یک پروتکل بیوفیدبک بصری جدید مبتنی بر آنالیز الگوهای سینرژی عضلانی به منظور بازتوانی حرکتی اندام فوقانی در بیماران سکته مغزی ایسکمیک: یک مطالعه آزمایشی

مقدمه: ناتوانی عملکردی اندام فوقانی یک عارضه شایع در میان بازماندگان سکته مغزی است. هدف اصلی این مطالعه، ارائه یک پروتکل بیوفیدبک بصری با استفاده از شناسائی مدلی مبتنی بر الگوهای سینرژی عضلات بازو به منظور یادگیری حرکتی و بازتوانی حرکتی بازماندگان سکته مغزی دچار فلج نیمه بدن بود. مواد و روش‎ها: در این مطالعه، ابتدا بصورت همزمان داده‌های حرکتی مربوط به موقعیت چهار مفصل و سیگنال الکترومیوگرافی سطحی چهار عضله درگیر در حرکت بازو در صفحه عرضی از افراد سالم اخذ، پیش‌پردازش و همگام‌سازی شد. در گام بعدی الگوهای سینرژی عضلانی با استفاده از روش حداقل مربعات متناوب سلسله مراتبی (hals) استخراج و به‌طور همزمان، داده‌های سینماتیکی توسط الگوریتم mediapipe اصلاح‌شده ثبت و در نهایت از یک مدل یادگیری عمیق بر پایه واحد بازگشتی دروازه‌ای (gru) برای نگاشت بین آنها استفاده شد. خروجی مدل، به‌عنوان منحنی بیوفیدبک بصری به منظور اجرای تمرین‌های حرکت بازوی دست بیماران در نظر گرفته شد. یافته‌ها: ارزیابی‌های نهایی نشان می‌دهد که مسیر تولید شده بوسیله مدل پیشنهادی، به‌طور بالقوه برای بیوفیدبک بصری مناسب است. همچنین شبکه عصبی مصنوعی مبتنی بر معماری gru بهترین کارایی را به منظور تولید منحنی بیوفیدبک بصری داشته است. نتیجه‌گیری: ارزیابی‌های تجربی و بالینی نشان خواهند داد که شرکت‌کنندگان می‌توانند مسیر بصری تولید شده توسط مدل را به‌طور قابل قبولی دنبال کنند از اینرو می‌توان از این مکانیزم برای بهبود و توسعه سیستم‌های بیوفیدبک جهت تسریع توانبخشی عملکردی بیماران دچار فلج نیمه بدن ناشی از سکته مغزی ایسکمیک در کنار روش‌های توانبخشی مرسوم استفاده کرده بشود.

a new visual biofeedback protocol based on analyzing the muscle synergy patterns to recover the upper limbs movement in ischemic stroke patients: a pilot study

introduction: upper limb functional disability is a common after-effect among stroke survivors. the main goal of this study was to present a visual biofeedback protocol to identify a model based on synergy patterns of the elbow muscles for motor learning and rehabilitation of stroke survivors with hemiparesis. materials and methods: first, kinematic data related to the position of four joints and the surface electromyography signal of four muscles involved in the arm movement in the transverse plane were collected, preprocessed, and synchronized. in the next step, muscle synergy patterns were extracted using the hierarchical alternating least squares (hals) method, and at the same time, kinematic data were recorded by the modified mediapipe algorithm. finally, a deep learning model based on the gated recursive unit (gru) was used to map between them. the model output was regarded as the visual biofeedback trajectory to conduct the exercise therapy by the patients. results: the evaluations showed that the path produced by the proposed model is potentially suitable for visual biofeedback. moreover, the artificial neural network based on gru architecture has had the best performance in generating the visual biofeedback trajectory. conclusion: experimental and clinical evaluations will show that participants can acceptably follow the visual trajectory generated by the model. therefore, this mechanism can be used to improve and develop biofeedback systems to accelerate the functional rehabilitation of patients with hemiplegia caused by ischemic stroke along with other conventional rehabilitation methods.