Resumen
Los estudios sobre la mejora de la adaptabilidad del entrenamiento de rehabilitación de las extremidades superiores no suelen considerar suficientemente las implicaciones de la fatiga muscular. En este estudio, las características del electromiograma se utilizaron como indicadores de fatiga en el contexto de la interacción entre humanos y robots. Se utilizaron para la autoadaptación de la dificultad de la tarea, lo que resultó en una interacción de entrenamiento prolongada. Los datos del electromiograma se recopilaron de tres músculos gruesos del miembro superior en 30 participantes sanos. El experimento siguió un protocolo para aumentar la fuerza muscular mediante un entrenamiento de fuerza progresivo, que fue una implementación de un método conocido en la ciencia del deporte para el entrenamiento muscular, en un nuevo dominio de adaptación robótica en el entrenamiento muscular. El estudio también comparó cómo los participantes en tres condiciones experimentales percibieron el cambio en los niveles de dificultad de la tarea. Una tarea se benefició de la adaptación robótica (grupo de intervención), donde el robot ajustó la dificultad de la tarea. Las otras dos tareas fueron los grupos de control 1 y 2. No hubo ningún ajuste de dificultad en el grupo Control 1 y la dificultad se ajustó manualmente en el grupo Control 2. Los resultados indicaron que los participantes podían realizar un ejercicio de entrenamiento de fuerza progresivo prolongado con más repeticiones con la ayuda de una adaptación robótica basada en la fatiga, en comparación con las interacciones de entrenamiento, que se basaban en adaptación manual o sin adaptación. Este estudio demostró que es posible alterar el nivel del desafío utilizando indicadores de fatiga y así aumentar el tiempo de interacción. Se espera que los resultados del estudio se extiendan a los pacientes con accidente cerebrovascular en el futuro utilizando el potencial para adaptar la dificultad del entrenamiento según el estado muscular del paciente, y también tener un gran número de repeticiones en un entorno de entrenamiento asistido por robot.
Introducción
La interacción persona-robot (HRI) es el proceso en el que humanos y robots trabajan juntos para lograr un objetivo y hacer que la interacción sea beneficiosa para los humanos. Al diseñar un esquema HRI, es esencial comprender a los usuarios del sistema y evaluar las capacidades de los humanos y los robots. Se espera que una solución HRI aceptable sea adaptable al detectar y responder a los cambios en el entorno y sus usuarios (1). Por lo tanto, una interacción robótica adaptativa requerirá una mejor detección de los parámetros de desempeño humano (2).
Los pacientes con accidente cerebrovascular durante las fisioterapias pueden llegar fácilmente a un estado de fatiga debido a sus capacidades musculares y cognitivas reducidas. La robótica de rehabilitación se puede utilizar para entrenar a los supervivientes de un accidente cerebrovascular para que mejoren sus discapacidades musculares mediante ejercicios regulares. Los robots tienen potencial para ser utilizados en entrenamiento de fuerza y rehabilitación (3, 4, 5, 6). Los robots se adoptan ampliamente en el entrenamiento de fuerza, ya que pueden aumentar la eficiencia de la interacción al recopilar datos de rendimiento y, así, evaluar el progreso de las sesiones de entrenamiento. Tienen un excelente potencial para ayudar a los terapeutas de rehabilitación a proporcionar entrenamiento durante períodos prolongados y pueden ayudar a realizar una gran cantidad de repeticiones en los ejercicios de entrenamiento. Los robots permiten tratar a varios pacientes al mismo tiempo y posiblemente incluso de forma remota (3).
Se ha informado que una mayor duración del ejercicio ha ayudado a la recuperación del accidente cerebrovascular (7). También se sabe que aumentar el número de repeticiones de tareas ayuda significativamente al reaprendizaje motor y, por lo tanto, ayuda a la recuperación de las funciones de las extremidades superiores (8, 9, 10, 11). Se cree que las repeticiones en los ejercicios de entrenamiento tienen un impacto en su neuroplasticidad (12, 13, 14), pero las repeticiones a menudo resultan en una aparición más rápida de fatiga muscular. Las adaptaciones agudas (como la fatiga) a menudo afectan negativamente durante el entrenamiento de rehabilitación si no se consideran lo suficiente. Si un paciente con una apoplejía siente un estado de fatiga muscular, es posible que la sesión de entrenamiento deba pausarse para permitir la recuperación o abandonarse debido a las restricciones impuestas por el comité de ética que limita el tiempo máximo para una sesión de rehabilitación. La sesión de entrenamiento perdida también podría desmotivar al paciente (15). Las terapias físicas existentes están diseñadas sin considerar suficientemente las implicaciones de la fatiga para el paciente. Por ello, los investigadores en el campo de la rehabilitación asistida por robots han estado intentando abordar la adaptabilidad del entrenamiento de rehabilitación según el estado físico de los pacientes. Teniendo esto en cuenta, identificar si se puede lograr un mejor resultado durante un entrenamiento de rehabilitación adaptándose al estado muscular individual, es decir, con respecto a la fatiga, es un área de investigación novedosa.
