Assistenza Robotica Adattativa nella Riabilitazione Post-Ictus

Negli ultimi anni, i sistemi di riabilitazione basati su robot sono diventati uno strumento utile per le persone che si riprendono da ictus a casa. Questi sistemi assistono i pazienti mentre lavorano sui loro compiti di terapia. I robot forniscono aiuto basato su regole che specificano quando e quanto supporto riceve il paziente. Trovare il livello giusto di assistenza è fondamentale per una riabilitazione di successo. Se l'aiuto è troppo poco, i pazienti potrebbero avere difficoltà e sentirsi ansiosi, portandoli a interrompere la terapia prematuramente. D'altra parte, se l'aiuto è troppo, i pazienti possono diventare troppo dipendenti dal robot.

Un metodo chiamato Assist-As-Needed (AAN) controlla quanto il robot aiuta il paziente in base alla sua performance durante la terapia. Quando il paziente se la cava bene, l'assistenza robotica diminuisce, e quando ha difficoltà, l'aiuto aumenta. Un semplice metodo AAN si concentra sulla riduzione dell'errore in un compito in cui il paziente segue un percorso specifico. L'assistenza in questo metodo viene fornita in base a due impostazioni decise da un terapeuta: quanto forte aiuta il robot e la massima quantità di errore consentita. Il modo in cui viene data assistenza può limitare i movimenti del paziente a un'area specifica. Se il paziente si allontana troppo dal percorso, il robot fornisce una forza per aiutarlo a rimettersi in carreggiata. Sfortunatamente, decidere le impostazioni giuste richiede il giudizio di un terapeuta, il che può portare a una dipendenza inutile dal robot.

Alcuni studi hanno suggerito modi per rendere questi sistemi assistivi più intelligenti, permettendo loro di regolare automaticamente l'aiuto che forniscono in base alle performance del paziente. Hanno sviluppato diversi tipi di modelli per capire come si comporta un paziente, ma molti di questi modelli sono specifici per singoli pazienti e non possono essere applicati a tutti. In questo documento, proponiamo un nuovo metodo che utilizza il Reinforcement Learning (RL) e che può adattare l'assistenza robotica in un modo che potrebbe funzionare per più pazienti.

L'organizzazione di questo documento è semplice. La prossima sezione esamina i controllori AAN esistenti. Dopo, descriviamo il nostro sistema proposto in dettaglio e presentiamo valutazioni sperimentali. Condivideremo i risultati dei nostri esperimenti e concluderemo con pensieri finali.

#Revisione della letteratura

#Controllori Assist-As-Needed

La ricerca mostra che le persone che usano dispositivi assistivi spesso si affidano troppo a essi, il che può rallentare il loro recupero. Questo ha portato allo sviluppo di controllori AAN che cambiano il livello di assistenza robotica in base a quanto bene si comporta il paziente.

Un gruppo di ricercatori ha proposto di utilizzare modelli specifici per i pazienti per prevedere come le persone modificano i loro movimenti in risposta a livelli diversi di assistenza. Altri hanno creato controllori AAN per ruote, ma questi metodi richiedono molti tentativi per adattare efficacemente l'assistenza a ciascuna persona.

Un altro studio si è concentrato sulla modellazione della difficoltà del compito per regolare i livelli di assistenza. Tuttavia, questo approccio si basa sull'apprendimento da schemi di movimento ideali dimostrati da esperti, il che può richiedere molto tempo. Un altro metodo ha utilizzato il concetto di forza assistiva massima per garantire la sicurezza del paziente, ma richiedeva anche sessioni di calibrazione regolari per funzionare efficacemente.

Alcuni ricercatori hanno utilizzato segnali da interfacce cervello-computer (BCI) e elettromiografia di superficie (sEMG) per adattare l'assistenza in base al coinvolgimento mentale o allo sforzo fisico. Tuttavia, questi metodi possono essere poco pratici per l'uso domestico, richiedendo configurazioni complicate e aiuto extra.

In questo articolo, suggeriamo un nuovo approccio utilizzando RL che evita le difficoltà associate a modelli complessi specifici per i pazienti e le limitazioni dei sistemi basati su sensori.

#Metodologia

#Panoramica di AR3n

Il nostro sistema di riabilitazione robotica assistiva, chiamato AR3n, è composto da tre parti principali: un ambiente di simulazione, un modulo di reinforcement learning e un dispositivo robotico per compiti motori. La parte RL utilizza un metodo chiamato Soft Actor-Critic (SAC) per imparare come fornire assistenza. Il dispositivo robotico aiuta l'utente durante gli esercizi di scrittura assistendolo nel controllare una penna virtuale.

#Compito motorio

Nel nostro studio, i pazienti usano un robot per simulare la scrittura a mano. Il dispositivo fornisce supporto in base a regole predefinite. Di solito, un terapeuta imposta la forza dell'aiuto del robot. Tuttavia, proponiamo un modo per adattare automaticamente questo aiuto in base a quanto bene il paziente si comporta.

Il dispositivo robotico utilizzato nello studio può fornire feedback a un ritmo veloce, rendendo l'esperienza più fluida per l'utente.

