Stroke remains the leading cause of long-term disability in the US. Although therapy can achieve limited improvement of paretic arm use and performance, weakness and abnormal muscle synergies-which cause unintentional elbow, wrist, and finger flexion during shoulder abduction-contribute significantly to limb disuse and compound rehabilitation efforts. Emerging wearable exoskeleton technology could provide powered abduction support for the paretic arm, but requires a clinically feasible, robust control scheme capable of differentiating multiple shoulder degrees-of-freedom. This study examines whether pattern recognition of sensor data can accurately identify user intent for 9 combinations of 1- and 2- degree-of-freedom shoulder tasks. Participants with stroke (n = 12) used their paretic and non-paretic arms, and healthy controls (n = 12) used their dominant arm to complete tasks on a lab-based robot involving combinations of abduction, adduction, and internal and external rotation of the shoulder. We examined the effect of arm (paretic, non-paretic), load level (25% vs 50% maximal voluntary torque), and dataset (electromyography, load cell, or combined) on classifier performance. Results suggest that paretic arm, lower load levels, and using load cell or EMG data alone reduced classifier accuracy. However, this method still shows promise. Further work will examine classifier-user interaction during active control of a robotic device and optimization/minimization of sensors.

中文翻译：

---

使用模式识别确定慢性中风患者部分动态肩部任务的用户意图。

在美国，中风仍然是导致长期残疾的主要原因。尽管治疗对麻痹手臂的使用和性能的改善有限，但无力和异常肌肉协同作用——在肩外展过程中导致肘、腕和手指无意屈曲——显着导致肢体废用和复合康复工作。新兴的可穿戴外骨骼技术可以为瘫痪的手臂提供动力外展支持，但需要一种临床上可行的、稳健的控制方案，能够区分多个肩部自由度。本研究检查传感器数据的模式识别是否可以准确识别 1 和 2 自由度肩部任务的 9 种组合的用户意图。中风参与者 (n = 12) 使用他们的麻痹和非麻痹手臂，和健康对照组（n = 12）使用他们的优势手臂完成实验室机器人上的任务，包括肩部的外展、内收和内外旋转的组合。我们检查了手臂（麻痹、非麻痹）、负荷水平（25% 与 50% 最大随意扭矩）和数据集（肌电图、称重传感器或组合）对分类器性能的影响。结果表明，麻痹臂、较低的负荷水平以及单独使用称重传感器或 EMG 数据会降低分类器的准确性。但是，这种方法仍然显示出希望。进一步的工作将检查在机器人设备的主动控制和传感器的优化/最小化过程中分类器与用户的交互。我们检查了手臂（麻痹、非麻痹）、负荷水平（25% 与 50% 最大随意扭矩）和数据集（肌电图、称重传感器或组合）对分类器性能的影响。结果表明，麻痹臂、较低的负荷水平以及单独使用称重传感器或 EMG 数据会降低分类器的准确性。但是，这种方法仍然显示出希望。进一步的工作将检查在机器人设备的主动控制和传感器的优化/最小化过程中分类器与用户的交互。我们检查了手臂（麻痹、非麻痹）、负荷水平（25% 与 50% 最大随意扭矩）和数据集（肌电图、称重传感器或组合）对分类器性能的影响。结果表明，麻痹臂、较低的负荷水平以及单独使用称重传感器或 EMG 数据会降低分类器的准确性。但是，这种方法仍然显示出希望。进一步的工作将检查在机器人设备的主动控制和传感器的优化/最小化过程中分类器与用户的交互。