A Kinematic Framework for Upper Extremity Rehabilitation Assessment: Expectation Maximization as a Motor Learning Model

Abstract

L’apprentissage moteur en tant que mécanisme de récupération est supposé être un cadre qui a guidé les principes de la thérapie physique et qui, depuis l’avènement de la robotique, fait de même pour les dispositifs de réadaptation. Le processus de réadaptation représente l’intersection de nombreuses facettes interconnectées qui co-interagissent pour produire des mouvements récupérés. L’utilisation de la technologie présente de nombreux avantages tout en contribuant à la complexité du phénomène en question. Nous intéressons notre recherche à l’entraînement passif par exosquelette du membre supérieur. Nous proposons une échelle d’évaluation adaptative intra-patient qui est capable de détecter les changements de performance intra-patient pendant l’entraînement robotique. L’apprentissage moteur, le processus par lequel notre cerveau acquiert de nouvelles capacités motrices ou réapprend celles qu’il a perdues suite à un incident neurologique ou traumatique, est notre entrée pour étudier ce phénomène. L’interaction du système composé de l’appareil, de l’incitation sous forme de jeux sérieux et des patients avec tous leurs niveaux d’existence, physiologiques, psychologiques et cognitifs est le système d’étude. Les composants présentent des qualités hétérogènes et des changements dynamiques. La sortie du système sous la forme de trajectoires exécutées est notre instrument de mesure pour étudier les interactions au sein du système. Nous formulons le modèle de trajectoire comme une chaîne de Markov et utilisons le filtre de Kalman pour estimer les états lissés. Alors que la dynamique varie dans le temps, nous modélisons les hypothèses sur le mouvement dans une formulation dynamique et estimons ses paramètres à partir des données. Pour tenir compte de la variabilité temporelle, nous introduisons une source de bruit parallèle à la dynamique et l’estimons à l’aide d’un algorithme d’espérance-maximisation. vi La nature temporelle n’étant qu’une seule facette du phénomène cinématique, nous supposons un alignement temporel variable et l’estimons en utilisant l’itération d’espérance-maximisation pour augmenter la vraisemblance du modèle estimé par rapport aux trajectoires observées. Une fois appris, les paramètres dépendants du modèle et extraits sont utilisés pour comparer les différences de performance. Les propriétés des outils d’évaluation clinique sont étudiées et les résultats sont formulés pour répondre aux besoins communément signalés. En partant des mêmes principes fondamentaux de l’apprentissage moteur, nous avons cherché à définir un nouvel instrument d’évaluation visuelle destiné à répondre au besoin d’un formulaire de retour d’information facile à communiquer pour le patient. Nous présentons et évaluons les propriétés cliniques de l’outil tout en fournissant des résultats de validation sur des données cliniques attestant de la sensibilité longitudinale de l’outil. L’hypothèse sous-jacente de la visualisation a ensuite été évaluée à l’aide d’une mesure objective de la valeur de probabilité maximale dérivée d’un modèle probabiliste des trajectoires et appliquée sur un modèle de trajectoire hautement probable appris à l’aide d’un régresseur Kernel K-Nearest Neighbors (KNN).