Robot Assisted Arm Rehabilitation: Cooperative Control Strategies for Activities of Daily Living

Transkript

1 DISS. ETH NO Robot Assisted Arm Rehabilitation: Cooperative Control Strategies for Activities of Daily Living A dissertation submitted to ETH ZURICH for the degree of Doctor of Sciences presented by Marco Andrea Guidali Dipl.Ing, ETH Zurich born in Basel, Switzerland citizen of Riva San Vitale, TI, Switzerland accepted on the recommendation of Prof. Dr. Robert Riener Prof. Dr. William Harwin 2012

2 Abstract Patients after stroke receive arm therapy to restore motor function of their impaired limb. Plasticity of the non-affected brain areas allows to relearn lost motor functions. According to current knowledge, the training should be of long duration, intensive, task-orientated, repetitive and challenge the patient to actively participate. Robotassisted arm rehabilitation has become a common tool to address those key elements. Similar to the therapist in conventional physiotherapy, robotic devices can support a movement when the patient is not able to do it by himself. Additionally, the robot can measure biomechanical limb functions and assess performance and progress of the therapy. Several studies have shown that robot-assisted training of motivating games has positive effects on therapy outcome, but that the transfer of learned skills to daily life activities is rather limited. Another challenge for rehabilitation robots is to allow active participation of the patient and provide only the required amount of assistance. Most control strategies do not take the individual needs of a patient into account and tend to force the patient to follow predefined movements. This strongly limits the capabilities of the patient to actively participate in the training. The focus of this dissertation is to develop a human-centered control architecture that maximizes active participation of the patients and enables the training of activities of daily living (ADL) with the robot. Such a rehabilitation system can be broken down into three main components: robot, tasks and control. The robot interacts with the patient and can support the joints required to execute functional tasks. These have to be selected carefully and presented in a motivating way. Key component of the therapy system is the patient-cooperative controller that not only assists the patients according to the principles of motor learning and motor rehabilitation, but also learns from the patients, detects their movement intention and provides appropriate feedback. ARMin is an arm rehabilitation robot developed at ETH Zurich. The device was improved and extended to seven active degrees of freedom including opening and closing of the hand. Instrumented handles allow to measure the interaction of the hand with the robot. Kinematics and dynamics of the robot have been calculated. A safety concept to iv

3 enable a safe operation of the device has been implemented. The evaluation focused on the developed hand module, the inverse dynamic model and the safety concept. Forces in the hand can be measured with a high resolution and accuracy. The inverse dynamic model the robot accurately relates measured kinematics to required torques and can be used for online compensation of ARMin. Safe operation of the prototype allows to apply the device in clinical practice. Activities of daily living have been selected with the assistance of therapists and patients and were implemented in a virtual environment. Virtual tasks were designed to motivate the patient and facilitate motor rehabilitation with repetitive tasks. A state-of-the-art game engine was chosen to create realistic behavior of virtual objects. State machines control the flow of action and send information about the task to the control system. Haptic rendering was added to increase the level of realism of the virtual world. Evaluation of the virtual task showed that they fulfill the requirements of motor rehabilitation. It was possible to render virtual objects in a realistic way and improve the sensation of the virtual world. Control is the last component of a rehabilitation system, which can also be seen as intelligence of the robot. To meet the requirements derived form neuroscience a control strategy should include algorithms to detect the movement intention and methods to asses, evaluate and display performance. A patient-cooperative controller, the path controller, provides assistance during the training of ADL tasks, but allows spatial and temporal freedom. Extended with a learning algorithm and movement intention detection, the controller could reduce the amount of support required by maximally involving the patient. The clinical feasibility could be shown with several stroke patients. The assessment of patient performance is the last part addressed. Assessments can be used to optimally setup the controller or task for the patient. A method to estimate the patient s contribution to a robot-assisted movement was developed to encourage but also control the active participation. The method provides accurate and comprehensive values, which is important for the patient but also for the therapist to track the progress of the patient. The complete rehabilitation system can be used to train activities of daily living with ARMin. Patients were very motivated to train and could actively participate and perform ADLs. Assessment of the patient either before training or during training helped to optimally setup control parameters and might be very important to motivate the patient. For future developments, a closer link between robotic assessments and training is desirable and could help to optimize the therapy for the individual patient. v

