Development of an EMG controlled hand exoskeleton: towards an application for post-stroke rehabilitation

Tese de mestrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2015Os números de população idosa, de acordo com as Nações Unidas, triplicaram nos últimos 50 anos e voltarão a triplicar nos próximos 50. Em consequência deste crescimento, as patologias relacionadas com a idade, tais como o acidente vascular cerebral (AVC), terão uma maior taxa de ocorrência na população mundial. O AVC caracteriza-se por uma interrupção no fluxo sanguíneo cerebral, resultando na morte celular nas zonas do cérebro afetadas pela ineficiente irrigação. As lesões cerebrais provocadas pelo AVC podem conduzir ao aparecimento de problemas diversos e crónicos, desde insuficiência motora a complicações cognitivas. A nível das patologias motoras, estas podem traduzir-se em fraqueza muscular, falta de vigor e controlo muscular ou até mesmo total paralisia. Vários estudos têm vindo a demonstrar que a repetição intensiva de exercícios de reabilitação é útil na restauração de algumas funcionalidades motoras num período de recuperação pós AVC, mesmo em doentes com paralisias aparentemente crónicas. Neste sentido, o uso de dispositivos robóticos que permitam a execução controlada, bem definida, repetitiva e consistente de determinados exercícios de treino, tem sido muito apelativa. Em última análise, a terapia auxiliada por dispositivos robóticos poderá permitir ao paciente submeter-se a um processo de reabilitação bastante intensivo, realizado no conforto do seu lar, sem requerer a presença de um profissional de saúde e baseado nas suas necessidades individuais. Nas últimas décadas tem havido um crescente número de projetos de investigação relacionados com a temática da reabilitação auxiliada por sistemas robóticos, tendo sido desenvolvidos alguns dispositivos que permitiriam a sua utilização em processos de reabilitação dos membros superiores. Mas, atualmente, o número de sistemas disponíveis no mercado é bastante reduzido. Além disso, os sistemas que se encontram disponíveis possuem algumas características que dificultam a sua utilização pela generalidade da população, tais como as suas grandes dimensões, impedindo o fácil transporte e por consequência limitanto geograficamente a sua utilização, e os custos elevados associados à aquisição dos equipamentos. Este projeto foi então desenvolvido com o objetivo de criar um sistema robótico que poderia ser utilizado pela generalidade da população, para reabilitação após ocorrência de um AVC. Para tal, foi utilizado um exosqueleto da mão, leve e de baixo custo, em desenvolvimento no Bristol Robotics Laboratory, e utilizados os sinais electromiográficos (EMG) do utilizador como mecanismo de controlo do sistema. A partir destes sinais, será possível distinguir determinados movimentos da mão, e através do uso do exosqueleto exercitar a mão cujas capacidades motoras se encontram diminuídas. Numa primeira fase de reabilitação, dada a comum atrofia motora que se verifica em pacientes após a ocorrência deste tipo de patologia, e uma vez que normalmente apenas um dos membros se encontra afetado, um treino bilateral poderá ser mais adequado, adquirindo os sinais EMG do membro não afectado e reproduzindo esses movimentos na mão paralisada através do uso do exosqueleto. Numa fase mais avançada da terapia, quando já existe algum controlo motor mas a amplitude dos movimentos não é a desejada, os sinais EMG poderão ser adquiridos do próprio membro afetado, respondendo o exosqueleto ao esforço do paciente para realizar determinadas tarefas, funcionando como um auxiliar de movimento. Este dispositivo permitiria assim a execução intensiva de exercícios de reabilitação sem a necessidade da presença de um profissional de saúde, oferecendo um processo personalizado uma vez que o sistema responderia ao próprio esforço do paciente e tendo em conta as suas necessidades pessoais. Durante este projeto foi recrutado um sujeito saudável de 22 anos, do sexo feminino, e os sinais EMG foram adquiridos a partir do antebraço do membro contrário ao que utilizava o exosqueleto. O exosqueleto utilizado é, até à data de elaboração deste projeto, apenas constituído pelos dedos indicador, médio e polegar, mas este último não foi utilizado no decurso deste trabalho. Foram utilizados cabos de 0.38 mm de diâmetro conectados a motores na parte traseira do exosqueleto, funcionando como tendões. Para distinção entre a extensão e exão do dedo indicador e dedo médio, e ainda para reconhecimento da execução de atividade da vida diária (do inglês Activities of Daily Living, ADL) tais como, segurar numa garrafa, numa caneta ou numa escova de dentes, foram utilizadas técnicas de reconhecimento de padrões em sinais, implementadas em Matlab®. Os sinais EMG foram adquiridos com recurso ao BITalino Plugged, uma placa de aquisição dedicada a biosinais, desenvolvida e comercializada pela empresa BITalino, e utilizados três sensores EMG. O BITalino Plugged utiliza tecnologia wireless de comunicação (Bluetooth 2.0) e foi definida a mais alta frequência de aquisição permitida (1000 Hz). Seis eléctrodos descartáveis foram colocados no antebraço do sujeito, nas zonas superficiais correspondentes aos músculos Flexor Carpi Radialis, Flexor Carpi Ulnaris e Extensor Digitorum, e um outro colocado na zona da articulação do cotovelo funcionando como ponto de referência dada a proximidade com o osso e a não existência de músculos nessa região. A localização dos eléctrodos foi escolhida tendo em conta estudos anatómicos e por inspecção visual da movimentação superficial dos músculos aquando da execução dos movimentos em estudo. Os seis eléctrodos foram emparelhados para que os sinais fossem adquiridos em configuração bipolar, e colocados com um espaçamento de 1 cm entre si. Recorrendo à Pattern Recognition Toolbox para Matlab®, uma toolbox gratuita de processamento de sinais e reconhecimento de padrões, foram testados quatro classificadores, e a sua eficácia foi calculada, primeiramente offline através de validação