Conocimiento Bóveda 3/53 - Escuela de Primavera G.TEC BCI & Neurotecnología 2024 - Día 5
Interfaces neuro no invasivas para interactuar con exoesqueletos robóticos
Jose Maria Azorin, Universidad Miguel Hernández de Elche, Alicante (ES)
<Imagen de Resumen >

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Llama 3:

graph LR classDef exoskeletons fill:#f9d4d4, font-weight:bold, font-size:14px classDef rehabilitation fill:#d4f9d4, font-weight:bold, font-size:14px classDef bci fill:#d4d4f9, font-weight:bold, font-size:14px classDef results fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#f9d4f9, font-weight:bold, font-size:14px A["Jose Maria Azorin"] --> B["Los BCIs controlan exoesqueletos robóticos,
ayudan a caminar a personas con discapacidad. 1"] A --> C["El accidente cerebrovascular, lesiones de la médula espinal
dificultan el caminar. 2"] C --> D["Rehabilitación tradicional: de abajo hacia arriba,
los terapeutas mueven las piernas. 3"] B --> E["Los exoesqueletos aplican fuerzas,
aún enfoque de abajo hacia arriba. 4"] B --> F["Los BCIs evitan el daño, decodifican
el cerebro para controlar el exoesqueleto. 5"] F --> G["El proyecto WALK desarrolló un control robusto
del exoesqueleto BCI. 6"] G --> H["WALK se asoció con hospitales,
Universidad de Houston. 7"] F --> I["WALK utilizó imágenes motoras,
atención para la intención de caminar. 8"] G --> J["Resultados: BCI habilitó caminar con exoesqueleto. 9"] J --> K["Desafíos: diferencias de EEG, control conservador
causando paradas. 10"] G --> L["Entrenamiento en VR redujo el tiempo de
entrenamiento del exoesqueleto. 11"] L --> M["El grupo VR tuvo mejor
precisión de movimiento. 12"] G --> N["Pruebas de usabilidad: pacientes satisfechos,
esfuerzo sub-máximo. 13"] A --> O["Proyecto Regate: BCI y
estimulación de la médula espinal. 14"] O --> P["Regate: BCI asincrónico,
solo pensamientos 'caminar'/'parar'. 15"] O --> Q["Aprendizaje profundo entrenó modelos estáticos,
de movimiento. 16"] Q --> R["Ajuste fino de todas las capas logró
54% de precisión estática/movimiento. 17"] O --> S["Bucle cerrado: inicio confiable,
precisión de parada variada. 18"] S --> T["Paradas no intencionadas importantes,
mejor ratio 27%. 19"] O --> U["Detección de potencial de error puede
mejorar el algoritmo BCI. 20"] G --> V["Videos mostraron BCI exitoso,
demostración en vivo con paciente. 21"] A --> W["Conclusiones: Pacientes controlan exoesqueletos
vía BCIs EEG. 22"] W --> X["Próximo: ensayos clínicos para
validar beneficios de rehabilitación BCI. 23"] A --> Y["Presentador reconoció el arduo trabajo del equipo
de investigación. 24"] A --> Z["Progreso impresionante usando BCIs no invasivos
para parálisis. 25"] Z --> AA["Desarrollo futuro podría mejorar
movilidad, calidad de vida. 26"] class B,E exoskeletons class C,D,N,X,Z,AA rehabilitation class F,G,I,O,P,Q,T,U,V,W bci class J,K,L,M,R,S results class H,Y future

Resumen:

1.- Jose Maria Azorin discute interfaces cerebro-computadora (BCIs) para controlar exoesqueletos robóticos y ayudar a personas con discapacidades a caminar.

2.- El accidente cerebrovascular y las lesiones de la médula espinal causan dificultades para caminar. La rehabilitación tradicional utiliza un enfoque de abajo hacia arriba con terapeutas moviendo las piernas de los pacientes.

3.- Los exoesqueletos con actuadores pueden aplicar fuerzas para ayudar a los pacientes a caminar, pero aún usan un enfoque de rehabilitación de abajo hacia arriba.

