Summary
Neurale-machine interfaces (NMI) zijn ontwikkeld om voortbeweging modus de gebruiker identificeren. Deze NMI potentieel nuttig voor neuronale controle van aangedreven kunstmatige benen, maar nog niet volledig aangetoond. Deze gepresenteerd (1) onze ontworpen technische platform voor eenvoudige implementatie en ontwikkeling van neurale controle voor gemotoriseerde onderste ledematen prothesen en (2) een experimentele opstelling en protocol in een laboratoriumomgeving om neuraal-gecontroleerde kunstmatige benen op patiënten evalueren met amputatie van onderste ledematen veilig papier en efficiënt.
Abstract
Om intuïtieve bediening van gemotoriseerde kunstmatige benen staat, is een interface tussen de gebruiker en prothese die de gebruiker beweging bedoeling kan herkennen gewenst. Een nieuwe neurale-machine interface (NMI) gebaseerd op neuromusculaire-mechanische fusie ontwikkeld in onze vorige studie heeft een groot potentieel om nauwkeurig te identificeren de beoogde verplaatsing van transfemoraal geamputeerden aangetoond. Echter, deze interface nog niet geïntegreerd met een aangedreven beenprothese voor echte neuronale controle. Deze studie had als doel om (1) een flexibel platform te implementeren en optimaliseren van neurale controle van gemotoriseerde onderste ledematen prothese en (2) een experimentele opstelling en protocol om neurale prothese controle op patiënten evalueren met amputatie van onderste ledematen melden. Eerst een platform gebaseerd op een computer en een visuele programmeeromgeving ontwikkeld om de prothese besturingsalgoritmen inbegrip NMI training algoritme NMI online testalgoritme en intrinsieke regelalgoritme voeren. Aantonen defunctie van dit platform, in deze studie de NMI basis van neuromusculaire-mechanische fusie werd hiërarchisch geïntegreerd intrinsieke controle van een prototype transfemoral prothese. Een patiënt met een unilaterale transfemorale amputatie werd aangeworven om onze geïmplementeerd neurale controller te evalueren bij het uitvoeren van activiteiten, zoals staan, niveau-terrein wandelen, helling stijgen, en oprit afdaling voortdurend in het laboratorium. Een nieuwe experimentele opstelling en protocol ontwikkeld om de nieuwe prothese controle veilig en efficiënt testen. De gepresenteerde proof-of-concept platform en experimentele opstelling en protocol dat de ontwikkeling en toepassing van neuraal-gecontroleerde kunstbenen helpen.
Introduction
Powered onderste ledematen prothesen hebben steeds meer aandacht gekregen in zowel de commerciële markt 1,2 en onderzoeksgemeenschap 3-5. Vergeleken met de traditionele passieve prothetische benen, gemotoriseerde prothetische gewrichten hebben het voordeel van het toestaan van de onderste ledematen geamputeerden activiteiten die moeilijk of onmogelijk zijn bij het dragen van passieve apparaten efficiënter. Echter, op dit moment, soepele en naadloze overgang activiteit (bijvoorbeeld van niveau grond lopen naar trap opgang) is nog steeds een lastige kwestie voor gemotoriseerde beenprothese gebruikers. Dit probleem is vooral te wijten aan het ontbreken van een gebruiker-machine interface die kan "lezen" van de gebruiker beweging intentie en prompt prothese controle parameters aanpassen om de gebruikers in staat om naadloos schakelen de activiteit modus.
Om deze uitdagingen aan te pakken, hebben verschillende benaderingen in het ontwerpen van user-machine-interface onderzocht. Waarin NMI gebaseerd op elektromyografische (EMG) signalen heeft een groot potentieel om intuïtieve bediening van aangedreven onderste ledematen prothesen staan aangetoond. Twee recente studies 6,7 meldde het decoderen van de beoogde beweging van de ontbrekende knie van transfemoraal geamputeerden door monitoring van de EMG signalen die uit de overblijvende spieren tijdens een zittende positie. Au et al.. 5 gebruikt EMG signalen gemeten vanaf resterende schacht spieren twee motoriek modi (niveau-terrein lopen en trap afdaling) van een transtibiale geamputeerde identificeren. Huang et al.. 8 voorgesteld een fase-afhankelijke EMG patroonherkenning aanpak die zeven activiteit standen kan herkennen met een nauwkeurigheid van ongeveer 90%, zoals blijkt op twee transfemoraal geamputeerden. Om de prestaties intent-erkenning beter te verbeteren, een NMI gebaseerd op neuromusculaire-mechanische fusie werd ontworpen in onze groep 9 en online geëvalueerd transfemoraal geamputeerden dragen passieve prothetische benen voor opzet erkenning 10,11. Dit NMI nauwkeurig kan identificerenvoorgenomen activiteiten van de gebruiker en voorspellen van de activiteit overgangen 9, die nuttig kunnen zijn voor neuronale controle van aangedreven kunstmatige benen was.