El entrenamiento de fuerza progresiva es un ejercicio que desarrolla la fuerza física, especialmente en partes del cuerpo débiles o lesionadas, a través de una tarea progresivamente difícil según una fórmula basada en la fuerza máxima del sujeto en el punto inicial (16). Los ejercicios de entrenamiento muscular progresivo pueden ayudar a tener adaptaciones crónicas (como la contracción voluntaria máxima) con el tiempo. Las adaptaciones crónicas son los cambios fisiológicos a largo plazo que tienen lugar en el cuerpo humano como resultado de participar en un programa de entrenamiento. Los tipos de adaptaciones que conducen a un mejor rendimiento dependen del tipo específico de entrenamiento que se realiza. Las técnicas de ejercicio de resistencia progresiva sugieren realizar muchas repeticiones hasta la fatiga, luego permitir suficiente descanso entre ejercicios para la recuperación y luego aumentar la resistencia a medida que aumenta la capacidad de generar fuerza (17, 18). El entrenamiento de fuerza asistido por robot puede ser efectivo si es progresivo y desafiante según las habilidades de la persona (19, 20).
Se sugiere que el entrenamiento de rehabilitación para pacientes con accidente cerebrovascular incluya protocolos para desarrollar la fuerza muscular y volver a aprender las habilidades motoras perdidas. Un entrenamiento de rehabilitación se considera útil si puede ayudar a los pacientes a entrenar más en las etapas iniciales de recuperación y hacer que la tarea sea progresivamente más desafiante. El entrenamiento de resistencia progresiva puede ser el tratamiento más eficaz para mejorar la fuerza muscular en los pacientes, y los estudios sugieren que existen beneficios a largo plazo (21, 22, 23). Se ha descubierto que el entrenamiento de resistencia y el fortalecimiento muscular funcional son útiles para la rehabilitación, y existe evidencia que respalda una “dosis aumentada” de ejercicios para la rehabilitación del accidente cerebrovascular. Muchos estudios (24, 25, 26, 7) han sugerido que la rehabilitación del accidente cerebrovascular puede beneficiarse del entrenamiento muscular intensivo, y un entrenamiento de fuerza progresivo es útil para la recuperación del accidente cerebrovascular al mejorar la fuerza muscular. Sin embargo, no existe un protocolo universalmente aceptado para la rehabilitación de las extremidades superiores de pacientes con accidente cerebrovascular, y los programas de tratamiento varían en la duración, intensidad y frecuencia de la terapia de rehabilitación.25). Si bien esta investigación está interesada en identificar la fatiga por interacción, no había procedimientos aceptados en la literatura sobre terapia de accidentes cerebrovasculares que pudieran usarse para inducir la fatiga. Por lo tanto, nos basamos en la literatura de las ciencias del deporte (27), donde se han destacado tanto el entrenamiento de fuerza progresivo como la fatiga.
