脳卒中のリハビリテーション（以下リハビリ）で問題となるのが「学習性不使用」と呼ばれる現象です。例えば、利き手である右手が麻痺している場合、患者は左手を使って右手の機能を代償しがちです。その結果、右手を使う機会が減り、使用頻度に応じた麻痺手の回復が見込めなくなります。従来のリハビリでは、非麻痺手の使用をミトンやスリングで物理的に制限するCI療法（Constraint-Induced movement therapy）が効果を上げてきました。しかし、患者に身体的負担やストレスを強いることから、リハビリ用ロボットを用いた、より効率的な療法の開発が期待されています。
本研究チームは、学習性不使用を解決するリハビリ用ロボット開発の設計論の開発に取り組んでいます。ヒントになったのは、理学療法の権威であるジェームズ・ゴードン博士（南カリフォルニア大学）の指摘です。リハビリでは、失った機能を代替する比較的簡単な運動スキルの訓練から精密な運動スキルの訓練に段階的に移行します。その際に観測される「タスクの成功率が一旦低下する現象」が精密な運動スキルへの移行を困難にしているというのです。
本研究チームは、このような成功率の低下を「回復の谷」と名付け、背景に潜む数理メカニズムの解明を目指しました。具体的には、サルの脳卒中モデルが麻痺手でエサをつかむ運動スキルを回復する際に、どのようなつかみ方をしたのかと、その成功率のデータを解析しました。
サルはトレーニング初期に、親指の背中と人差し指の間にエサを挟む（代償把握）ことでタスク成功率を上昇させましたが、本来使用していた親指と人差し指でエサをつまむ動作（精密把握）を選択し始めると、タスク成功率が低下しました。しかし、その後のトレーニングで「回復の谷」を克服し、精密把握の成功率を上昇させることが出来ます。このプロセスを二つの漸化式を使ってモデル化し、機能回復にかかわる構造を推定しました。その結果、代償把握と精密把握の学習動態には相互作用があり、この相互作用が「回復の谷」の克服にとって重要であることを突き止めました。そして、この相互作用の効果を高めるようにアシストロボットを設計すれば、「回復の谷」を克服し、学習性不使用を解決することにつながると考えられました。
このような、リハビリの計算論的研究は、数理モデルに基づいたリハビリロボットの開発や、頭皮上から電流を流して非侵襲的に脳を刺激し治療につなげる技術開発にとって重要です。
PDF資料
プレスリリース
研究代表者
筑波大学システム情報系
井澤 淳 准教授