AUTOMATIZADO BOX & BLOCKS TEST SISTEMA AUTOMATICO DE...
Transcript of AUTOMATIZADO BOX & BLOCKS TEST SISTEMA AUTOMATICO DE...
EL “AUTOMATIZADO BOX & BLOCKS TEST”SISTEMA AUTOMATICO DE EVALUACION DE
DESTREZA MANUAL GRUESA
Edwin D. Ona1, Alberto Jardon1, Carlos Balaguer1, Alicia Cuesta2, Marıa Carratala2, Esther Monge2
1Robotics Lab, Universidad Carlos III de Madrid, Avda. Universidad 30, Leganes (Madrid), Espana{eona, ajardon, balaguer}@ing.uc3m.es
2Universidad Rey Juan Carlos, Avda. de Atenas s/n, Alcorcon (Madrid), Espana{alicia.cuesta, maria.carratala, esther.monge}@urjc.es
Resumen
El cada vez mas elevado numero de personasque requieren atencion medica para rehabilitacionfısica o cognitiva (post-traumatica, post-operatoriao por envejecimiento), supone cada vez mayor sat-uracion en los servicios medicos. Esto repercutede forma negativa en la calidad del tratamientoimpartido. El proyecto RoboHealth, intenta con-tribuir a paliar dicha situacion, proporcionandoasistencia al personal sanitario en procesos de re-habilitacion fısica. RoboHealth abarca dos aspec-tos durante el proceso de rehabilitacion motora: laevaluacion y la intervencion. En este artıculo, sepresenta el diseno de un sistema automatizado deevaluacion de destreza manual gruesa basado enel test Box and Blocks. A traves de camaras RGBy nube de puntos, se monitoriza la ejecucion deltest, obteniendo de forma automatica el total decubos desplazados por el usuario, ademas de datosadicionales como el tiempo empleado en el de-splazamiento entre cada cubo y su color. La infor-macion se puede visualizar a traves de una interfazgrafica que ademas, ordena y registra de forma au-tomatica los resultados de cada sesion para cadausuario. En primer lugar, se muestra el desar-rollo del algoritmo de conteo, la implementacionde la interfaz de visualizacion y registro de datos,ası como los resultados de una prueba piloto. Fi-nalmente, se presentan las conclusiones y futurostrabajos.
Palabras clave: Rehabilitacion, Evaluacion,Automatico, Extremidad superior, Destrezamanual
1 INTRODUCCION
En la actualidad, la presencia de sistemas deasistencia roboticos durante procesos de rehabil-itacion fısica es cada vez mayor. Adicionalmente,esto se puede ver reflejado con el desarrollo de sis-temas comerciales para la rehabilitacion basados
en ortesis activas, comunmente denominados ex-oesqueletos. Es el caso de sistemas utilizados paraterapia de miembro superior como los desarrolla-dos por Tyromotion [13] (DIEGOR©, AMADEOR©,PABLOR©, MYROR©). Toda su gama, cuenta conel software TyroS el cual permite a los sistemasantes mencionados, interactuar con el paciente(motivacion), evaluar la ejecucion de la tarea, yregistrar los resultados. Otro fabricante consoli-dado es Hocoma [2] que comercializa, entre otros,dos sistemas basados en el concepto de terapiapara miembro superior como el VALEDO c©, o elsistema ARMEO c©. Para rehabilitacion de miem-bro inferior desarrollaron LokoMat c©, sistema derehabilitacion fısica para el entrenamiento de lafuncion de la marcha. El tratamiento es potenci-ado ademas por una interfaz de usuario basada enrealidad virtual, que intenta motivar al paciente;puede ser utilizado por adultos y ninos. Estos sis-temas, si bien cuentan con sus propios metodos deregistro de datos y evaluacion de la ejecucion de latarea, son tambien plataformas cerradas, costosas,poco flexibles y enfocadas mas a la rehabilitacionen sı misma.
