Gait event recognition for triggering functional electrical stimulation during robotic gait training

Abstract

Der Rehabilitationsprozess von Patienten, die aufgrund von neurologischen Defiziten, wie sie zum Beispiel nach einem Schlaganfall auftreten, an Gangstörungen leiden, umfasst ein breites Spektrum an Behandlungsmethoden. Nicht-pharmakologische Rehabilitationstechniken wie robotergestütztes Gangtraining oder funktionelle Elektrostimulation können dabei die Rehabilitation dieser Patienten unterstützen. In der klinischen Routine werden beide Technologien meist getrennt voneinander eingesetzt. Durch die Kombination dieser Techniken können jedoch potenzielle Nachteile wie eine inkorrekte Muskelaktivierung aufgrund passiv induzierter Bewegung kompensiert werden, was zu einer Verbesserung des Therapieeffektes und zu besseren Rehabilitationsergebnissen führen kann. Für eine prospektive Kombination dieser Technologien wurde ein Algorithmus entwickelt, der Gangereignisse während des robotergestützten Gangtrainings unter Verwendung von linearer-Beschleunigungs- und Winkelgeschwindigkeitsdaten aus Inertialsensoren extrahiert. Diese Gangereignisse können perspektivisch zur Auslösung einer funktionellen elektrischen Stimulation während der robotergestützten Gangrehabilitation verwendet werden. Da dieser neuartige Ansatz unabhängig von den roboterspezifischen Schnittstellen und den vom Roboter bereitgestellten Daten ist, kann der Aufbau autonom betrieben werden, was die Möglichkeit bietet, eine große Bandbreite an Gangtrainern mit dieser Technologie auszustatten. In dieser Arbeit wurden Machbarkeit, Anwendbarkeit, Robustheit und Leistungsfähigkeit des neu entwickelten Konzepts evaluiert. Zunächst werden die Entwicklung des Detektionsalgorithmus im Detail beschrieben und die Methoden zur Erkennung von Gangereignissen und zur Fehlerbehandlung erläutert. Des Weiteren wurde ein Algorithmus für eine willkürliche Sensorausrichtung entwickelt. Dieser wird im Detail beschrieben und evaluiert. Als nächster Schritt wird die Machbarkeit des Systems bestehend aus Inertialsensoren für die Erfassung von Gangereignissen beim robotergestützten Gangtraining evaluiert. Für diese Auswertung führte ein gesunder Proband insgesamt sechs Trainingseinheiten mit zwei unterschiedlichen Gangtrainern durch (exoskelettales System und endeffektor-basiertes System). Die Daten wurden mit dem entwickelten Algorithmus analysiert, und es wurde eine Gesamterkennungsrate von ca. 99% für das exoskelettale System und ca. 96% für das endeffektor-basierte System erreicht. Zusätzlich wurden die Falsch-Positiven, welche falsch erkannte Schritte darstellen, berechnet. Der Gesamtwert der Falsch-Positiven betrug ca. 1% für beide Systeme. In einem dritten Schritt werden die Anwendbarkeit und Robustheit des Systems in der klinischen Routine berücksichtigt. Dazu wurde eine Gesamtzahl von n=10 Probanden mit Schlaganfall für die Teilnahme an einer klinischen Studie rekrutiert. Die Patienten wurden entsprechend ihrem Leistungsniveau in zwei Gruppen aufgeteilt und den robotergestützten Gangtrainern (exoskelettales System und endeffektor-basiertes System) zugewiesen. Mit den entsprechenden Gangtrainern führten sie ihre normale Rehabilitationsroutine durch, die Erhebung der Bewegungsdaten erfolgte mittels Inertialsensoren. Der entwickelte Algorithmus wurde mit den Daten der klinischen Studie getestet. Die Erkennungsrate über alle Patienten betrug ca. 96% für das endeffektor-basierende System, die Analyse des exoskelettalen Systems zeigte einen Erkennungsrate von ca. 99%. Zusätzlich wurden die Falsch-Positiven berechnet; der Wert über alle Patienten betrug ca. 1% sowohl für das endeffektor-basierte System als auch das exoskelettale System. In einem letzten Schritt wurde die Leistungsfähigkeit des Algorithmus und die Möglichkeit zur Auslösung einer funktionellen elektrischen Stimulation auf Grundlage der extrahierten Gangereignisse untersucht. Die Leistung des Algorithmus basiert dabei auf der induzierten Verzögerung der Mess- und Ausführungskette des Konzepts. Insgesamt induziert der Algorithmus (bei einem Sensor) eine mittlere Latenzzeit von ca. 282μs. Die mittlere Latenzzeit einer seriellen Übertragung zum Senden des Stimulationsbefehls der funktionellen elektrischen Stimulation betrug ca. 2μs. Darüber hinaus wurden die Bluetooth-induzierte Latenz und die Latenz aufgrund physiologischer Prozesse wie der elektromechanischen Verzögerung theoretisch untersucht. Das Resultat war eine Gesamtverzögerung von ca. 148ms, die eine realisierbare Grundlage für eine zukünftige funktionelle elektrische Stimulation während der Behandlung mit Gangtrainern darstellt. Im Ergebnis liefert das Konzept in Abhängigkeit der Schrittdauer des Gangtrainers und der induzierten Verzögerung durch die Mess- und Ausführungskette sowie der Verzögerung durch physiologische Prozesse vielversprechende Ergebnisse für die zukünftige Forschung – und eine Technik, die den Rehabilitationsprozess von Menschen mit Gangstörungen durch die Kombination von roboterunterstütztem Gangtraining mit funktioneller elektrischer Stimulation verbessern kann. Die in dieser Arbeit vorgestellten Ergebnisse zeigen den ersten wissenschaftlich fundierten Ansatz der Verwendung von Inertialsensoren zur Gangereigniserkennung beim robotischen Gangtraining mit der Perspektive, die Therapie mit funktioneller elektrischer Stimulation zu unterstützen.