4.- Los BCIs pueden evitar vías dañadas, decodificando señales cerebrales para controlar exoesqueletos. Esto combina enfoques de abajo hacia arriba y de arriba hacia abajo para una neuroplasticidad más fuerte.

5.- El proyecto WALK (2019-2020) desarrolló un BCI robusto para controlar un exoesqueleto con comandos básicos como caminar, parar, girar, acelerar/desacelerar.

6.- WALK colaboró con hospitales y la Universidad de Houston. El entrenamiento en bucle abierto ajustó modelos estáticos y de movimiento. Las pruebas en bucle cerrado evaluaron el control en tiempo real.

7.- WALK utilizó imágenes motoras y nivel de atención para detectar la intención de caminar. 27 electrodos EEG registraron señales, procesadas para controlar el exoesqueleto.

8.- Los resultados mostraron que la persona podía usar el BCI para caminar con el exoesqueleto. La precisión mejoró en múltiples sesiones.

9.- Los desafíos incluyeron tener en cuenta las diferencias de EEG entre estados estáticos y de caminata, y el control conservador a veces deteniendo el exoesqueleto involuntariamente.

10.- Un proyecto de seguimiento introdujo el entrenamiento en realidad virtual para reducir el tiempo de entrenamiento del exoesqueleto sin afectar negativamente el rendimiento del control en bucle cerrado.

11.- El grupo de entrenamiento en VR logró una precisión estática similar y mejor precisión de movimiento en comparación con el grupo de control sin VR.

12.- Las pruebas de usabilidad con pacientes con lesiones de la médula espinal encontraron que estaban satisfechos con el rendimiento del BCI-exoesqueleto. El esfuerzo aumentó pero se mantuvo sub-máximo.

13.- El proyecto Regate (2022) está desarrollando un nuevo enfoque de rehabilitación combinando BCIs basados en EEG y estimulación de la médula espinal.

14.- Regate utiliza un BCI asincrónico donde el usuario solo necesita pensar "caminar" para comenzar y "parar" para detenerse, no imaginar continuamente caminar.

15.- Los modelos estáticos y de movimiento se entrenaron utilizando aprendizaje profundo (EEGNet) en datos de sesiones iniciales, luego se ajustaron en sesiones posteriores.

16.- El ajuste fino de todas las capas de los modelos de aprendizaje profundo logró la mejor precisión - 54% para estático y movimiento.

17.- En pruebas de bucle cerrado, los usuarios podían comenzar a caminar de manera confiable con el exoesqueleto. La precisión de parada varió entre los usuarios (35-90%).

18.- Evitar paradas no intencionadas es importante. El mejor ratio de paradas no intencionadas fue del 27%, pero algunos usuarios tuvieron ratios más altos.

19.- El trabajo actual busca mejorar los resultados incorporando la detección de potencial de error en el algoritmo BCI.

20.- Los videos demostraron la operación exitosa del BCI, incluida una demostración en vivo con un paciente frente a la prensa, a pesar de las distracciones.

21.- Conclusiones clave: Los pacientes pueden controlar exoesqueletos usando BCIs basados en EEG. Esto es probablemente beneficioso, pero aún se necesitan ensayos clínicos.

22.- Los próximos pasos son realizar ensayos clínicos con muchos pacientes durante períodos prolongados para validar los beneficios de rehabilitación del enfoque BCI.

23.- El presentador reconoció el arduo trabajo de los miembros de su equipo de laboratorio que están avanzando en la investigación que presentó.

24.- En general, la investigación demuestra un progreso impresionante en el uso de BCIs no invasivos para restaurar la capacidad de caminar en individuos con parálisis o discapacidades motoras.

25.- El desarrollo futuro de esta tecnología podría proporcionar una nueva opción de rehabilitación prometedora para mejorar la movilidad y la calidad de vida de los pacientes.

Bóveda del Conocimiento construida porDavid Vivancos 2024