Modeling of human grasping movements for automated neurorehabilitation

Abstract

ZusammenfassungEine der weltweit häufigsten Ursachen für Therapie- und Pflegebedarfe sind neurologisch induzierte Funktionsverluste der oberen oder unteren Extremitäten, wie beispielsweise in Folge eines Schlaganfalls. Die anschließend überwiegend manualtherapeutisch stattfindende Betreuung der Patienten erfolgt allerdings häufig nicht in wünschenswerter Frequenz und Dauer, was die Rekonvaleszenz verzögern kann. Gleichzeitig stellen neurologische Erkrankungen und die resultierenden Funktionsverluste für die Betroffenen einen enormen Eingriff sowohl in das private als auch berufliche Leben dar und kommen aufgrund des demographischen Wandels immer häufiger vor. Um dem Patienten ein automatisiertes Training zur Wiederherstellung der Funktionsverluste zu ermöglichen, ist ein fundiertes Verständnis physiologisch korrekter Bewegungsmuster notwendig. Im Kontext menschlicher Greifbewegungen werden daher existierende Studien sowie der resultierende Forschungsbedarf beschrieben und ein auf die Ableitung von Bewegungskenngrößen ausgerichteter Versuchsaufbau für die oberen Extremitäten entwickelt, bei dem Greifparameter, wie der Objektdurchmesser und die Greifposition, für eine tiefergehende kinematische Betrachtung variiert werden können. Die exemplarisch von einem Therapeuten durchgeführten Greifbewegungen werden mit einem 3D-Kamerasystem ausgewertet, diskutiert und in Form eines Modells zusammengeführt, welches Transport- und Greifphase kombiniert. Das entwickelte Modell erlaubt die Parametrierung der gesamten Greifbewegung insbesondere in Bezug auf Greifort und Objektdurchmesser und wird mit nicht in der Erstellung genutzten Datenpunkten in Bezug auf die Intra-Modell-Plausibilität der generierten Bewegungen hin evaluiert. Zudem wird das Modell mit Bewegungsmustern von zwei weiteren Probanden verglichen, um die Hypothese der grundsätzlichen Eignung der modellierten Bewegungen für die Therapie auf Basis eines qualitativen Vergleichs zu untermauern, ohne Allgemeingültigkeitsanspruch zu erheben. Durch die Nutzung von realen Bewegungsdaten der zwei Phasen wird damit jedoch ein weitaus höherer Authentizitätsgrad des Greifens erreicht, als beispielsweise durch die Nutzung von Standardfahrrampen oder chronologisch unzusammenhängender Bewegungsdaten der Transport- oder Greifphase allein, wie sie in der Literatur vorherrschend sind. Das Modell bietet daher eine Grundlage für ein variantenreiches robotergestütztes Greiftraining im Rahmen der automatisierten Neurorehabilitation.Praktische Relevanz: Der Einsatz automatisierter Rehabilitationsgeräte unterstützt Therapeuten bei der patientenzentrierten Therapie neurologischer induzierter Funktionsverluste des Bewegungsapparats und ermöglicht den Betroffenen eine schnellere Rekonvaleszenz bei gleichzeitiger Entlastung des therapeutischen Personals. Die physiologisch korrekte Bewegungsanbahnung durch den Roboter stellt in diesem Kontext einen elementaren Therapiebaustein dar.