Debido a que la rehabilitacion es un proceso la-borioso y de costosa intervencion, evaluar su efec-tividad terapeutica es particularmente importante[14]. Esta valoracion es comunmente realizadapor los propios profesionales sanitarios. Utilizanescalas estandarizadas para intentar conservar laobjetividad en la evaluacion, pero en la practicaestan sujetas a la subjetividad del observador. Enalgunos casos, los metodos de evaluacion estancompuestos por ejercicios bien definidos y basa-dos en escalas numericas, que podrıan ser suscep-tibles de ser automatizados. Ası, se facilitarıa unaevaluacion objetiva de la condicion fısica de los su-jetos a tratar. Ademas, se provee al rehabilitadorde mas tiempo para valorar los resultados, y enbase a ellos, reconducir el metodo de terapia apli-cado, modificar su nivel de dificultad, o finalizarel proceso.
Para automatizar un proceso de rehabilitacion,
se deben valorar: el metodo, las metricas a ex-traer, ası como el grado de aceptacion tanto porlos usuarios como por el personal sanitario. Enel diseno de sistemas de asistencia a la rehabil-itacion, si bien el enfoque se centra en el sujetoa tratar, es importante sistematizar la captura ycomprension de los requisitos que demandan losterapeutas para facilitar una integracion mas sen-cilla de la tecnologıa en sus actividades diarias[11]. Respecto al metodo, resultan mas suscep-tibles de ser automatizadas aquellas pruebas quese administran sin contacto directo del profesional.Para el caso de las metricas, se debe valorar cualesdan informacion relevante y cuales son las menosinvasivas posibles para el sujeto evaluado.
1.1 ESCALAS DE EVALUACIONTRADICIONALES
La medicion de los resultados de la asistencia san-itaria, es un componente esencial para determi-nar la eficacia de una terapia y, por lo tanto, laprestacion de asistencia medica basada en la evi-dencia [14]. Los primeros medidores genericos denivel de discapacidad fueron el Barthel Index (BI),desarrollado en los anos 50’ planteado como unındice simple de independencia que consta de 10items, y por otro lado, el Functional IndependenceMeasure (FMI) desarrollado en los anos 80’ comoun instrumento para obtener una medicion mascompleta de discapacidad que consta de 18 itemsrepartidos en seis categorıas. En 2001, la Orga-nizacion Mundial de la Salud (OMS), adopto laClasificacion Internacional de Funcionalidad, Dis-capacidad y Salud, comunmente conocida como laCIF [17], que proporciona un marco comun paradescribir las consecuencias de las condiciones desalud y, un estandar internacional para describiry medir la salud y la discapacidad. En el ambitoclınico, la CIF se utiliza para la evaluacion delestado funcional, la fijacion de objetivos, planifi-cacion y el seguimiento del tratamiento, ası comola medicion de resultados.
A dıa de hoy, se pueden encontrar multiples es-calas de valoracion utilizadas segun la sintoma-tologıa. En rehabilitacion post accidente cerebrovascular (ACV), por ejemplo, las escalas se puedenclasificar segun estructura del cuerpo, actividad yparticipacion. Entre las escalas habitualmente uti-lizadas en la categorıa “Estructura del cuerpo” seencuentran el Fugl-Meyer Assessment (FMA) o elModified Ashworth Scale (MAS); en la categorıa“Actividad” se utilizan, por ejemplo, el BarthelIndex (BI), el Action Research Arm Test (ARAT),el Box and Blocks Test (BBT), el Wolf MotorFunction Test (WMFT) o el Timed Up & Go Test(TUG); y en la categorıa de “Participacion” porejemplo el Stroke Impact Scale (SIS) [12].
1.1.1 El Box & Blocks Test
El BBT es un sistema de medida individual de ladestreza y coordinacion manual, clınicamente vali-dado. El test esta formado por una caja de maderacon dos compartimientos cuadrados de 290 mm delado, y 150 cubos de madera de 25 mm. Entre losdos compartimientos se ubica una barrera de 100mm de alto, que el usuario debe sobrepasar consu mano para que el conteo del cubo sea valido.En la Figura 1, se muestra la estructura de la cajausada para el test.