De huidige vraag voor ons is hoe we onze NMI integreren in de prothese controlesysteem om intuïtieve prothese bediening mogelijk te maken en zorgen voor de veiligheid van de gebruiker. Het ontwikkelen van echte neuraal-gecontroleerde kunstbenen vereist een flexibel platform in het laboratorium voor eenvoudige implementatie en optimalisatie van de prothese regelalgoritmen. Daarom is de doelstelling van deze studie is een flexibel platform techniek ontwikkeld in ons laboratorium voor het testen en optimaliseren van de prothese besturingsalgoritmen melden. Daarnaast zijn nieuwe experimentele opstelling en protocol gepresenteerd voor het evalueren van de neuraal-gecontroleerde transfemoral prothesen op patiënten met een amputatie van onderste ledematen veilig en efficiënt. Het platform en de experimentele opzet gepresenteerd in deze studie kon de toekomst ontwik profiterenwikkeling van echte neuraal-gestuurde, aangedreven kunstbenen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Platform voor implementatie van neurale controle van Powered Transfemoral Protheses
Een technisch platform is ontwikkeld in deze studie uit te voeren en te evalueren neurale controle van gemotoriseerde kunstbenen. De hardware inclusief een desktop PC met 2.8 GHz CPU en 4 GB RAM, een multifunctionele data acquisitie board met zowel analoog-naar-digitaal omzetters (ADC's) en digitaal-naar-analoog omzetters (DAC's), een motor controller, digitale I / O, en een prototypische aangedreven transfemoral prothese ontworpen in onze groep 12. De analoge sensor ingangen werden eerst gedigitaliseerd door de ADC's en stroomde in de desktop PC voor de signaalverwerking. De DAC werd gebruikt voor de controle-uitgang aan op de DC motor rijden prothese door middel van een motor controller. Digitale I / O's werden gebruikt om mogelijk / uitschakelen van de motor controller. De aangedreven prothese werd vastgebonden aan de desktop PC en aangedreven door een 24 V voeding.
De software werd in ad geprogrammeerdevelopment omgeving geschikt voor virtuele instrumentatie die op de desktop-pc. De ontwikkelomgeving is gebaseerd op virtuele instrumentatie, die effectief combineert zowel de gebruiker gedefinieerde software en hardware voor de uitvoering van de aangepaste platform. Door de structuur van een grafisch blokdiagram kunnen verschillende modulaire functie knooppunten gemakkelijk en doeltreffend en geactualiseerd. Om de functie van het platform voor online controle van gemotoriseerde kunstbenen te demonstreren, werd voorlopig ontworpen prothese controle uitgevoerd op dit platform. Het besturingssysteem omvatte een neurale controller en een intrinsieke controller. De neurale controller bestond uit onze vorige ontworpen NMI gebaseerd op neuromusculaire-mechanische fusie, welke activiteit modus van de gebruiker herkend. De neurale controller als een high-level controller werd hiërarchisch verband met de intrinsieke controle voor gemotoriseerde onderste ledematen prothese controle.
De architectuur van control software op het platform is weergegeven in figuur 1 De NMI bestaat uit twee delen:. offline en online trainingsmodule testmodule. De offline training module is ontworpen om opleiding gegevens te verzamelen en bouwen van de classifiers in NMI. De verzamelde meerkanaals oppervlakte EMG signalen en mechanische metingen werden eerst voorbewerkt en gesegmenteerd in continue schuiframen. In elk venster, zijn kenmerken die het signaal patronen te detecteren gewonnen en vervolgens gefuseerd tot een feature vector. De functie vector in elk venster werd gelabeld met activiteit modi (klassen) en fase-index gebaseerd op het uitvoeren van activiteiten van prothese gebruiker en de staten van de prothese tijdens de training het verzamelen van gegevens. De gemerkte kenmerkvectoren werden vervolgens gebruikt om een fase-afhankelijke patroon classifier, die meerdere sub-classifiers gecorreleerd met individueel fasen bevat bouwen. De gecreëerde classifier werd gered en overgebracht naar online testen module voor later online evaluatie. </ P>
De online testen module werd gebruikt om online te herkennen gebruiker beweging intentie en zet de activiteit modi intrinsieke controller. De multichannel neuromusculaire en mechanische metingen werden tegelijkertijd gestreamd in online testmodule en getransformeerd in functie vectoren. Vervolgens werden de functie vectoren ingevoerd in de fase-afhankelijke classifier die reeds werd gebouwd in offline opleidingsmodule. Op basis van de huidige fase intrinsieke controller, werd de corresponderende sub-classificator ingeschakeld en gebruikt om de bedoeling van de gebruiker herkent. De classificatie uitgang werd verder nabewerkt en verzonden naar intrinsieke controller om de activiteit van modus te veranderen.
