A Kinematic Framework for Upper Extremity Rehabilitation Assessment : Expectation- Maximization as a Motor Learning Model
Un modèle cinématique pour l'évaluation de la rééducation des membres supérieurs : l'espérance-maximisation comme modèle d'apprentissage moteur
Résumé
Motor learning as a recovery mechanism is assumed to be a framework that drived and guided physical therapy and now since the advent of robotics doing the same to the rehabilitation devices. The rehabilitation process presents the intersection of many different interconnected facets that co-interact to produce recovered movements. The use of the technology introduces many benefits while contributing to the complexity of the phenomena at hand. We interest our research to the passive exosquelette training of the upper limb. We propose an adaptive intra patient assessment scale that is capable of detecting intra-patient performance changes during robotic training. Motor learning, the process of our brain's acquiring newer motor skills or relearning those he lost due to neurological or traumatic incident is our portal to investigating this phenomenon. The interaction of the system that is composed of the device, the incentive in form of exercise games and the patients with all its level of existence, physiological, psycho-logical, and cognitive is the system of study. The components present heterogeneous qualities and dynamically driven changes. The system output in the form of the trajectories executed is our gauging instrument to investigate the interactions within the system. We formulate the trajectory model as a Markov Chain and use the Kalman Filter to estimate the smoothed states. While dynamics are variant in time we model the assumptions about the movement into a dynamical formulation and estimate its parameters from data. To account for the time variability we introduce parallel noise source to the dynamics and estimate it using an Expectation-Maximization algorithm. The temporal nature being only a single facet of the kinematic phenomena, we assume a variable temporal alignment and estimate it using Expectation-Maximization iteration to increase the likelyhood of the estimated model compared to the observed trajectories. Once learned the model dependent and extracted parameters are used to compare between differences in performance. The properties of the clinical assessment tools are investigated and results are formulated to answer the commonly reported needs. Stemming from the same fundamentals of motor learning, we aimed to define a new visual assessment instrument that is intended to fulfill the need of patient-first easily communicated feedback form. We present and assess clinical properties of the tools while providing validating results on clinical data attesting the longitudinal sensitivity of the tool. The underlying assumption of the visualization was then assessed using an objective measure of maximum probability value derived using a probabilistic model of the trajectories and expected on a highly likely trajectory model learned using a Kernel-Near-Neighbors Regressor.
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. 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'espérence-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).
Origine : Fichiers produits par l'(les) auteur(s)