Figura 1: Box & Blocks Test y cronometro manual
El objetivo del test es desplazar la mayor canti-dad posible de cubos de un lado de la caja al otroen un minuto. Para la puntuacion, el terapeutacuenta manualmente el total de cubos desplaza-dos. El desarrollo del test se comprende de tresetapas: un periodo de entrenamiento de 15 segun-dos, ejecucion del test con la mano dominante ono afectada durante un minuto, y finalmente eje-cucion del test con la mano no dominante o afec-tada durante un minuto. Para que el desplaza-miento del cubo sea valido, la mano del individuodebe sobrepasar la barrera central de la caja. Nose cuentan los cubos que sean lanzados desde unaparte de la caja a la otra. Ademas, el desplaza-miento de cubos se debe realizar de uno en uno, yen caso de desplazar mas de un cubo a la vez, secontaran como uno solo. Para realizar el test, seubica el BBT sobre una mesa y el usuario desdeuna posicion sentada delante del test, realiza elejercicio. El evaluador, lee las instrucciones deltest al individuo antes de iniciar la evaluacion.Las reglas completas, ası como las instruccionesque se le deben impartir a los usuarios del test, serecogen en [7],[10].
1.2 METODOS AUTOMATIZADOS DEEVALUACION
Actualmente, ademas de proyectos enfocados aldesarrollo de ayudas para rehabilitacion y delos sistemas comerciales antes mencionados, sepueden encontrar proyectos de investigacion enfo-cados en automatizar metodos de evaluacion basa-dos en escalas neuromotoras habitualmente uti-
lizadas en centros asistenciales, o que plantean im-plementar sistemas con escalas nuevas que se com-paran con las escalas tradicionales. Ubicados en lacategorıa de estructura del cuerpo, se encuentranvarios trabajos. Por ejemplo, en [8] se propone unmetodo de evaluacion basado en sensores de bajocoste que registran datos de los movimientos delusuario. Sus resultados se han comparado con losobtenidos utilizando el habitual FMA obteniendoresultados similares. Afirman que pueden autom-atizar la mayorıa del FMA. En [16] se presentaotro intento de automatizar parte del FMA, eneste caso, utilizando acelerometros y centrandoseen puntuaciones para movimientos de hombro ycodo. Uno de los sıntomas mas complejos despuesde sufrir un ACV es el deficit visuoespacial. Parasu diagnostico y evaluacion se utilizan una serie depruebas basadas en “lapiz y papel” (que implicantareas como el tachado de un objetivo, biseccionde una lınea o copiar una forma geometrica). En[6] se propone un modelo basado en el analisis delos dibujos, y los resultados se comparan con losobtenidos con el Rivermead Behavioural Inatten-tion Test (BIT). Los dibujos se realizan en un foliode papel superpuesto sobre una tablet. Los tra-zos digitalizados, son procesados por ordenador,se extraen sus caracterısticas y se analizan los re-sultados para dar la puntuacion.
Tambien, se encuentran trabajos que buscan au-tomatizar escalas dentro de la categorıa de activi-dad. En [9] se propone un sistema nuevo llamadoRejoyce Arm and Hand Function Test (RAHFT),enfocado a la evaluacion de destreza manual. Uti-liza la estacion de trabajo Rejoyce en la que losparticipantes realizan tareas de destreza manualbajo la apariencia de juegos de ordenador. Losautores afirman que es la primera prueba de de-streza manual que no depende del juicio humano,ofreciendo una evaluacion de los resultados cuan-titativa, estandarizada y que se puede administrarde forma remota. En [4] se implementa un sistemaautomatico que evalua de manera objetiva la fun-cionalidad del miembro superior en rehabilitacionpost ACV. El sistema realiza un post-procesadode datos experimentales, obtenidos durante la re-alizacion de tareas de alcance utilizando el sistemarobotico KINARM. En este caso, los resultadosson comparados con el Chedoke-McMaster StrokeAssessment Scale (CMSA). Una evaluacion au-tomatica basada en el WMFT se plantea en [15].Utilizando sensores que los usuarios deben llevarpuestos, se estima el tiempo que tardan en com-pletar 7 de las 17 tareas del test. Otro trabajo encurso se presenta en [5], donde se busca automa-tizar el ARAT. En dicho trabajo, se ha planteadola automatizacion del sub-test 4 del ARAT, pormedio de la sensorizacion de uno de los objetos
utilizados en la tarea, en este caso un cubo de 7.5cm. Finalmente, en [3] se presenta el Digital Boxand Blocks Test (DBBT), con el objetivo de au-tomatizar el test tradicional con el mismo nombre.En este trabajo, utilizando un sensor KinectR©,se implementa un algoritmo para contar los cu-bos desplazados con un ındice de acierto del 100%hasta 20 cubos. Ademas, detecta la mano y susmovimientos.