Een finite-state machine (FSM) gebaseerd impedantie controller werd geïmplementeerd voor de intrinsieke controle van gemotoriseerde kunstbenen. De impedantie controller gegenereerd gewenste koppel bij de uitgang op de kniegewrichten. De finite-state machine afgesteld de gezamenlijke impedantie volgensde huidige staat van het uitvoeren van activiteiten. Voor vervoer over activiteiten (dwz waterpas de grond lopen en oprit stijging / daling), de FSM bestond uit vijf staten die overeenkomt met vijf gait fasen: houding flexie (STF), houding extensie (STE), pre-swing (PSW), swing flexie ( SWF), en zwaaibeweging (SWE); voor statische staande, de FSM omvatte twee fasen: gewicht lager (WB) en niet-gewicht dragende (NWB). Overgangen tussen de staten werden veroorzaakt door de grond reactiekracht en kniegewricht positie. De overgang tussen het werkzame standen werd gecontroleerd door de output van de online testmodule. Voor alle drie modules hierboven besproken, grafische user interface (GUI) werden gebouwd, waardoor onderzoekers in het lab om gemakkelijk controle parameters, prestatiemonitor systeem aan te passen en uit te voeren evaluatie van experimenten.
2. Experimentele opstelling
- Surface Elektromyografie (EMG)
Oppervlakte EMG signalen van de dijspieren van de geamputeerde subjectR17; s restlichaamsdeel worden geregistreerd door een draadloos EMG acquisitiesysteem. De beoogde bovenbeenspieren inbegrepen de rectus femoris (RF), vastus laeralis (VL), vastus medialis (VM), biceps femoris lang (BFL), sartorius (SAR), semitendinosus (SEM), en adductor magnus (ADM). Het is opmerkelijk dat juist richten op de specifieke spier niet noodzakelijk 8 omdat de gebruikte patroonherkenning algoritme NMI zoekopdrachten activeringspatronen meerdere spieren om de activiteit modus herkennen. Zolang de gemeten neuromusculaire controle informatie heup en knie controle voldoende, cross-talk tussen EMG weinig invloed op de NMI prestaties.- Vraag het onderwerp heupflexie / extensie, heupadductie / ontvoering en poging tot buigen / verlengen de geamputeerde kniegewricht wanneer hij in staande positie te voeren.
- Benaderen en bepalen van de locaties van de elektrode plaatsingen door spier palpatie eend onderzoek van EMG opnames.
- De elektroden insluiten in een nieuw ontworpen EMG elektrode-socket-interface, zoals getoond in figuur 2, voor zowel comfort van de patiënt en betrouwbare verbindingen elektrode-huid.
- Mechanische metingen uit Powered Prothese
De mechanische grond reactie krachten en momenten gemeten door een 6-DOF load cell van de prothetische pyloon zijn gefuseerd met EMG signalen naar het onderwerp beweging intentie herkennen. Bovendien wordt een potentiometer geïnstrumenteerd op het kniegewricht op het kniegewricht hoek meten en een codeerinrichting is aangesloten op de DC motor knie hoeksnelheid berekenen. Deze metingen worden gebruikt als de feedbacksignalen intrinsieke controle.- Monteer een zes-graden-vrijheid load cell op de prothetische pyloon.
- Lijn X-as, Y-as en Z-as van de meetcel met mediolaterale richting, achterwaartse richting en superoinferior richting van de prothese, respectievely.
- Laboratorium Milieu Setup
Om de neurale controle van aangedreven kunstmatige benen transfemoraal geamputeerden evalueren, werd een hindernisbaan gebouwd in het laboratorium, zoals weergegeven in figuur 3. De testomgeving inclusief een 5-m rechte gang, een 4-meter lange helling met een hellingshoek hoek van 8 °, en een niveau platform met de oprit stevig bevestigd. Langs de helling werden leuningen geïnstalleerd om de veiligheid van de patiënt te verbeteren. Bovendien, een plafond railsysteem met een valbeveiliging harnas verstrekt het onderwerp tegen vallen tijdens het experiment.