The rehabilitation process of patients who suffer from gait disorders caused by neurological defects such as stroke involves a broad variety of treatment methods. Non-pharmacological rehabilitation approaches such as robotic gait training or functional electrical stimulation have shown to support the rehabilitation of these patients. In clinical rehabilitation routine, both technologies are mainly used separately from each other. By combining these techniques, potential disadvantage such as improper muscle activation due to passively induced movement can be compensated and can lead to an improvement of therapy effects and better rehabilitation results. For a prospective combination of the mentioned technologies, an easy and lightweight algorithm was designed. The goal of the algorithm is to detect certain gait events during clinical robotic gait therapy. The detection is based on sensor data such as linear acceleration and angular velocity. Recognized phases perspectively can be utilised to activate functional electrical stimulation during the rehabilitation with robotic gait trainers. As this novel setup is independent from robot-specific interfaces, it can be operated autonomously, which offers the possibility to equip a wide variety of robotic gait trainers with this technology. In this work the feasibility, applicability, robustness and performance of the newly developed concept was evaluated. First, the development of the algorithm is described in detail and the gait event detection and error handling methods are elaborated. Furthermore, an arbitrary sensor alignment algorithm is introduced and explained. Second, the feasibility of a concept with inertial sensors for the acquisition of gait events during robotic gait therapy is evaluated. For this evaluation, a healthy subject performed six recording sessions with two different robotic gait trainers (one exoskeletal robotic system and one end-effector based system). The data was analysed with the generated algorithm and detection rates were calculated. A value of approx. 99% for the exoskeletal system and a value of approx. 96% for the end-effector based system were achieved. Additionally, false-positives representing incorrect detected steps were calculated. The value for both systems was approx. 1%. As a third step, the applicability and robustness of the proposed system during clinical routine was taken into consideration. Therefore, a number of n=10 stroke patients was recruited to participate in a clinical study. Before the recordings, as a part of the normal rehabilitation routine, specially trained therapists screened the participants and decided whether the subject should perform the therapy in the exoskeletal robotic system or in the end-effector based system. The specially designed algorithm was tested using the collected data from the clinical trial. As a result, an approximate value of 96% over all patients for the detection rate in end-effector based system was achieved. The detection rate of the exoskeletal system over all patients had a value of approx. 99%. Furthermore, false-positives were calculated. The value of false-positives over all patients was approx. 1% for both systems. As a last step, the performance of the algorithm and possibility to trigger functional electrical stimulation based on the extracted gait events was investigated. The performance of the algorithm is focussed on the induced delay of the measurement and execution chain of the proposed concept. Overall, the algorithm for one sensor induces a mean latency of approx. 282μs. The mean latency of a serial transmission to send the stimulation command for the trigger of functional electrical stimulation was approx. 2μs. Furthermore, the Bluetooth-induced latency and the latency due to physiological processes such as the electromechanical delay were investigated theoretically and resulted in an approximate overall delay of the proposed concept of approx. 148ms, which provides a feasible basis for a future functional electrical stimulation during the robotic treatment. As a result, depending on the step duration of the robotic system, the induced delay due to the measurement/execution chain and the delay due to physiological processes, the proposed concept delivers encouraging findings for future research and provides a method that can improve the recovery of people with walking disturbances by actively activating the muscles with electrical stimulation during the robotic gait therapy. The results presented in this thesis show the first scientifically based approach of using inertial measurement units for the gait recognition during robotic gait training with the perspective of triggering functional electrical stimulation during the therapy.