De los sistemas revisados se puede observar quehay varios trabajos enfocados en detectar losmovimientos de miembro superior, ya sea pormedio de sensores portables que lleve puesto elsujeto, senzorizando los objetos usados en el test,o por sistemas de vision por ordenador. Ademas,un objetivo comun es obtener plataformas de eval-uacion automatica que sean objetivas, que ten-gan repetividad, capacidad de diagnostico y quesean dinamicas, pudiendo aportar informacionadicional a la que se obtendrıa con la escala tradi-cional.
2 METODOLOGIA
Por su amplia utilizacion en entornos clınicoscomo sistema de evaluacion en procesos de reha-bilitacion de personas que han sufrido un ACV,y ademas, por sus caracterısticas adecuadas parala automatizacion, se plantea el estudio del BBT.La configuracion del sistema propuesto se mues-tra en la Figura 2, y consta de una estructuraligera y portable en forma de cubo, que se ubicasobre una mesa estandar. En la parte superior dela estructura, se coloca un sensor KinectR© paraWindowsR©, mediante el cual se detecta el numerode cubos desplazados, ası como los movimientosde la mano del individuo durante el ejercicio. Enel centro de la estructura y sobre la mesa se situael la caja tradicional del BBT.
El sistema propuesto busca cubrir los siguientesobjetivos:
a) Automatizacion del test: partiendo del con-teo automatico de cubos, y obteniendo in-formacion adicional de los movimientos delusuario.
b) Interfaz de visualizacion: le sirve al terapeutapara supervisar la ejecucion del test en el lu-gar in situ o a distancia, y guıa al usuariodurante el test.
c) Registro automatico de datos: los resultadosdel test se almacenan en una base de datoscon la que se puede generar un historico de lassesiones previas. Ademas, se pueden grabarvıdeos de las sesiones.
Kinect
BBT
Interfaz deusuario
Figura 2: Estructura propuesta para automati-zacion del BBT
De esta manera, el sistema propuesto denominadoel Automatizado Box & Blocks Test (ABBT), vaun paso mas alla que el sistema tradicional y elDBBT [3]. ya que no solo se implementa un al-goritmo para obtener una puntuacion automatica,sino que se aborda tambien la administracion au-tomatica del test por medio de la interfaz grafica.
2.1 AUTOMATIZACION DEL TEST
El ABBT, se implementa bajo Windows 10 uti-lizando a nivel software MatlabR© R2015b, queincluye paquetes de soporte hardware para dis-positivos como la KinectR© para WindowsR© v1.Ademas, MatlabR© cuenta con potentes herramien-tas y librerıas para procesado de imagenes, ofre-ciendo tambien el entorno de GUIDE para el de-sarrollo de interfaces graficas. El proceso de con-teo automatico de cubos se desarrolla en tres eta-pas: a) Deteccion del borde de las cajas; b) Seg-mentacion de las imagenes por color; y c) Validezdel intento.
2.1.1 Deteccion del borde
El sensor KinectR© se ubica en la parte superiorde la estructura (ver Figura 2), y a una distan-cia aproximada de 1 m respecto de la mesa. Sefija su posicion a traves de un soporte de plasticoABS fabricado con una impresora de prototipadorapido. Ya que la posicion de la KinectR© en la es-tructura se mantiene invariable, conseguimos quela distancia del sensor al borde de la caja del BBTtambien se mantenga constante.
