从事身体活动。最近的研究报告了机器人康复对中风患者的有效性。瘫痪和中风患者无法移动上肢和下肢。他们需要定期锻炼。瘫痪患者的物理治疗师和护理人员的短缺问题日益严重，并很快成为一个严重的问题。目前，印度有超过 95,00,000 名瘫痪患者。但印度只有近 30,000 名物理治疗医生。比例为 300:1（每 300 名患者配备 1 名医生）。一名物理治疗师每天为 300 名患者进行锻炼非常困难。因此，需要对瘫痪身体部位进行体育锻炼的患者人数也在不断增加。康复是一门庞大的科学，需要投入更多的时间。当前的机械臂模型是让患者进行锻炼的系统。我们的系统致力于提供基于治疗的解决方案，通过机器人辅助进行锻炼的初始康复阶段来补充物理治疗师。所提出的系统考虑了名为 CIMT 的疗法，该疗法可确保神经可塑性，从而帮助患者更快地康复。
KITE-BCI：用于功能性电刺激治疗的脑机接口系统
背景/目标：将脑机接口 (BCI) 技术与功能性电刺激疗法 (FEST) 相结合是脊髓损伤 (SCI) 后上肢运动康复的一种新兴策略。尽管结果令人鼓舞，但在临床实践中结合使用这些技术 (BCI-FEST) 的情况却很少。为了解决这个问题，我们开发了 KITE-BCI，这是一种专为临床应用和与动态 FEST 集成而设计的 BCI 系统。在本文中，我们报告了它的技术特点和性能。此外，我们讨论了 BCI 和治疗师触发的刺激延迟分布的差异。设计：两项单臂 40 次干预研究，旨在测试 BCI 控制的 FEST 对颈椎 SCI 患者上肢运动康复的可行性 设置：加拿大多伦多康复研究所 - 大学健康网络的大学和林德赫斯特中心内的康复项目 参与者：五名亚急性（受伤后 < 6 个月）C4-C5 级 SCI 患者，AIS BD，三名慢性（受伤后 > 24 个月）C4 级 SCI 患者，AIS BC。 结果测量：我们测量了 BCI 设置持续时间，并记录了 BCI 敏感度以表征 KITE-BCI 的性能，定义为成功 BCI 激活占总提示运动数的百分比。 结果：亚急性组和慢性组的整体 BCI 敏感度分别为 74.46% 和 79.08%。两项研究中 KITE-BCI 的平均设置持续时间分别为 11 分钟和 13 秒。结论：KITE-BCI 展示了一种临床上可行的单通道 BCI 系统，可与 FEST 集成，从而为 SCI 后提供多功能技术增强的上肢运动康复策略。
卡茨科学与健康学院
Natania Birnbaum 和 Amena Farooq（生物技术管理与创业硕士）正在与 Ke Chen 和 Ziyang Guo（数据分析与可视化硕士）合作，作为由人工智能博士后研究员 Sai Praveen Kadiyala 博士领导的跨学科团队的一部分，开发肌电外骨骼（机械手）以支持中风患者的上肢康复。尽管中风患者可能无法移动肌肉，但他们仍然会产生微弱的电信号，表面肌电图 (sEMG) 传感器可以通过皮肤产生的微电压检测到这些电信号。该团队正在构建手部外骨骼的原型，它可以从手臂的肌肉获取 sEMG 信号并利用它们来移动外骨骼的手指。他们的目标是创建一个可用于上肢康复的不同手势和复杂抓握的计算模型。机器人辅助治疗前景广阔，因为它们对患者和治疗师来说既方便又经济实惠，使治疗数据收集变得更加容易，并提高了患者的积极性。基于 sEMG 的方法的优点包括适应患者自身的身体运动，以及可能使用更轻便、更灵活、更舒适的机器人。
机器人技术-Iris
摘要：这项工作介绍了康复 - exos的设计，这是一种新颖的上肢外骨骼，用于康复目的。它配备了高还原比率执行器和紧凑的弹性接头，以获得基于应变测量值的扭矩传感器。在这项研究中，我们解决了扭矩传感器的性能以及可能导致不必要的非轴向矩负载串扰的设计方面。此外，通过对多DOF，非线性系统动力学进行建模并为非线性效应（例如摩擦和重力）提供补偿，设计了新的全州反馈扭矩控制器。通过控制系统的表现和机械结构验证评估所提出的上肢外骨骼，将全州反馈控制器与两个透明度测试中的其他两个基准状态反馈控制器进行了比较 - TEN受试者，两个参考速度，以及一个happeric的渲染评估。两个实验都代表了设备的预期目的，即与受到有限运动技能影响的患者的身体互动。在所有实验条件下，我们提议的关节扭矩控制器都达到了更高的性能，为关节提供了透明度，并主张外骨骼对辅助应用的可行性。
使用多... -Dr -ntu
摘要：运动意图检测对于应用于辅助机器人的人机接口的实施至关重要。在本文中，已经探索了用于创建上肢运动预测模型的多个机器学习技术，该模型通常取决于三个因素：从用户收集的信号（例如运动学或生理学），提取的特征和所选算法。我们探讨了从各种信号中提取的不同特征的使用，用于训练多种算法以预测肘部弯曲角轨迹。根据轨迹的平均速度和峰值振幅评估了预测的准确性，该轨迹足以完全定义IT。结果表明，仅使用生理信号时的预测准确性很低，但是，当包括运动信号时，它会大大改善。这表明运动学信号为预测肘部轨迹提供了可靠的信息来源。使用10种算法训练了不同的模型。正则化算法在所有情况下都表现良好，而当选择最重要的功能时，神经网络的性能更好。可以咨询本研究中提供的广泛分析，以帮助开发准确的上肢运动意图检测模型。