Utilisation d’un système de biofeedback en temps réel grâce à une interface visuelle lors d’une réhabilitation
Introduction
Les patients avec des dysfonctions motrices connaissent des limitations dans le contrôle moteur fin, la force ou l’amplitude d’un mouvement. Pour surmonter ces limitations, nous conseillons souvent la répétition d’exercices au cours de la réhabilitation. Néanmoins, le nombre de mouvement au cours d’une séance s’avère insuffisant, et l’une des raisons pour laquelle nos patients ne le font pas à la maison est le manque de motivation. Les connaissances à propos de « comment performer » et à propos du « progrès », sont autant de raisons de maintenir le patient motivé. De plus, une augmentation de la motivation peut se transférer dans une plus grande implication lors de l’apprentissage moteur.
Dans la réhabilitation motrice, l’utilisation du biofeedback s’est montrée être une variable puissante, influençant l’apprentissage d’aptitudes motrices, et une voie efficace pour fournir des tâches motivantes, facilitant le processus de réhabilitation. L’une des caractéristiques les plus importantes de cette pratique est l’information reçue par le patient par rapport à ses tentatives à produire une action. Cette information peut être reçue à travers deux types générales de feedback pour corriger consciemment et volontairement un mouvement ou une posture :
- Le feedback intrinsèque : il se réfère à la portion naturelle à réaliser une tâche et s’appuie sur l’information sensitive de perception.
- Le feedback extrinsèque, ou feedback augmenté : il se réfère à l’ajout ou à l’augmentation de la perception du feedback intrinsèque à l’aide d’une source externe. La source externe peut être le thérapeute ou un appareil comme les systèmes de biofeedback.
Le développement récent de la technologie a augmenté considérablement le nombre d’outils disponibles pour augmenter le feedback relatif au mouvement, encourageant les patients à pratiquer des tâches motrices fonctionnelles, et fournissant des données intéressantes aux thérapeutes. Au cours des dernières années, en raison de son faible coût et de sa transportabilité, le Microsoft KinectTM a fait l’objet de beaucoup de recherches et de mesures anatomiques sans marqueurs. Avec le potentiel des capteurs KinectTM, son application a été assez diverse, comme la découverte des mouvements du corps humain, le suivi et la reconnaissance d’une action, l’évaluation clinique et la réhabilitation.
Objectif
Le but de cette étude est de développer un système de biofeedback capable de motiver les patients avec des dysfonctions motrices des membres supérieurs, en évaluant leur performance durant la pratique d’une tâche basée sur la mesure de l’amplitude (ROM) tout en donnant un feedback positif lorsqu’ils ont de bons résultats.
Méthode
Dans cette étude, 10 patients sains (4 femmes, 6 hommes) ont participé. Durant l’acquisition des données, les sujets ont porté des vêtements près du corps pour assurer l’intégrité des mesures. Les vêtements du bas de corps n’ont pas été imposés, mais les surfaces brillantes, comme les ceintures, ont été interdites.
Le capteur KinectTM est positionné à 2 mètres en face du sujet. Pour mesurer l’efficacité du biofeedback, les sujets réalisent 2 fois un exercice : d’abord en suivant les instructions du thérapeute, puis en ajoutant le biofeedback visuel aux instructions du thérapeute. Les deux exercices sont enregistrés avec le capteur KinectTM. Les données recueillies sont la coordination spatiale articulaire, le temps d’acquisition, l’amplitude, et les informations du patient. Dans cette étude le mouvement utilisé est l’abduction d’épaule. Un kinésithérapeute est présent durant toute la phase des mesures pour s’assurer que le patient ne compense pas avec le thorax.
La conception du système offre la possibilité aux patients de trois types d’exercice :
- Exercice de répétition : le thérapeute défini un nombre de répétitions et un angle cible.
- Exercice de maintien : le sujet doit tenir un nombre de secondes défini à un angle cible.
- Exercice de suivi d’animation : le sujet doit suivre une animation à une certaine vitesse.
La figure ci-dessus représente l’exercice de maintien d’un angle cible.
La mesure de la variation de l’angle (0) et la variable d’erreur (Error) sont calculées en fonction des équations suivantes, entre les exercices avec ou sans biofeedback :
- (a) : Début de l’exercice, lorsque la mesure de l’angle est dans la zone rouge
- (b) : L’amplitude est plus proche de l’angle cible, l’animation devient donc orange
- (c) : L’amplitude désirée, l’animation devient verte et le compte à rebours commence
- (d) : L’amplitude est au-delà de l’angle cible, l’animation redevient rouge.
La mesure de la variation de l’angle (0) et la variable d’erreur (Error) sont calculées en fonction des équations suivantes, entre les exercices avec ou sans biofeedback :
Résultat
Les résultats sont compilés dans le tableau 1, qui présente la moyenne d’erreur (ME) et la déviation standard (SD).
Les exercices réalisés sans feedback présentent une ME qui est toujours supérieure à ceux réalisés avec un feedback visuel.