(a) (b)
(c) (d)
Figura 3: Secuencia para deteccion del borde delBBT: a) Nube de puntos, b) Umbral por altura, c)Deteccion de los compartimientos y, d) Regiones
de interes sobre imagen RGB
En la Figura 3, se muestra el proceso para detectarel borde de la caja, y diferenciar los dos compar-timientos. En primer lugar, se captura la nube depuntos (Figura 3-a) y se le aplica un umbral deprofundidad, en este caso 90 cm. Los puntos pordebajo de esta altura se descartan, incluyendo lamesa (Figura 3-b). Con la imagen umbralizada,se aplican operaciones morfologicas para eliminarruido y etiquetar las zonas detectadas. Con la im-agen mejorada, se puede extraer las caracterısticasbasadas en varios algoritmos. En este caso, uti-lizamos la funcion ‘BoundingBox’ para obtener losrectangulos en la imagen, ası como su centroide.Basandonos en las coordenadas de los centroides,se puede diferenciar entre el compartimiento de laizquierda y el de la derecha (Figura 3-c). Ademas,anadimos un filtro adicional por area ya que elarea de los compartimientos es conocida. El iden-tificar los compartimientos es importante de caraa generar una mascara para la segmentacion porcolor en el conteo de los cubos. Finalmente, sepueden superponer las regiones de interes sobre laimagen en color de la escena (Figura 3-d).
2.1.2 Segmentacion por color
Teniendo en cuenta el gran contraste entre los col-ores de los cubos del BBT (rojo, azul, amarillo yverde), y tambien respecto del fondo de la caja decolor haya, se opta por segmentar y procesar lasimagenes capturadas en color RGB, para detec-tar y contar los cubos. Tras capturar la imagenen color con una resolucion de 640x480 pıxeles,se procesa la imagen para buscar las zonas decada color por separado. Primero, se convierte laimagen en color a blanco y negro, sintonizandocada color segun umbrales diferentes. Dichos
parametros se ajustan de forma automatica trasla calibracion de la luz (intensidad de la escena),para lo cual se depositan 3 cubos de cada coloren uno de los compartimientos de la caja. So-bre la imagen umbralizada, se aplica un enmas-caramiento para procesar unicamente la region deinteres. Dicha region se corresponde con el ladovacıo de la caja, y que depende de si el test serealiza para la mano afectada o no afectada delsujeto. A continuacion, se aplica una serie de op-eraciones morfologicas (apertura, cierre, erosion yetiquetado), repitiendo la misma secuencia paracada color por separado. Finalmente, se hace unprimer conteo de los cubos detectados, segun elcolor, en la imagen capturada.
(a) (b) (c)
(d) (e) (f)
Figura 4: Procesado de imagen para color rojo:a) Imagen en color, b) Umbralizacion a escala degrises, c) Conversion a blanco y negro, d) Enmas-caramiento de region de interes, e) Cubos detec-tados sobre imagen RGB, f) Zoom de region de
interes
En la Figura 4, se muestra las partes principalesdel procesado de imagen para la deteccion de cu-bos de color rojo. Se aprecia la captura de imagen(Figura 4-a), la conversion de la imagen en color aescala de grises utilizando un umbral (Figura 4-b)y despues la conversion a blanco y negro (Figura4-c). Se aplica la mascara generada a partir delos bordes de la caja para seleccionar la zona deinteres (Figura 4-d) y finalmente, se enmarcan laszonas de color rojo correspondientes a los cubosdetectados, en este caso cuatro (Figura 4-e). Enla Figura 4-f se muestra un zoom de la imagenen color. Para detectar el resto de cubos, el pro-ceso es analogo utilizando la misma mascara y losumbrales correspondientes.
2.1.3 Validacion del intento
Como es de esperar, es posible que algunos in-dividuos presenten problemas para coger un solocubo, pudiendo coger dos a las vez, debido a lafalta de sensibilidad y a la elevada espasticidad
en sus manos. En estos casos, y segun la nor-mativa del test [7] se deben descontar los cubosadicionales y contar como uno solo. Para solven-tar esta casuıstica en la ejecucion del ABBT, seutiliza el vector de tiempo para comparar even-tos muy cercanos. Partiendo de que un individuosano tarda alrededor de un segundo en desplazarun cubo, durante el procesado instantaneo de laimagen se detecta si han aparecido mas de un cuboen tiempos cercanos y menores de un segundo. Eneste caso, se descartan los eventos adicionales ysolo se suma un cubo al contador global.
