Améliorer la réhabilitation avec l'entraînement à la marche assisté par robot

L'entraînement à la marche assisté par robot est une technique utilisée en réhabilitation pour aider les gens à améliorer leur capacité à marcher. Ce truc est censé être plus constant que les méthodes traditionnelles. L'idée, c'est que le robot fournit la bonne quantité d'aide en fonction de ce dont chaque personne a besoin. En comprenant comment une personne réagit à cette aide, on peut déterminer la meilleure façon de l'assister.

Pour définir le niveau idéal de soutien pour chaque personne, on doit prendre en compte les différences entre individus et équilibrer le nombre d'essais avec la précision de nos prédictions. Pour relever ces deux défis, une nouvelle méthode impliquant directement les humains a été créée. Cette approche a été testée avec plusieurs méthodes pour l'améliorer, et des études précédentes ont montré qu'utiliser des infos supplémentaires sur comment l'aide du robot interagit avec les mouvements de la personne peut rendre l'entraînement plus efficace et diminuer le nombre d'essais nécessaires.

Malgré les avancées, les précédentes méthodes utilisant cette approche humaine n'ont pas vraiment pris en compte comment une personne s'adapte à l'assistance du robot pendant l'entraînement. Les modèles existants supposaient que la réponse d'une personne resterait la même avec le même niveau d'aide, ce qui limite leur application en réhabilitation. Donc, c'est super important de créer des modèles qui prennent en compte comment les gens s'ajustent à l'entraînement avec des robots.

#Modèles d'Adaptation Motrice

Les modèles d'adaptation motrice expliquent comment notre cerveau change sa façon de contrôler le mouvement en réponse à différentes conditions. Par exemple, quand on fait face à de nouveaux défis, notre cerveau affine sa compréhension de comment bouger grâce à des modèles d'apprentissage basés sur l'erreur. Dans ces modèles, le cerveau ajuste en comparant ce qui était prévu avec ce qui se passe réellement.

Un modèle souvent utilisé s'appelle le modèle d'apprentissage basé sur l'erreur à deux états, principalement focalisé sur les mouvements des bras. Ce modèle montre comment les gens utilisent souvent leurs expériences passées pour orienter leurs mouvements actuels. Cependant, bien que ce modèle puisse décrire le processus d'adaptation pendant l'entraînement, il ne prend pas en compte les changements de réponses après l'entraînement, ce qui est crucial pour la réhabilitation, surtout après des blessures neurologiques. En plus, les modèles précédents n'ont pas été testés en profondeur sur les mouvements de marche.

Dans notre recherche, on a examiné la relation entre l'aide fournie aux articulations de la hanche et du genou pendant l'entraînement à la marche et les résultats mesurés durant le processus. On a développé un modèle d'apprentissage dépendant de l'usage modifié en ajoutant une façon de mettre à jour les états de référence à un modèle existant pour qu'il puisse aussi décrire les effets persistants après l'entraînement. Plusieurs modèles d'adaptation motrice, y compris le modèle à état unique, l'apprentissage dépendant de l'usage, les modèles à deux états rapide et lent, et notre modèle d'apprentissage dépendant de l'usage modifié, ont été comparés sur la base de la façon dont ils s'adaptaient aux réponses des participants durant et après l'entraînement à la marche.

#Collecte et Traitement des Données

Dans une étude précédente, seize participants en bonne santé ont marché sur un tapis roulant tout en recevant différents schémas d'aide à leurs articulations de la hanche et du genou. Huit schémas uniques ont été créés en fonction des différents timings et quantités d'aide fournis. Chaque participant a connu le même schéma d'aide pour un total de 200 foulées. Avant de commencer l'aide, ils ont marché sans aide pendant 100 foulées et ont continué à marcher sans aide pendant 100 foulées après l'intervention.

Deux mesures principales ont été prises durant cette recherche : l'angle auquel la hanche s'étend quand le sol pousse vers le bas, et l'impulsion qui aide à les propulser vers l'avant.

Les réponses de chaque personne ont été analysées séparément pour chaque condition de mesure. Les différences de réponses survenues durant l'expérience ont été abordées via une méthode appelée interpolation linéaire. Pour minimiser le bruit dans les mesures, les réponses à chaque foulée étaient moyennées avec les deux réponses précédentes et les deux suivantes pour trois phases différentes : de base, intervention d'aide, et effets résiduels. Les réponses collectées des 20 dernières foulées de la phase initiale ont été utilisées pour établir une base de comparaison.