3. Experimenteel protocol
Deze studie werd uitgevoerd met goedkeuring van Institutional Review Board (IRB) bij de Universiteit van Rhode Island en geïnformeerde toestemming van de aangeworven onderwerp. Een mannetje unilaterale transfemorale geamputeerde (oorzaak van amputatie: trauma, leeftijd: 57 jaar, de duur van de amputatie: 32 jaars) werd aangeworven in deze studie. De verhouding tussen de lengte van de stomp (gemeten vanaf de zitbeenknobbels op het distale uiteinde van de stomp) de lengte van de niet-verminderde zijde (gemeten vanaf de zitbeenknobbels de femorale epicondyle) was 51%. Het onderwerp draagt een microprocessor gestuurde prothese knie door een zuigbevestiging aansluiting in zijn dagelijks leven. Voorafgaand aan het experiment in deze studie dit onderwerp ontving verschillende trainingen geleid door een fysiotherapeut om te laten het onderwerp aan het aangedreven apparaat en kalibreer de gewenste impedantie bij elke activiteit modus.
- Onderwerp Voorbereiding
- Meet het onderwerp gewicht, lengte, en neem zijn geslacht en leeftijd.
- Vraag het onderwerp in een prive-voorbereiding kamer op zijn eigen broek te zetten.
- Zet een-size voorzien valbeveiliging harnas over het onderwerp en bevestig deze aan het plafond railsysteem.
- Voorbereiding voor EMG opname
- Selecteer zeven volledig opgeladen draadloze EMG-sensoren en zet ze aan.
- Plaats de EMG-sensoren in de aangepaste zuig aansluiting op voorbereid locaties. Noteer het ordernummer van de sensoren en deze koppelen aan EMG locaties.
- Reinig de huid van de proefpersoon stomp met isopropylalcohol pads.
- Helpen het onderwerp in het aantrekken van de zuig-socket en controleer of de aansluiting goed vastzit aan restlichaamsdeel onderwerp.
- Schakel de real-time EMG analoge data streaming software.
- Vraag het onderwerp heupflexie / extensie, heupadductie / ontvoering en knieflexie / extensie te voeren en te onderzoeken EMG signalen naar EMG elektrode contact en datatransmissie controleren.
- Alignment en Initial Kalibratie van Powered beenprothese
- Instrueer het onderwerp te blijven in een staande positie terwijl een ondersteunende wandelaar.
- Bevestig de aangedreven prothese aan de zuig-aansluiting met een piramide adaptertor. Pas een reeks rotatie schroeven op de adapter tot de positie van de prothese meetkundig wordt recht in de aansluiting. Deze procedure werd uitgevoerd door een prothesist.
- Vraag het onderwerp om de prothese van de grond en kalibreren de meetcel op de prothetische pyloon.
- Instrueer het onderwerp om te oefenen lopen op verschillende terreinen (bijvoorbeeld niveau-grond, oprit beklimming, en oprit afdaling) bij het dragen van de aangedreven beenprothese. Deze procedure gaat door totdat het onderwerp zich zeker voelt in het lopen met de aangedreven apparaat en levert consistente looppatroon in elke voorstelling activiteit.
- Trainen Data Collection voor het trainen van de Classifiers in NMI
- Instrueren het onderwerp op de startlocatie van een vooraf gedefinieerde wandelpad staan, zoals weergegeven in figuur 3.
- Zet de aangedreven prothese en laden van de parameters in de intrinsieke controller.
- Voer een training dataverzameling comcomputer programma en zet de intrinsieke controle te staan modus door te klikken op de "Standing" knop op de grafische gebruikersinterface (GUI).
- Begin het verzamelen van gegevens door op de knop "Start opname" op GUI. Instrueer het onderwerp om te verblijven in staande positie gedurende 5 sec.
- Instrueer het onderwerp te lopen over een vlakke ondergrond op zijn / haar zelfgekozen comfortabele loopsnelheid; op hetzelfde moment, klik op de "Lopen" knop op de GUI voor toe-off van het voorste been van het onderwerp en stel de intrinsieke controle aan-grondniveau wandelen modus.
- Wanneer het onderwerp naderde aan de rand van ramp beklimming, klik op de "Ramp Ascent" knop op de GUI voor de toe-off van de prothese been intensivering op de oprit en schakel de intrinsieke controle te stijgen modus oprit. Voor de veiligheid, dat het onderwerp een handtraliewerk gebruiken bij het lopen op een helling.