cruzada leave-one-out, tendo sido posteriormente efetuadas algumas experiências em tempo real. Foram escolhidas quatro características dos sinais de entre um conjunto de oito estudadas: comprimento da forma das ondas (Waveform Length), raíz quadrada do valor quadrático médio (Root Mean Square), frequência média (Mean Frequency) e mediana das frequências (Median Frequency). A metodologia e resultados deste projeto podem ser divididos em três fases tendo em conta os movimentos em estudo. Inicialmente, apenas a extensão e exão do dedo indicador e a posição de repouso, foram estudadas. Neste caso, foi possível obter uma eficácia de classificação offline de 100%, utilizando o classificador Partial Least Discriminant e janelas de análise de 0.25 s. Foram elaboradas experiências em tempo real tendo sido possível reproduzir a extensão e exão do dedo indicador na mão direita (que utilizava o exosqueleto) através da classificação dos sinais do antebraço esquerdo quando estes movimentos eram efetuados. De seguida, foi adicionado ao estudo a extensão e exão do dedo médio, tendo sido possível obter uma eficácia de classificação offline de 95%, com o classificador Naive Bayes e janelas de análise do mesmo tamanho que as utilizadas no estudo anterior (0.25 s). Aquando das experimentações em tempo real verificaram-se muitas falhas na classificação dos sinais adquiridos podendo estes resultados ser explicados principalmente pela dificuldade em reproduzir os movimentos em estudo exatamente da mesma forma durante todo o processo de aquisição de dados e teste. Por exemplo, verificou-se grande dificuldade em estender o medo médio sem movimentar qualquer outro dedo da mão, produzindo sinais ligeiramente diferentes em cada repetição do movimento dada a movimentação simultânea de vários dedos, dificultando assim uma classificação eficaz. Ainda a similaridade entre os movimentos estudados ao nível do movimento muscular e dos sinais obtidos à superfície da pele, dificultou o processamento dos sinais e construção dos classificadores, uma vez que os dedos indicador e médio são movimentados por músculos adjacentes profundos o que, à superfície da pele é difícil de discriminar. Por último, e tal como referido, foram estudadas algumas ADL, tendo sido obtidas eficácias de classificação offline acima de 95% também através do classificador Naive Bayes. Neste estudo foram utilizadas janelas de análise de 1 s uma vez que estes movimentos não são tão simples como a extensão ou exão dos dedos mas sim uma combinação de movimentos dos dedos. Apesar dos resultados promissores obtidos, à semelhança do estudo anterior, as experiências em tempo real evidenciaram a grande fragilidade dos classificadores ocorrendo muitas falhas na classificação, especialmente na distinção do movimento de segurar a caneta. Estes resultados podem ser explicados pelo peso da caneta uma vez que o simples movimento de segurar a caneta não requer esforço muscular suficiente para que os sinais EMG sejam suficientemente distintos para que este movimento não seja confundido com, por exemplo, a posição de repouso. De um modo geral, verificou-se ainda que aquando da distinção entre movimentos mais semelhantes e portanto envolvendo processos mais complexos, os classificadores mais elaborados, como o Partial Least Discriminant, possuíam resultados menos satisfatórios sendo reflexo do overfiting produzido pelos mesmos dadas as semelhanças das características dos sinais obtidos. Foi então possível concluir que a utilização de sinais EMG recolhidos à superfície da pele torna muito difícil o processo de distinção de movimentos finos da mão, mas que tal processo não é impossível e que com alguns ajustes poderá ser alcançado com sucesso. A utilização de mais sensores EMG e um estudo mais intensivo da colocação dos eléctrodos poderá auxiliar neste processo, assim como a utilização de outros métodos de classificação. Após ser alcançada a eficiente classificação dos movimentos individuais dos dedos da mão poderão ser realizadas experiências com outros indivíduos e desenvolvido o exosqueleto para toda a mão e não apenas para dois dedos.The number of older persons has tripled over the last 50 years, and will more than triple over the next 50 years, according to the United Nations. With this growth comes increased incidence of age-related pathologies including stroke. Rehabilitation after stroke is of crucial importance since patients often have severe motor impairments that affect their daily activities. It has been found that repeated exercises are useful in restoring some degree of motor performance post-stroke, even in individuals with persistent motor impairment. So, in the past decades, a number of robotic systems have been proposed for stroke rehabilitation but very few are available in the market. Additionally, because of their high costs they are not widely accessible. With the goal to create a system that could be used as a rehabilitation device controlled by the user, this report presents the development of a light-weight hand exoskeleton controlled by patient's surface electromyography (sEMG) signals. This system could empower the patient to intensively exercise the hand and control its movement with his/her muscles. This would personalize the rehabilitation process since the system would respond to the patient's own effort to move. sEMG signals were acquired from the forearm of a healthy subject and pattern recognition techniques were used to distinguish extension and exion of the index and middle fingers, as well as discretization of some Activities of Daily Living (ADL). Offline individualization of index finger was accomplish with 100% accuracy. Middle finger movements, as well as distinction of ADL was accomplished, offline, with more than 95% of accuracy. Regarding real time experiments, only distinction of the index finger was achieved with enough accuracy to implement with the exoskeleton. The results obtained showed great potential of the system but some modification still need to be done in order to create a completely reliable system