Les patients rapportent que le feedback visuel permet une meilleure exécution de l’exercice et que le guidage fournit par le système de feedback a augmenté leur motivation. Bien que les résultats soient positifs, le système devrait être amélioré dans le but d’ajouter plus de feedback qui permettrait d’accentuer la motivation du patient durant toute la session d’entrainement. D’autres travaux sont nécessaires pour appuyer ces résultats préliminaires, et étendre le même type d’exercices à d’autres parties du corps.
M.Barandasa, H. Gamboab, J.M. Fonseca. A real time biofeedback system using visual user interface for physical rehabilitation. 6th International Conference on Applied Human Factors and Ergonomics (AHFE 2015) and the Affiliated Conferences, AHFE 2015
Bibliographie
[1] Ma, M., McNeill, M., Charles, D., McDonough, S., Crosbie, J., Oliver, L., & McGoldrick, C. (2007). Adaptive virtual reality games for rehabilitation of motor disorders. In Universal Access in Human-Computer Interaction. Ambient Interaction (pp. 681-690). Springer Berlin Heidelberg.
[2] Piron, L., Tonin, P., Piccione, F., Iaia, V., Trivello, E., & Dam, M. (2005). Virtual environment training therapy for arm motor rehabilitation. Presence: Teleoperators and Virtual Environments, 14(6), 732-740.
[3] Schmidt RA, Lee TD. Motor control and learning: a behavioral emphasis. 3rd edn. Champaign, IL: Human Kinetics; 1999.
[4] Dijk, H., Jannink, M. J., & Hermens, H. J. (2005). Effect of augmented feedback on motor function of the affected upper extremity in rehabilitation patients: a systematic review of randomized controlled trials. Journal of Rehabilitation Medicine, 37(4), 202-211.
[5] Liebermann, D. G., Buchman, A. S., & Franks, I. M. (2006). Enhancement of motor rehabilitation through the use of information technologies. Clinical biomechanics, 21(1), 8-20.
[6] Chang, Y. J., Chen, S. F., & Huang, J. D. (2011). A Kinect-based system for physicalrehabilitation: A pilot study for young adults with motor disabilities.Research in developmental disabilities, 32(6), 2566-2570.
[7] Lünenburger, L., Colombo, G., & Riener, R. (2007). Biofeedback for robotic gait rehabilitation. Journal of NeuroEngineering and Rehabilitation, 4(1), 1.
[8] Xia, L., Chen, C. C., & Aggarwal, J. K. (2011, June). Human detection using depth information by kinect. In Computer Vision and Pattern Recognition Workshops (CVPRW), 2011 IEEE Computer Society Conference on (pp. 15-22). IEEE.
[9] Galna, B., Barry, G., Jackson, D., Mhiripiri, D., Olivier, P., & Rochester, L. (2014). Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease. Gait & posture, 39(4), 1062-1068.
[10] Oikonomidis, I., Kyriazis, N., & Argyros, A. A. (2011, August). Efficient model-based 3D tracking of hand articulations using Kinect. In BMVC (Vol. 1, No. 2, p. 3).
[11] Ning, X., & Guo, G. (2013). Assessing Spinal Loading Using the Kinect Depth Sensor: A Feasibility Study. Sensors Journal, IEEE,13(4), 1139-1140.
[12] Metsis, V., Jangyodsuk, P., Athitsos, V., Iversen, M., and Makedon, F. (2013). Computer aided rehabilitation for patients with rheumatoid arthritis. In Computing, Networking and Communications (ICNC), 2013 International Conference on (pp. 97–102). IEEE.
[13] Fernandez-Baena, A., Susin, A., and Lligadas, X. (2012). Biomechanical validation of upper-body and lower body joint movements of kinect motion capture data for rehabilitation treatments. In Intelligent Networking and Collaborative Systems (INCoS), 2012 4th International Conference on (pp. 656–661). IEEE.
[14] Kitsunezaki, N., Adachi, E., Masuda, T., and Mizusawa, J. I. (2013). Kinect applications for the physical rehabilitation. In Medical Measurements and Applications Proceedings (MeMeA), 2013 IEEE International Symposium on (pp. 294–299). IEEE.
[15] Obdrzalek, S., Kurillo, G., Ofli, F., Bajcsy, R., Seto, E., Jimison, H., & Pavel, M. (2012). Accuracy and robustness of Kinect pose estimation in the context of coaching of elderly population. In Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE (pp. 1188-1193). IEEE.
[16] Khoshelham, K. and Elberink, S. O. (2012). Accuracy and resolution of kinect depth data for indoor mapping applications. Sensors, 12(2), 1437–1454.
[17] Wu, G., Van Der Helm, F. C., Veeger, H. D., Makhsous, M., Van Roy, P., Anglin, C., ... & Buchholz, B. (2005). ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion—Part II: shoulder, elbow, wrist and hand. Journal of biomechanics,38(5), 981-992.
- L’exercice de suivi du mouvement présente la plus grande variation entre les deux répétitions. Cela peut être dû au fait que l’évaluation se fait en continu durant toute l’amplitude.
- Pour l’exercice de répétition, on a à nouveau une ME importante sans l’utilisation de feedback. La dernière répétition a été celle où l’on trouve le plus d’erreur, probablement dû à la fatigue musculaire. Ainsi, le biofeedback agit comme une invitation au patient à se surpasser physiquement.