2.2 INTERFAZ GRAFICA
Utilizando el entorno de desarrollo de aplicacionesde usuario GUIDE de MatlabR©, se esta implemen-tando una interfaz grafica en la que se muestra eldesarrollo del test. En este caso, la interfaz estaorientada al terapeuta. En ella, ademas de visu-alizar la deteccion de los cubos, se presentan op-ciones de seleccion del perfil del usuario, que cargade forma automatica la informacion del sujeto al-macenada en una base de datos local. Entre lainformacion almacenada, tenemos el dato de cuales la mano afectada, y de acuerdo a esto, el ABBTselecciona la mascara adecuada (region de la caja).
Por otro lado, ademas de la cuenta de los cu-bos segun el color, se muestran dos ventanas congraficos. En la primera, se presentan los resul-tados de cubos y tiempos obtenidos en la primeraetapa (mano no afectada). En la segunda ventana,y tras la segunda etapa del test (mano afectada)se presenta un grafico comparativo de la sesion ac-tual junto con las sesiones previas. En la Figura5 se muestra la interfaz grafica implementada.
Figura 5: Interfaz grafica para el ABBT
2.3 REGISTRO AUTOMATICO DERESULTADOS
Un aspecto importante en la actualidad, es elprocesamiento y almacenamiento digital de datos.Esta tendencia, apoyada por la introduccion delas tecnologıas de la informacion y comunicacion(TIC), esta cada vez mas presente en centros asis-
tenciales para la gestion digital de los datos de lospacientes. Este planteamiento, junto con el con-cepto de telemedicina, son firmes propuestas defuturo [1]. En esta lınea, la interfaz del ABBT escapaz de almacenar de forma automatica los resul-tados obtenidos en la ejecucion del test. Guardaen una base de datos local, organizados segun elusuario y numero de sesion, los valores de numerototal de cubos desplazados para el caso de manoafectada y no afectada, ası como el tiempo de de-splazamiento entre los cubos. La organizacion pornumero de sesion, permite visualizar de forma in-stantanea un informe historico de los datos, pudi-endo facilmente ver la progresion y eficacia de laterapia aplicada, y en caso necesario reforzarla oreconducirla.
3 RESULTADOS
La efectividad del algoritmo de conteo de cubos,se mide en laboratorio en base a reiteradas prue-bas con la ayuda del personal tecnico realizandoel test. Se obtiene, que el sistema presenta unaefectividad en el conteo de cubos del 100% hastaun numero de 25 cubos.
Para tener una primera impresion del sistema enuna situacion real, se ha realizado una prueba pi-loto con un usuario de rehabilitacion. Se planteoque el sujeto realizase el test completo de la mismaforma en que se llevarıa a cabo en un entorno hos-pitalario, pero con la mınima intervencion de pro-fesionales sanitarios. La prueba tuvo lugar en lasinstalaciones del Laboratorio de Robotica Asis-tencial en el Parque Cientıfico y Tecnologico dela Universidad Carlos III de Madrid (UC3M). Laconfiguracion del sistema, ha sido la mostrada enanterior Figura 2. Para ejecutar el software, seempleo un ordenador portatil IntelR© Core i7 juntocon una camara KinectR© para WindowsR© v1. Elalgoritmo implementado es capaz de procesar 2.9imagenes por segundo (344 ms de ciclo).
3.1 PARTICIPANTES
Para este ensayo piloto se conto con la partici-pacion de una persona, mujer de 55 anos, conACV hemorragico de la arteria cerebral-mediaizquierda, que cumplio con los siguientes criteriosde seleccion: a) Afectacion de la extremidad su-perior; b) Capacidad de agarre; c) Espasticidadsegun la escala de Ashworth Modificada inferior a2; d) Capacidad para comprender las instrucciones(Mini-mental test superior a 24 puntos). Ademas,se conto con la participacion de dos terapeutas quesupervisaron el correcto desarrollo del test en todomomento.
