文 / 蘇同叔
Krithika Swaminathan 和 Conor J. Walsh最新發表在《科學》(SCIENCE)期刊的< 復健機器人上路>(Rehabilitation robots to go)已經預告,未來幫助行動不便的人能夠練習和體驗更好運動的,不適外勞外傭,而是復健機器人。
復健需要從診所延伸到社區和家庭,為患者提供持續的護理。為了實現這一目標,工程師、臨床醫生和最終用戶開發了可穿戴機器人,讓行動不便的人能夠練習和體驗更好的運動。儘管這些系統歷來被視為輔助技術,但正在進行的工作表明,這些便攜式自主機器人以及它們所得的數據可以帶來根本不同的復健方法。人們可以想像,未來可穿戴機器人被用於診所,以減輕臨床醫生的身體負擔,同時了解患者的具體損傷情況,然後被送到患者家中,通過個性化的機器學習算法跟踪其復健情況。
硬體和軟件方面的最新技術進步正在促進向現實世界使用的轉變。驅動硬件的創新方法通過電纜驅動或氣動驅動機構實現更高的比功率(每單位質量的功率))。基於服裝的柔軟界面可以是輕量級的,對用戶沒有限制,讓設備在輔助運動、機械透明和抵抗力量訓練的運動之間平穩過渡。這些系統的模塊化程度更高,還可以根據個人的具體缺陷定制技術。除了新的機械設計之外,基於學習的估計算法現在使用可穿戴傳感器來檢測和量化運動,控制策略現在將用戶帶入控制迴路以提供個性化干預。這些技術進一步使得研究臨床之外高劑量和高強度訓練的復健潛力成為可能。
可穿戴雲連接機器人將迎來數據驅動的物理遠程復健時代。集成傳感可以為臨床醫生和用戶提供有關重要生物力學和生理指標的反饋,類似於智能健身追踪器。然而,將這種反饋與臨床輸入最佳地結合起來以指導運動學習並鼓勵行為改變仍然是一個開放的挑戰。此外,由於任何給定個體的可用數據有限且個體之間存在較大差異,因此在臨床人群中開發通用數據驅動的 ML 和 AI 算法尤其複雜。連續運動評估還提高了表徵患者進展的時間分辨率,從而能夠更及時、更準確地檢測性能下降或改善。
然而,由於傳感器漂移、傳感器放置、環境變化和日常用戶變化,開發對跨恢復時間尺度(數月到數年)的噪聲具有魯棒性的估計算法仍然是一個挑戰。由於現實世界中缺乏真實數據,驗證這些方法變得更加複雜。如果成功,來自患者和機器人的相應數據可以與機器學習技術結合使用,以確定誰最有可能從給定設備中受益。這種分類將能夠有效地制定乾預措施,最大限度地降低臨床醫生和患者的成本。然後,該領域將有新的機會來研究縱向數據如何為訓練參數個性化的新方法提供信息,例如生物反饋和設備控制器優化。
來自現實世界中佩戴的可穿戴機器人的數據將為計算模型的設計和復健過程中人機交互的實驗驗證提供信息,最終形成與最終用戶更好地協同的自適應系統。
本文僅代表作者立場,不代表本平台立場
Facebook Comments 文章留言