A virtual environment to evaluate and predict recovery of human hand motion post-stroke

Abstract

(English) The Action Research Arm Test (ARAT) is a measurement tool to assess post-stroke upper extremities motor function. However, ARAT scoring can be subjective and limited only to determining performance quality. Therefore, in this thesis, we presented a novelty hand motion system to improve the evaluation with the ARAT. The hand motion system is composed of a data glove CyberGlove II®, a Finger force sensing module, and a Graphical User Interface (GUI). In this thesis, three studies were conducted to evaluate whether the hand motion system improved the assessment with the ARAT. Firstly, in Chapter 4, we performed an analysis on healthy subjects using the hand motion system during the performance of the ARAT. We determined the fingertip force and the flexion angles of the metacarpophalangeal (MCP) and proximal interphalangeal (PIP) joints of the fingers (index, middle, ring, and little) and carpometacarpal (CMC), MCP, and interphalangeal (IP) for the thumb. The results showed that the flexion angles and the finger force depend on the object size and the type of grasp used (power, grip, or pinch). In addition, an important database of the range of motion of the finger joints and finger forces was obtained. Secondly, Chapter 5 evaluated post-stroke patients with right (RH) and left (LH) hemiparesis to identify joint impairments and compensatory grasping strategies. For this purpose, an experimental study was carried out with 12 patients six months after a stroke with a global ARAT score = 10. The range of motion (ROM) of the finger joints in stroke patients was compared with the data obtained in Chapter 4. Stroke patients with LH and RH showed significantly lower flexion angles in the MCP joints of the Index and Middle fingers than the Control group. However, RH patients showed larger flexion angles in the PIP joints of the Index, Middle, Ring, and Little fingers. In contrast, LH patients showed larger flexion angles in the PIP joints of the Middle and Little fingers. Therefore, the results showed that RH and LH patients used compensatory strategies involving increased flexion at the PIP joints for decreased flexion in the MCP joints. In addition, the hand motion system allows the detection of finger joint impairments in stroke patients that are not visible from ARAT scores. Finally, in Chapter 6, we developed classification models to predict whether activities with similar ARAT scores were performed by a healthy subject or by a subject with stroke. For this purpose, we used three classification algorithms: Support Vector Machine (SVM), Random Forest (RF), and K-N Neighbors (KNN). The results showed that the SVM classifier had the best performance, with a precision of 98.3% and an accuracy of 94.5 %. However, the dataset showed class imbalance and the classification models presented a low recall, especially in the stroke class. Therefore, we implemented class balance using the technique Borderline-SMOTE (BSM). After data balancing, the models showed a significantly higher accuracy, recall, f1-score, and AUC. The SVM classifier showed a higher performance with a precision of 98% and a recall of 97.5% after data balancing. Hence, the results showed that classification models based on human hand motion features combined with BSM achieve higher performance. Therefore, we conclude that integrating the hand motion system during the performance of the ARAT allows for a quantitative, accurate, and sensitive assessment. Furthermore, the proposed method is of clinical relevance as it will help health care professionals to create more specific and effective rehabilitation programs for functional recovery of the hand in patients with stroke and other chronic diseases.

(Español) El Action Research Arm Test (ARAT) es una herramienta para evaluar la función motora de las extremidades superiores después de un ictus. Sin embargo, la puntuación del ARAT puede ser subjetiva y limitarse a evaluar solamente la calidad del rendimiento de la tarea. Por lo tanto, en esta tesis presentamos un novedoso sistema de movimiento de la mano para mejorar la evaluación con el ARAT. El sistema está compuesto por un guante de datos CyberGlove II®, un módulo de detección de fuerza de los dedos y una interfaz gráfica de usuario. En esta tesis, se realizaron tres estudios para determinar si el sistema propuesto mejoraba la evaluación con el ARAT. En primer lugar, en el Capítulo 4 se realizó un estudio en sujetos sanos utilizando el sistema de movimiento de la mano durante la realización de la ARAT. Se determino la fuerza de los dedos y los ángulos de flexión de las articulaciones metacarpofalángicas (MCP) e interfalángicas proximales (PIP) de los dedos (índice, medio, anular y meñique) y carpometacarpiana (CMC), MCP e interfalángica (IP) del pulgar. Los resultados mostraron que los ángulos de flexión y la fuerza de los dedos dependen del tamaño del objeto y del tipo de agarre utilizado. En segundo lugar, en el Capítulo 5 se evaluaron pacientes con ictus con hemiparesia derecha e izquierda para identificar deficiencias articulares y estrategias de agarre compensatorias. Para ello, se realizó un estudio experimental con 12 pacientes seis meses después de un ictus con una puntuación ARAT global = 10. El rango de movimiento (ROM) de las articulaciones de los dedos en los pacientes con ictus se comparó con los datos del Capítulo 4. Los pacientes con ictus con LH y RH mostraron ángulos de flexión significativamente menores en las articulaciones MCP de los dedos índice y medio que el grupo de control. Sin embargo, los pacientes con RH mostraron mayores ángulos de flexión en las articulaciones PIP de los dedos índice, medio, anular y meñique. Por el contrario, los pacientes del grupo LH mostraron mayores ángulos de flexión en las articulaciones PIP de los dedos medio y meñique. Por lo tanto, los resultados mostraron que los pacientes RH y LH utilizaron estrategias compensatorias que implicaban un aumento de la flexión en las articulaciones PIP debido a la disminución de flexión en las articulaciones MCP. Además, el sistema permitió detectar deficiencias en las articulaciones de los dedos que no son visibles con el ARAT. Por último, en el Capítulo 6, se desarrollaron modelos de clasificación para predecir actividades con puntuaciones ARAT similares de sujeto sanos y sujetos con ictus. Para ello, se utilizaron tres algoritmos de clasificación: Maquinas de vector soporte (SVM), Bosques aleatorios (RF) y K vecinos más cercanos (KNN). Los datos mostraban un desbalanceo de clases y los clasificadores presentaron una baja exhaustividad, especialmente en la clase de ictus. Por lo tanto, se implementó el balanceo de clases con la técnica Borderline-SMOTE (BSM). Después de equilibrar los datos, los clasificadores mostraron una precisión, una exhaustividad, una puntuación f1 y un AUC significativamente mayores. El clasificador SVM mostró el mayor rendimiento con una precisión de 98% y una exhaustividad de 97.5%. Por lo tanto, los resultados mostraron que los clasificadores basados en características del movimiento de la mano humana combinados con el algoritmo BSM lograron un mayor rendimiento. Por lo tanto, concluimos que la integración del sistema de movimiento de la mano durante la realización del ARAT permite una evaluación cuantitativa, precisa y sensible. Además, el método propuesto es de relevancia clínica ya que ayudará a los profesionales de la salud a crear programas de rehabilitación más específicos y eficaces para la recuperación funcional de la mano en pacientes con ictus y otras enfermedades