3.2 ENSAYO PILOTO
Se busco el analisis de la eficacia del sistema au-tomatico, en una sola sesion, en un sujeto con pa-tologıa neurologica que presentaba afectacion de laextremidad superior. Se propuso al sujeto utilizarel ABBT por sı solo, sin ayuda del equipo de tra-bajo. Para guiar al usuario durante la ejecucion,el ABBT reproduce instrucciones por medio deun sintetizador de voz. Dichas instrucciones, sonsimilares a las impartidas por un profesional san-itario con el tradicional BBT. Como indican lasreglas del test, tras el periodo de prueba, el indi-viduo procedio a realizar el test empezando consu mano dominante. A continuacion, realiza eltest con la mano afectada. Al finalizar cada fase,uno de los profesionales sanitarios presentes, pro-cede a contar los cubos desplazados para compararlos resultados con los obtenidos por el sistema au-tomatizado. El sujeto lleva algun tiempo en eltratamiento de rehabilitacion y se encontraba fa-miliarizado con el test tradicional. Por lo tanto,pudo aportar una valiosa comparacion entre elBBT y el ABBT.
3.3 RESULTADOS DEL ENSAYO
En la Figura 6, se muestran los resultados de cu-bos obtenidos y el instante de tiempo en el que hansido detectados, para el caso de la mano no afec-tada (32 cubos) y afectada (3 cubos). Los resulta-dos conseguidos con el ABBT, han sido desigualesobteniendo un porcentaje de acierto en el conteoautomatico de cubos del 100% para la mano afec-tada y un 74% para la mano no afectada.
0 10 20 30 40 50 60
Tiempo [s]
0
5
10
15
20
25
30
35
Cubos[uds]
DominanteNo dominante
Figura 6: Resultados deteccion de cubos con elABBT
Cabe destacar que, siguiendo las instruccionestrasmitidas por los mensajes de voz, el sujetofue capaz de completar satisfactoriamente todo elABBT a traves de la interfaz implementada, lo queequivale al desarrollo completo del BBT. De estamanera, se comprueba la viabilidad para admin-istrar el ABBT de forma automatica, y planteala posibilidad de realizar un ensayo con un mayornumero de personas.
4 CONCLUSIONES
En este artıculo, se presento el desarrollo hardwarey software para automatizar el test de destreza ycoordinacion manual BBT. A traves de un ensayopiloto se ha realizado una primera valoracion dela viabilidad del ABBT para ser administrado deforma automatica, con mınima participacion delterapeuta. Tambien, para medir la efectividad delsistema propuesto en una situacion con un usuarioreal. Como resultado, el sistema automatico es al-tamente valorado por el usuario, quien pudo seguirsu ejecucion sin mayor dificultad a traves de lainterfaz implementada. Esto refuerza la validezdada por parte del personal sanitario.
Se ha comprobado que el sistema dispone de unasensorizacion adecuada, y que esta provee mas in-formacion que el metodo tradicional. Dicha in-formacion, esta almacenada directamente en elregistro del paciente, facilitando la disponibilidadde un historial clınico actualizado. En este caso,se ha conseguido detectar el color de los cubosobtenidos, ası como el instante de tiempo en elque han sido desplazados, presentando al final dela sesion un informe historico comparativo de lassesiones previas. Respecto de trabajos similarescomo en DBBT [3], no solo se ha desarrolladoun algoritmo para el conteo de cubos, sino queel ABBT implementa una interfaz grafica con laque se consigue completar satisfactoriamente to-das las fases del BBT (entrenamiento, mano noafectada y mano afectada), abordando la admin-istracion automatica del test. Ademas, la inter-faz permite visualizar el desarrollo de la prueba,ası como registrar el vıdeo y los datos de la sesionpara un analisis posterior si se requiere. El analisisde esta informacion temporal, genera informacionadicional que puede sugerir al terapeuta proble-mas durante el desarrollo de la prueba, como unareaccion a fatiga, mejorando mas el DBBT. Enrelacion con el algoritmo de conteo, el ABBT dis-crimina si el usuario coge dos o mas cubos, nocontabilizando los cubos extra en el resultado fi-nal. Respecto a la precision en el conteo, el ABBTpresenta un ındice de acierto del 100% para 25cubos, respecto de los 20 del DBBT. Durante elensayo piloto, se ha podido apreciar que la efectivi-dad del algoritmo de conteo de cubos al cambiarde entorno, se ha visto disminuida con respecto ala obtenida en laboratorio. Esta disminucion esatribuida, por una lado al no conteo de cubos enla mano no afectada debido a la mayor velocidadde desplazamiento, y por otro lado, al cambio decondiciones de luz ambiental que introducen fal-sos positivos durante la realizacion del ensayo. Elproceso de calibracion debe ser mejorado en de-sarrollos futuros.
