Functional electrical stimulation for gait rehabilitation

Abstract

Conditions that can lead to a full or partial motor function loss, such as stroke or multiple sclerosis, leave people with disabilities that may interfere severely with lower body movements, such as gait. Drop Foot (DF) is a gait disorder that results in a reduced ability or total inability to contract the Tibialis Anterior (TA) muscle, causing an inability to raise the foot during gait. One of the most effective methods to correct DF is Functional Electrical Stimulation (FES). FES is a technique used to reproduce the activation patterns of functional muscles, in order to create muscular contractions through electrical stimulation of the muscles’ nervous tissue. FES has first been introduced in 1961. However, the available commercial FES systems still do not take into account the fact that the gait differs from subject to subject, depending on their physical condition, muscular fatigue and rehabilitation stage. Therefore, they are unable to provide a personalized assistance to the user, delivering constant stimulation pulses that are only based on gait events. Consequently, they promote the early onset of fatigue and generate coarse movements. This thesis aims to tackle the aforementioned issues by developing a FES system for personalized DF correction, tailored to each individual user’s needs through the use of a Neural Network (NN). A Non-Linear Autoregressive Neural Network with Exogenous inputs (NARX Neural Network) was used to model the dynamics of the electrically stimulated TA muscle, in a novel approach that uses both the foot angle and the foot velocity. The model was combined with a Proportional Derivative controller to help compensate for any external disturbances. In order to create more natural movements, reference trajectories were obtained by recording the foot angle and velocity of healthy subjects walking at different speeds. The system has been validated with a healthy subject walking at 3 different speeds on a treadmill: 1 km/h, 1.5 km/h and 2 km/h. It was able to track the desired trajectory for every speed, thus creating a more natural movement and effectively correcting DF gait.

Condições que podem levar a perdas totais ou parciais de funções motoras, como o acidente vascular cerebral ou a esclerose múltipla, deixam as pessoas com incapacidades que podem interferir severamente com movimentos dos membros inferiores, como a marcha. Pé Pendente (PP) é um distúrbio da marcha que resulta numa incapacidade de contrair o músculo TA, causando uma incapacidade de contrair o pé durante a marcha. Um dos métodos mais eficientes para corrigir o PP é a Estimulação Elétrica Funcional (EEF). EEF é uma técnica utilizada para reproduzir os padrões de ativação dos músculos funcionais, de modo a gerar contrações através de estimulação elétrica do tecido nervoso muscular. EEF foi introduzida pela primeira vez em 1961. No entanto, os sistemas comerciais de EEF disponíveis no mercado não têm em conta que a marcha difere dependendo do sujeito, da sua condição física, da fadiga muscular e da fase de reabilitação. Posto isto, são incapazes de fornecer uma assistência personalizada ao utilizador, aplicando pulsos de estimulação constantes baseados apenas nos eventos da marcha. Consequentemente, promovem o início precoce da fadiga e geram movimentos bruscos. Esta dissertação tem como objetivo a resolução dos problemas mencionados acima, com o desenvolvimento de um sistema personalizado de EEF para a correção do PP, adaptado às necessidades individuais de cada utilizador através do uso de uma Rede Neuronal (RN). Uma Rede Neuronal Auto-Regressiva com inputs Externos foi utilizada para modelar a dinâmica do músculo TA eletricamente estimulado, com uma abordagem inovadora que utiliza o ângulo do pé e a velocidade do pé. O modelo foi combinado com um controlador Proporcional Derivativo, para compensar quaisquer perturbações externas. De modo a gerar movimentos mais naturais, a trajetória de referência foi obtida gravando o ângulo e a velocidade do pé de sujeitos saudáveis a andar a diferentes velocidades. O sistema foi validado com um sujeito saudável a andar a 3 velocidades diferentes numa passadeira: 1 km/h, 1.5 km/h e 2 km/h. Foi capaz de seguir a trajetória desejada para todas as velocidades, gerando um movimento mais natural e efetivamente corrigindo a marcha de PP.