#Modélisation de l'Apprentissage Dépendant de l'Usage en Réponse

On a utilisé cinq modèles d'adaptation motrice pour expliquer comment les participants ont réagi à l'assistance de couple. Pour capter les changements progressifs dans les réponses des participants durant et juste après l'entraînement, on a choisi le modèle d'apprentissage dépendant de l'usage. Cependant, comme le modèle original ne pouvait pas rendre compte des effets résiduels, on a modifié le modèle pour inclure une façon de mettre à jour les états de référence. De plus, on a aussi testé les modèles standards d'adaptation motrice.

#Divers Modèles Expliqués

1. Modèle à État Unique
   Ce modèle explique comment les mouvements planifiés sont influencés par les mouvements précédents et les erreurs rencontrées. Il utilise une méthode simple pour montrer comment ces influences fonctionnent.

2. Modèle à deux états Rapide et Lent
   Ce modèle décompose les mouvements planifiés en deux parties : une réaction rapide et une plus lente. La partie rapide s'ajuste vite aux nouvelles conditions, tandis que la lente retient les retours d'erreurs passées, entraînant des effets résiduels même après l'entraînement.

3. Modèle à Deux États
   C'est une version générale du modèle à deux états rapide et lent, offrant un cadre plus complet pour comprendre l'adaptation motrice.

4. Modèle d'Apprentissage Dépendant de l'Usage
   Ce modèle se concentre sur comment les expériences précédentes façonnent les réponses actuelles. Il capture comment la réponse humaine lors des perturbations est influencée par les expériences passées.

5. Modèle d'Apprentissage Dépendant de l'Usage Modifié
   Ce modèle est une évolution du modèle d'apprentissage dépendant de l'usage et inclut la capacité de décrire les effets résiduels de l'entraînement, le rendant plus adapté à la réhabilitation.

#Ajustement des Modèles aux Réponses

On a utilisé ces cinq modèles pour analyser les données collectées auprès des participants durant l'étude. Comme les participants avaient besoin de temps pour s'adapter au tapis roulant, on s'est concentré sur les réponses mesurées après les 80 premières foulées pour notre analyse. Chaque modèle a été ajusté à ces réponses pour trouver les meilleurs coefficients qui minimiseraient la différence entre les prédictions du modèle et les données mesurées réelles.

Les modèles ont été testés plusieurs fois avec différentes valeurs de départ pour éviter de tomber dans des minima locaux durant l'ajustement. Les meilleures valeurs ajustées pour chaque modèle ont ensuite été comparées en utilisant des méthodes statistiques pour évaluer à quel point chaque modèle décrivait les réponses des participants.

#Analyse Statistique

Les résultats de chaque modèle d'adaptation motrice ont été analysés pour vérifier la normalité. Si les résultats étaient normalement distribués, des tests t appariés ont été effectués. Sinon, un test de Wilcoxon rang signé a été utilisé. Étant donné que plusieurs comparaisons ont été faites, on a ajusté le taux de découverte faux pour garantir des résultats fiables.

En analysant les réponses moyennes par groupe, on n'a trouvé aucune différence significative entre plusieurs modèles d'adaptation motrice. Cependant, pour les réponses au niveau individuel, les modèles à deux états et d'apprentissage dépendant de l'usage modifié ont systématiquement mieux performé que les autres.

#Discussion et Conclusions

Cette recherche examine l'efficacité de cinq modèles d'adaptation motrice différents pour comprendre les réponses moyennes par groupe et individuelles durant l'entraînement à la marche assisté par robot. Sur la base de la qualité des ajustements des modèles, le modèle d'apprentissage dépendant de l'usage modifié s'est révélé le plus efficace pour décrire les résultats de groupe. Pour les réponses individuelles, à la fois le modèle modifié et le modèle à deux états ont bien fonctionné, particulièrement pour mesurer l'extension de la hanche.

Les résultats suggèrent que, bien que les réponses moyennes par groupe ne montrent pas de différences significatives entre les modèles, une analyse plus approfondie au niveau individuel conduit à des conclusions plus claires sur l'adaptabilité. Les réponses liées à l'extension de la hanche étaient plus efficacement décrites par les modèles par rapport à celles liées à la propulsion.

Les modèles à état unique et d'apprentissage dépendant de l'usage original pourraient ne pas capter les effets résiduels, donc les recherches futures devraient se concentrer sur le modèle modifié et le modèle à deux états lors de l'examen des changements prolongés après l'entraînement. Globalement, les résultats soulignent le besoin de modèles précis qui peuvent prendre en compte les différences individuelles et les réponses durant la thérapie d'assistance robotique.