Finalmente, el uso de sistemas automatizados per-mite mejorar tambien, de cara al usuario, el pro-ceso de evaluacion, ya que se pueden incluir sis-temas que ademas de registrar los datos de la eval-uacion, permitan motivar al usuario haciendo elproceso mas amigable e incluso divertido. Ası,otra lınea futura serıa incluir una interfaz deusuario basada en serious games con la que in-troducir un grado de motivacion e incluso com-petitividad en el proceso de evaluacion.
Agradecimientos
La investigacion que lleva a estos resulta-dos ha recibido financiacion del proyectoROBOHEALTH-A (DPI2013-47944-C4-1-R),financiado por el Ministerio de Economıa y Com-petitividad espanol y del proyecto RoboCity2030-III-CM (S2013 / MIT-2748) , financiado porProgramas de Actividades de I + D en la Comu-nidad de Madrid y co-financiado por los FondosEstructurales de la UE.
Referencias
[1] European Commission EC, (2012) eHealthAction Plan 2012-2020 - Innovative health-care for the 21st century.
[2] Hocoma, https://www.hocoma.com/, [Web;accedido el 02-04-2016]
[3] Hsiao, C. P., et al., (2013). The Digital Boxand Block Test Automating traditional post-stroke rehabilitation assessment. PervasiveComputing and Communications Workshops(PERCOM Workshops), pp. 360-363.
[4] Jung, J. Y., et al., (2008) A hierarchical en-semble model for automated assessment ofstroke impairment.IEEE International JointConference on Neural Networks IJCNN, pp.3187-3191.
[5] Lee, T. K., et al., (2015). Automated scoringof rehabilitative tests with singular spectrumanalysis. Signal Processing Conference (EU-SIPCO), pp. 2571-2575.
[6] Liang, Y., et al.,(2010). A learning model forthe automated assessment of hand-drawn im-ages for visuo-spatial neglect rehabilitation.Neural Systems and Rehabilitation Engineer-ing, 18(5), pp 560-570.
[7] Mathiowetz, V., et al., (1985) Adult Normsfor the Box and Block Test of Manual Dex-terity, Am J Occup Ther, pp 386 - 391.
[8] Otten, P., et al.,(2015). A Framework toAutomate Assessment of Upper-Limb Motor
Function Impairment: A Feasibility Study.Sensors, 15(8),pp 20097-20114.
[9] Prochazka, A., et al.,(2015). A fully auto-mated, quantitative test of upper limb func-tion. Journal of motor behavior, 47(1), 19-28.
[10] Rehabilitation Measures Database, http://www.rehabmeasures.org/, [Web; accedido el24-02-2016]
[11] Saborowski, M., et al., (2015) “How do youcare for technology?” - Care professionals’ ex-periences with assistive technology in care ofthe elderly, Technological Forecasting and So-cial Change, pp 133 - 140.
[12] Salter, K., et al, (2013) Chapter 21: OutcomeMeasures in Stroke Rehabilitation, Handbookof clinical neurology.
[13] Tyromotion Inc, http://tyromotion.com/,[Web; accedido el 22-05-2016]
[14] Van der Putten, J. J. M. F., et. al. (1999).Measuring change in disability after inpatientrehabilitation: comparison of the responsive-ness of the Barthel Index and the FunctionalIndependence Measure. Journal of Neurology,Neurosurgery & Psychiatry, 66(4), pp 480-484.
[15] Wade, E., et al., (2010). Automated admin-istration of the wolf motor function test forpost-stroke assessment. Pervasive Comput-ing Technologies for Healthcare (Pervasive-Health), pp. 1-7.
[16] Wang, J., et al., (2014). Automated fugl-meyer assessment using SVR model. Bioelec-tronics and Bioinformatics (ISBB), pp. 1-4.
[17] World Health Organization WHO, (2001)In-ternational Classification of Functioning, Dis-ability and Health (ICF).