4 Zusammenfassung Nach einem Schlaganfall erhalten Patienten Armtherapie um verlorene motorische Funktionen wiederherzustellen. Die Plastizität des Gehirns erlaubt es, motorische Funktionen in nicht betroffenen Bereichen neu zu erlernen. Basierend auf dem aktuellen Wissensstand, sollte das Training, von langer Dauer, intensiv, aufgabenorientiert und repetitive sein, sowie den Patienten dazu herausfordern aktiv mitzumachen. Roboterunterstütze Therapie ist mittlerweile eine akzeptierte Methode um diese Faktoren positiv zu beeinflussen. Ähnlich wie der der Therapeut in der konventionellen Therapie, unterstützt der Roboter Bewegungen des Patienten. Der Roboter erlaubt zudem, biomechanische Daten des Patientenarms zu erfassen und Leistung und Fortschritt während der Therapie zu überwachen. Verschiedene Studien haben gezeigt, dass roboterunterstütztes Training von Spielen einen positiven Effekt auf den Therapieverlauf haben, jedoch der Transfer von erlernten Fähigkeiten, ins tägliche Leben gering ist. Eine weitere Herausforderung für Rehabilitationsroboter ist es die aktive Teilnahme des Patienten zuzulassen und ihn gleichzeitig zu unterstützen. Viele Regelungsstrategien gehen zu wenig auf den individuellen Patienten ein und tendieren dazu ihn zu stark zu führen. Der Fokus dieser Dissertation ist es eine Regelungsarchitektur zu entwerfen, bei der der Mensch im Mittelpunkt steht. Aktive Teilnahme des Patienten soll gefördert und das Training von alltagsnahen Aktivitäten ermöglicht werden. Ein solches Rehabilitationssystem kann in drei Komponenten unterteilt werden: Roboter, Aufgaben und Regelung. Der Roboter unterstützt den Patient bei funktionellen Alltagsbewegungen. Aufgaben des täglichen Lebens müssen identifiziert und ansprechend präsentiert werden. Kernstück des Therapiesystems ist ein Patienten-kooperativer Regler, welcher den Patienten nach den Prinzipien des motorischen Lernens und der Neurorehabilitation unterstützt.. ARMin ist ein Armrehabilitaionsroboter, welcher an der ETH Zürich entwickelt wurde. Das bestehende Gerät wurde auf sieben Freiheitsgrade erweitert. Ein Handmodul erlaubt es die Hand des Patienten zu öffnen und zu schliessen, sowie seine Interaktionskraft über instrumentierte Handgriffe zu messen. Kinematik und Dynamik des Roboters wurden berechnet und ein Sicherheitskonzept entworfen. Die Evaluation konzentrierte vi

5 sich auf das neu entwickelte Handmodul, das dynamische Modell des Roboters sowie das Sicherheitskonzept. Kräfte in der Hand können mit einer hohen Auflösung und Genauigkeit gemessen werden. Das inverse dynamische Model berechnet mit gegebenen kinematischen Daten die benötigten Drehmomente und ermöglicht es den Roboter zur Laufzeit zu kompensieren. Eine sicherer Betrieb wird durch verschiedene Sicherheitsmodule gewährleistet und erlaubt den klinischen Einsatz des Roboters. Aktivitäten des täglichen Lebens (ADL) wurden mit der Hilfe von Therapeuten und Patienten ausgewählt und in einer virtuellen Umgebung implementiert. Die virtuellen Aufgaben wurden so entwickelt, dass sie möglichst repetitiv sind und den Patienten motivieren aktiv teilzunehmen. Eine moderne Spielentwicklungsplattform wurde ausgewählt, um realistische Interaktion mit virtuellen Objekten zu kreieren. Zustandsautomaten kontrollieren den Fluss der Aufgaben und senden Information über die aktuelle Aufgabe an das Regelungssystem. Um die virtuellen Aufgaben noch realistischer zu gestalten, wurde haptisches Rendering eingesetzt. Die Evaluation der virtuellen Aufgaben hat gezeigt, dass sie die Anforderungen der Motorrehabilitation erfüllen. Es war möglich, virtuelle Objekte auf eine realistische Art haptisch darzustellen und so die Wahrnehmung der virtuellen Welt zu verbessern. Die letzte Komponente des Rehabilitationssystems ist der Regler, welcher auch als eine Art Intelligenz des Roboters gesehen werden kann. Anforderungen an den Regler wurden von der Neurowissenschaft abgeleitet und haben gezeigt, dass der Regler nicht nur den Patienten unterstützen muss, sondern auch die Fähigkeiten haben sollte, die Intention des Patienten zu erkennen, sowie Feedback über die Leistung des Patienten zu berechnen und anzuzeigen. Ein Patienten-kooperativer Regler, der Pfadregler, unterstützt die Patienten während des Trainings von ADL Aufgaben und gibt ihnen räumliche und zeitliche Freiheit die Bewegung auszuführen. Ein Lernalgorithmus erlaubt dem Regler sich an den individuellen Patienten anzupassen. Zusammen mit der Möglichkeit die Bewegungsintention der Patienten zu erkennen werden sie maximal in den Regelkreis eingebunden und können aktiv am Training teilnehmen. Die klinische Umsetzbarkeit konnte mit mehreren Schlaganfallpatienten gezeigt werden. Die Bewertung der Patientenleistung ist der letzte erforschte Teil. Die Beurteilung des Patienten vor dem Training kann optimal genutzt werden um den Regler an den Patienten anzupassen. Eine Methode um die Beteiligung des Patienten an einer Bewegung abzuschätzen, wurde entwickelt und soll dazu dienen den Patienten zu informieren aber auch zu motivieren. Die Methode erlaubt eine gute Abschätzung der Leistung und liefert einen allgemein verständlichen Wert. vii

6 Das komplette Rehabilitationssystem kann genutzt werden um ADL Aufgaben mit ARMin zu trainieren. Patienten, welche das System getestet haben, waren sehr motiviert zu trainieren und nahmen aktiv am Training teil. Die Beurteilung des Patienten bevor und während dem Training hat geholfen Regelungsparameter optimal anzupassen. Für die zukünftige Entwicklung wäre eine engere Verbindung zwischen Methoden zur Beurteilung des Patienten und dem Training wünschenswert und könnte helfen die Therapie optimal auf den Patienten einzustellen. viii