Trabajos anteriores de Octavia et al. (28) ha explorado la fatiga muscular desarrollada en los participantes durante una interacción de entrenamiento robótico, y las características propuestas basadas en EMG indicaron fatiga muscular significativamente en todos los participantes. Sin embargo, los indicadores de fatiga no se utilizaron para ninguna adaptación robótica. En un estudio diferente, Paternel et al. sugirieron una estrategia para adaptar el comportamiento físico de un robot de acuerdo con la fatiga muscular en tareas de comanipulación humano-robot. (29). En el estudio, el robot inicialmente imitó al humano para realizar una tarea colaborativa de manera líder-seguidor, utilizando retroalimentación sobre el comportamiento motor humano. El robot también aprendió simultáneamente la habilidad de forma online. Cuando se alcanzaba un umbral de fatiga, el robot utilizaba la habilidad aprendida para hacerse cargo de la tarea, lo que reducía el esfuerzo humano. Sin embargo, el estudio no fue diseñado para un contexto de rehabilitación. Además de la modalidad adaptativa «ayuda si» utilizada aquí, también se han explorado otras estrategias de control como desafiar, desafiar y luego apoyar, apoyar, no apoyar y desafiar poco (30). En nuestro estudio anterior, evaluamos la fatiga muscular en sujetos sanos durante una interacción de asistencia según sea necesario con el robot HapticMaster utilizando funciones de electromiograma (EMG) (31). Como indicadores de fatiga se utilizaron las características EMG, la potencia media y la frecuencia de potencia media (MPF). La potencia promedio de la señal EMG se define como la energía contenida en la señal EMG durante un intervalo de tiempo específico (32). La frecuencia mediana o MPF se define como la frecuencia que separa el espectro de potencia de señales en dos regiones iguales con la misma potencia (33, 34). Estudios anteriores han explorado tanto la frecuencia de potencia media (MNF) como la frecuencia media para detectar la fatiga muscular (35, 36, 37, 38, 39, 40). Se informa que la MNF es ligeramente superior a la frecuencia media debido a la forma sesgada del espectro de potencia EMG. Por el contrario, la varianza de MNF suele ser menor que la de la frecuencia media (34). Sin embargo, la estimación de la frecuencia media se ve menos afectada por el ruido aleatorio, particularmente en el caso del ruido ubicado en la banda de alta frecuencia del espectro de potencia EMG (34). En el estudio inicial, durante la fatiga muscular, se observaron tendencias estadísticamente significativas en la potencia promedio y la frecuencia media en los músculos involucrados. Estos proporcionaron el material para el estudio actual, donde el indicador de fatiga (frecuencia media) se utilizó para cambiar la interacción difícilmente durante la interacción persona-robot de forma automática.
Entonces, la idea aquí es combinar los conceptos anteriores para una posible aplicación en la rehabilitación del accidente cerebrovascular. El procedimiento para inducir la fatiga muscular puede adoptarse de la literatura sobre ciencias del deporte para el entrenamiento muscular (27). Los niveles de dificultad de la tarea se pueden cuantificar en función de la fuerza voluntaria máxima de los participantes y utilizar un incremento proporcional de la dificultad a intervalos regulares (41). Si bien el volumen de repeticiones es importante para el aprendizaje motor, la resistencia progresiva utilizada para desafiar un tema es clave para el fortalecimiento. Además, estudios de rehabilitación de accidentes cerebrovasculares robóticos como (42) y (30) han sugerido estrategias para reducir la dificultad de la tarea, cuando se detecta alta fatiga. Basteris et al. han sugerido un equilibrio entre apoyo y desafío (sesiones de “desafío y luego apoyo”). (43) para permitir un aprendizaje óptimo. Por lo tanto, se propone aquí un ejercicio progresivo prolongado (con un alto volumen de repeticiones), que reduce la dificultad durante el inicio de la fatiga y luego aumenta progresivamente la dificultad cuando «no está fatigado», para el entrenamiento de la fuerza muscular en pacientes con accidente cerebrovascular. La idea es evitar que los pacientes con accidente cerebrovascular lleguen a un alto estado de fatiga, que de otro modo los desmotivaría para continuar el entrenamiento o podría causar mayores daños a sus músculos. Al proporcionar elementos motivacionales (retroalimentación háptica, imágenes, etc.) además de adaptar los niveles de desafío, se puede hacer que los protocolos tengan un mejor potencial para aplicaciones en el entrenamiento de rehabilitación. Por lo tanto, el estudio fue diseñado para explorar el entrenamiento de fuerza incremental asistido por robot, que adaptaría la dificultad de la tarea en función del estado muscular de los participantes durante la carrera a través de indicadores de fatiga. Se utilizaron indicadores de fatiga basados en EMG para permitir la interacción entre el entrenamiento adaptativo y la fatiga, permitiendo un ciclo de ejercicio prolongado. Se esperaba que los participantes realizaran un ejercicio de entrenamiento de fuerza progresivo prolongado con más repeticiones con la ayuda de una adaptación robótica basada en la fatiga en comparación con las interacciones de entrenamiento, que se basaron en adaptación manual o sin adaptación.
Materiales y métodos
El contexto general del experimento se explica en Higo 1.
El robot HapticMaster fue configurado para adaptarse…