#Modulo di Reinforcement Learning

Il modulo di reinforcement learning include un agente basato su SAC che impara il modo migliore per supportare un paziente. L'agente RL esplora l'ambiente di simulazione e raccoglie dati per migliorare la sua capacità di fornire assistenza.

#Ambiente di addestramento

Abbiamo progettato un compito di simulazione della scrittura a mano in cui i pazienti virtuali cercano di seguire un percorso specifico. L'agente RL impara a assistere efficacemente questi pazienti virtuali. Ogni sessione di addestramento ha un insieme di compiti per i pazienti virtuali, e completare questi compiti aiuta l'agente RL a imparare quando e come fornire assistenza.

#Modello di forza del paziente virtuale

Per creare un modello di paziente virtuale, simula diversi comportamenti attraverso una combinazione di forze come forze tangenziali e normali, insieme a una forza del vento casuale che rappresenta le difficoltà motorie. Questo consente all'agente RL di vivere comportamenti diversificati dei pazienti durante l'addestramento.

#Formulazione del problema di Reinforcement Learning

Formalizziamo il problema di RL per progettare un ambiente strutturato dove l'agente può apprendere efficacemente. Lo stato dell'agente include informazioni sulla posizione del paziente e sulla sua performance precedente, permettendogli di prendere decisioni in base ad azioni attuali e passate.

Le azioni intraprese dall'agente includono determinare quanto aiuto dare in base alla performance del paziente. La funzione di ricompensa incoraggia l'agente a minimizzare gli errori di tracciamento, controllando anche quanto aiuto viene fornito.

#Rete Soft-Actor-Critic

La rete SAC è progettata per apprendere in modo efficace dall'esperienza. Utilizza un buffer di replay che aiuta l'agente a imparare dalle azioni passate, portando a prestazioni migliori. L'obiettivo è trovare un equilibrio tra apprendimento per tentativi ed errori e ottimizzazione dei ritorni, permettendogli di adattarsi meglio.

Abbiamo sperimentato con diversi valori di configurazione e determinato le migliori configurazioni per garantire un addestramento stabile e buone prestazioni.

#Valutazione sperimentale

Volevamo valutare l'efficacia di AR3n nel fornire assistenza tempestiva e migliorare le prestazioni in tempo reale. Volevamo anche confrontare le prestazioni di AR3n con un metodo tradizionale.

#Test simulati

Abbiamo testato la capacità di AR3n di fornire assistenza affidabile in un ambiente simulato. Sia AR3n che l'assistenza per riduzione degli errori tradizionale sono stati confrontati per vedere come si differivano in termini di supporto fornito.

#Studio su soggetti umani

Dopo aver valutato AR3n nelle simulazioni, abbiamo condotto uno studio umano con otto partecipanti sani. L'obiettivo era vedere quanto bene AR3n potesse adattarsi e assistere persone reali mentre cercavano di tracciare diverse forme usando il dispositivo robotico.

I partecipanti hanno affrontato una serie di prove con livelli di assistenza robotica variabili. L'obiettivo era valutare quanto bene si adattassero al compito e alla tecnologia.

#Risultati e discussione

#Risultati dei test simulati

I risultati hanno dimostrato che AR3n forniva un'assistenza fluida e adattabile rispetto ai metodi tradizionali. Il modo in cui AR3n regolava il supporto era più variegato invece di basarsi rigorosamente su soglie manuali. I metodi tradizionali presentavano un supporto più rigido, portando a una sensazione più meccanica.

#Risultati dello studio sui soggetti umani

Durante gli studi umani, i partecipanti hanno mostrato prestazioni di tracciamento migliorate quando assistiti da AR3n. Hanno registrato una riduzione dell'Errore di tracciamento, indicando che l'assistenza adattiva ha aiutato nel loro apprendimento motorio.

Nei nostri risultati, i soggetti che ricevevano assistenza da AR3n hanno dimostrato risultati migliori rispetto a quelli che utilizzavano metodi tradizionali. Questo evidenzia i vantaggi dei sistemi robotici adattivi nella riabilitazione.

#Conclusione

Il documento ha presentato AR3n, un nuovo controllore assistivo adattivo basato su RL per la riabilitazione robotica. AR3n ha utilizzato il metodo SAC per assistenza in tempo reale in base alla performance del paziente. La nostra ricerca si è concentrata sulla riduzione degli errori di tracciamento e sulla fornitura di aiuto adattabile senza dipendere da dati specifici del paziente.

AR3n si distingue dai metodi tradizionali perché non richiede la taratura manuale dei parametri. Invece, ci siamo affidati alla simulazione di diversi pazienti virtuali per creare un sistema che potesse funzionare per più persone.

I nostri esperimenti hanno mostrato che AR3n è efficace come strumento di riabilitazione, generalizzando con successo tra vari partecipanti e evitando i problemi di eccessiva dipendenza comuni nei sistemi tradizionali.

Sebbene il nostro sistema attuale regoli solo un aspetto dell'assistenza robotica, il lavoro futuro potrebbe coinvolgere l'esplorazione di altre variabili per migliorare ulteriormente le prestazioni. Sarà anche essenziale testare AR3n su un gruppo più ampio di pazienti con esigenze diverse per confermare il suo uso pratico in contesti clinici.