- Il y a peu de différence pour l’exercice de maintien, cela peut être dû au temps de maintien choisi.
Conclusion
Les patients rapportent que le feedback visuel permet une meilleure exécution de l’exercice et que le guidage fournit par le système de feedback a augmenté leur motivation. Bien que les résultats soient positifs, le système devrait être amélioré dans le but d’ajouter plus de feedback qui permettrait d’accentuer la motivation du patient durant toute la session d’entrainement. D’autres travaux sont nécessaires pour appuyer ces résultats préliminaires, et étendre le même type d’exercices à d’autres parties du corps.
Article original
M.Barandasa, H. Gamboab, J.M. Fonseca. A real time biofeedback system using visual user interface for physical rehabilitation. 6th International Conference on Applied Human Factors and Ergonomics (AHFE 2015) and the Affiliated Conferences, AHFE 2015
Bibliographie
[1] Ma, M., McNeill, M., Charles, D., McDonough, S., Crosbie, J., Oliver, L., & McGoldrick, C. (2007). Adaptive virtual reality games for rehabilitation of motor disorders. In Universal Access in Human-Computer Interaction. Ambient Interaction (pp. 681-690). Springer Berlin Heidelberg.
[2] Piron, L., Tonin, P., Piccione, F., Iaia, V., Trivello, E., & Dam, M. (2005). Virtual environment training therapy for arm motor rehabilitation. Presence: Teleoperators and Virtual Environments, 14(6), 732-740.
[3] Schmidt RA, Lee TD. Motor control and learning: a behavioral emphasis. 3rd edn. Champaign, IL: Human Kinetics; 1999.
[4] Dijk, H., Jannink, M. J., & Hermens, H. J. (2005). Effect of augmented feedback on motor function of the affected upper extremity in rehabilitation patients: a systematic review of randomized controlled trials. Journal of Rehabilitation Medicine, 37(4), 202-211.
[5] Liebermann, D. G., Buchman, A. S., & Franks, I. M. (2006). Enhancement of motor rehabilitation through the use of information technologies. Clinical biomechanics, 21(1), 8-20.
[6] Chang, Y. J., Chen, S. F., & Huang, J. D. (2011). A Kinect-based system for physicalrehabilitation: A pilot study for young adults with motor disabilities.Research in developmental disabilities, 32(6), 2566-2570.
[7] Lünenburger, L., Colombo, G., & Riener, R. (2007). Biofeedback for robotic gait rehabilitation. Journal of NeuroEngineering and Rehabilitation, 4(1), 1.
[8] Xia, L., Chen, C. C., & Aggarwal, J. K. (2011, June). Human detection using depth information by kinect. In Computer Vision and Pattern Recognition Workshops (CVPRW), 2011 IEEE Computer Society Conference on (pp. 15-22). IEEE.
[9] Galna, B., Barry, G., Jackson, D., Mhiripiri, D., Olivier, P., & Rochester, L. (2014). Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease. Gait & posture, 39(4), 1062-1068.
[10] Oikonomidis, I., Kyriazis, N., & Argyros, A. A. (2011, August). Efficient model-based 3D tracking of hand articulations using Kinect. In BMVC (Vol. 1, No. 2, p. 3).
[11] Ning, X., & Guo, G. (2013). Assessing Spinal Loading Using the Kinect Depth Sensor: A Feasibility Study. Sensors Journal, IEEE,13(4), 1139-1140.
[12] Metsis, V., Jangyodsuk, P., Athitsos, V., Iversen, M., and Makedon, F. (2013). Computer aided rehabilitation for patients with rheumatoid arthritis. In Computing, Networking and Communications (ICNC), 2013 International Conference on (pp. 97–102). IEEE.
[13] Fernandez-Baena, A., Susin, A., and Lligadas, X. (2012). Biomechanical validation of upper-body and lower body joint movements of kinect motion capture data for rehabilitation treatments. In Intelligent Networking and Collaborative Systems (INCoS), 2012 4th International Conference on (pp. 656–661). IEEE.
[14] Kitsunezaki, N., Adachi, E., Masuda, T., and Mizusawa, J. I. (2013). Kinect applications for the physical rehabilitation. In Medical Measurements and Applications Proceedings (MeMeA), 2013 IEEE International Symposium on (pp. 294–299). IEEE.
[15] Obdrzalek, S., Kurillo, G., Ofli, F., Bajcsy, R., Seto, E., Jimison, H., & Pavel, M. (2012). Accuracy and robustness of Kinect pose estimation in the context of coaching of elderly population. In Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE (pp. 1188-1193). IEEE.
[16] Khoshelham, K. and Elberink, S. O. (2012). Accuracy and resolution of kinect depth data for indoor mapping applications. Sensors, 12(2), 1437–1454.
[17] Wu, G., Van Der Helm, F. C., Veeger, H. D., Makhsous, M., Van Roy, P., Anglin, C., ... & Buchholz, B. (2005). ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion—Part II: shoulder, elbow, wrist and hand. Journal of biomechanics,38(5), 981-992.