Modeling of user behavior using artificial intelligence techniques for the design and adaptation of rehabilitation therapies assisted by robotic devices

Abstract

Recent reports indicate that the prevalence of stroke has increased by 50% over the last 17 years, and at present, 1 in 4 people are at risk of getting a stroke in their lifetime. Hemiparesis is a common after-effect of stroke, leading to a decrease in limb function and significantly affecting quality of life. However, personalized therapy adapted to the needs of each patient can lead to the recovery of mobility of the affected limbs.

This doctoral thesis focuses on the study and modeling of user behavior to design and adapt robotic rehabilitation systems to the user's needs. First, an underwater sensor system has been developed to measure the kinematics of the lower limbs. In addition, a forces model acting during gait in aquatic environments has been developed with the aim of designing and subsequently controlling a lower limb exoskeleton immersed in water. Moreover, a Machine Learning model has been proposed to overcome the difficulties encountered in measuring the vertical ground reaction force in an aquatic environment. The model takes as inputs the kinematics of the lower limbs in the sagittal plane and the vertical acceleration of the user. Furthermore, a Deep Learning model has been developed to recognize a set of gait activities to generalize the previous model and to adapt the assistance of a lower limb exoskeleton to different activities of daily living. Also, in order to adapt and personalize robot-assisted upper limb therapies, two approaches are presented. First, a method has been proposed to dynamically adapt the difficulty of upper limb rehabilitation therapies. In addition, a method to provide assistance according to the needs of each patient based on demonstrations by an experienced therapist has been proposed.

Part of the main results of this thesis have been published in two journals included in the Journal Citation Reports (JCR). The publication "Estimating vertical ground reaction forces during gait from lower limb kinematics and vertical acceleration using wearable inertial sensors" focuses on the development of a Machine Learning model to estimate the vertical reaction force during gait using a motion capture system based on inertial sensors. The publication "Gait Activity Classification with Convolutional Neural Network using Lower Limb Angle Measurements from Inertial Sensors" focuses on the development of a classifier based on a Deep Learning model to recognize activities of daily living during gait, employing techniques to understand the decision-making process and analyzing the feasibility of adapting the model to multiple situations.

Informes recientes señalan que la frecuencia de los accidentes cerebrovasculares ha aumentado un 50% durante los últimos 17 años y, en la actualidad, 1 de cada 4 personas están en riesgo de sufrir de ictus durante su vida. La hemiparesia es una secuela común, y conlleva una disminución en la función de las extremidades y afecta significativamente su calidad de vida. No obstante, una terapia personalizada y adaptada a las necesidades de cada paciente puede llevar a la recuperación de la movilidad de los miembros afectados. Esta tesis doctoral se centra en el estudio y modelado del comportamiento del usuario para diseñar y adaptar sistemas robóticos de rehabilitación a las necesidades de cada usuario. En primer lugar, se ha desarrollado un sistema de sensores sumergible para medir la cinemática de los miembros inferiores. Además, se ha desarrollado un modelo de las fuerzas que actúan durante la marcha en entornos acuáticos con el objetivo de diseñar y posteriormente controlar un exoesqueleto de miembro inferior sumergido en agua. Asimismo, debido a las dificultades encontradas para medir la fuerza de reacción vertical con el suelo en un entorno acuático, se ha propuesto un modelo de Machine Learning que toma como entradas la cinemática de los miembros inferiores en el plano sagital y la aceleración vertical del usuario. Además, con el fin de poder generalizar el modelo anterior y poder adaptar la asistencia de un exoesqueleto de miembro inferior a diferentes actividades de la vida diaria, se ha desarrollado un modelo de Deep Learning para reconocer un conjunto de actividades de la marcha. Asimismo, con el fin de adaptar y personalizar terapias de miembro superior asistidas con robots, se han propuesto dos posibles soluciones. En primer lugar, se ha propuesto un método que permite adaptar de forma dinámica la dificultad de terapias de rehabilitación de miembro superior. Además, se ha propuesto un método para ofrecer asistencia según la necesidad de cada paciente basado en demostraciones realizadas por un terapeuta experimentado. Parte de los resultados principales de la presente tesis se han publicado en dos revistas incluidas en el Journal Citation Reports (JCR). La publicación Estimating vertical ground reaction forces during gait from lower limb kinematics and vertical acceleration using wearable inertial sensors se centra en el desarrollo de un modelo de Machine Learning para estimar la fuerza de reacción vertical durante la marcha empleando un sistema de captura de movimiento basado en sensores inerciales. La publicación Gait Activity Classification with Convolutional Neural Network using Lower Limb Angle Measurements from Inertial Sensors se centra en el desarrollo de un clasificador basado en un modelo de Deep Learning para reconocer actividades de la vida diaria durante la marcha, empleando técnicas para comprender el proceso de decisión y analizando la viabilidad de adaptar el modelo a múltiples situaciones.