- Wanneer het onderwerp komt aan het einde van de afrit, klik op de "Lopen" knopopnieuw vóór de hiel staking van beenprothese intensivering op het niveau platform en schakel de prothese intrinsieke controle naar niveau grond wandelen modus.
- Aan het einde van het wandelpad, instrueren het onderwerp stoppen en blijven in staande positie. Op hetzelfde moment, klik op de "Standing" knop voordat de dubbele standfase en schakel de intrinsieke controle terug naar staande modus.
- Na ongeveer 5 seconden, beëindigen het verzamelen van gegevens door te klikken op "Stop" knop. Label verzamelde gegevens als "training dataset 1".
- Herhaal de procedure 3.4.4-3.4.9 wanneer het onderwerp loopt in een omgekeerde route terug naar de startlocatie; het enige verschil is het omschakelen van de intrinsieke controle te afdaling modus oprit wanneer het onderwerp wandelingen op de helling.
- Herhaal 3.4.4-3.4.10 tot tien volledige opleidingen gegevens worden verzameld. Onderzoek de signaal kwaliteit van de opleiding gegevens verzameld set.
- Laat de patiënt een rustperiode na th hebbene dataverzameling sessie.
- Train de patroonherkenning classificatoren in NMI via offline opleidingsmodule (figuur 1). Gebruik de verzamelde EMG en mechanische signalen, de activiteit modi (klassen) gemerkt tijdens de training procedure, en gedetecteerd fasen om de fase-afhankelijke patroon classificatoren bouwen. Sparen parameters van de classifiers automatisch voor later online testsessie.
- Online testen van neurale controle van Powered Transfemoral Prothese
- Instrueer het onderwerp bij het beginpunt van het wandelpad te staan.
- Schakel de aangedreven prothese. Laad de getrainde classifier om online testen module en de parameters om de intrinsieke controller.
- Instrueer de uitvoering van de tests begin van de proefnemingen in een staande positie, vervolgens continu overgang naar niveau-terrein wandelen, helling lopen, niveau grond lopen, en uiteindelijk stoppen en eindigen dit proces aan het einde van het wandelpad. Instrueer het onderwerppresteren elke activiteit op een comfortabel tempo. Laat rusttijden tussen proeven om vermoeidheid te voorkomen.
- Tijdens elke test proef tonen de activiteit modes van de prothese en kniegewricht hoek metingen op een televisiemonitor. Bewaar alle van de metingen en controle uitgangen voor latere evaluatie doel.
- Herhaal de stappen 3.5.1-3.5.4 tot tien complete testen proeven worden afgewerkt.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figuur 4a toont zeven kanalen oppervlakte EMG signalen gemeten vanaf de dijspieren van stomp van de patiënt toen hij voor de heup flexie / extensie, zoals beschreven in protocol 3.2.6. Figuur 4b toont zes gang cycli van EMG-signalen vastgelegd als de proefpersoon gelopen een niveau-grond wandelpad, tijdens Protocol 3.3.4. Uit deze figuur is te zien dat de nieuw ontwikkelde EMG-elektrode contactdoosinterface goede kwaliteit oppervlakte EMG signaal metingen verschaffen.
Figuur 5 laat zien control modes, ontdekt fasen, en resulteerde kniegewricht hoek van neuraal-gecontroleerde transfemoral prothese in een representatieve online testen proef. Het onderwerp werd gevraagd om te beginnen in een staande positie, overschakeling naar niveau-terrein wandelen, helling stijgen, niveau grond lopen, en dan stoppen aan het einde van het wandelpad. Het onderwerp keerde terug naar het oorspronkelijke startpunt langs thij omgekeerde route. Zoals getoond in figuur 5, waarbij de neurale controle, de geworven onder kon soepel schakelen de aangedreven transfemoral prothese bedieningsmodus vanuit zijn voorgenomen activiteit modi. De rode onderbroken lijn aangegeven onze gedefinieerde kritische timing van elke activiteit modus overgang. Voor de overgang van niveau-grond lopen naar stijging / daling oprit en uit staan te lopen, werd de kritische timing begin van de zwaaifase (dwz, teen uit) in de overgangsperiode; voor overgang van ramp stijging / daling naar niveau-grond lopen en wandelen aan permanente, de kritische timing was het begin van gewicht acceptatie (dwz hiel contact) op een vlakke ondergrond. Ongeveer 18 seconden in deze representatieve proef, de prothese per ongeluk is omgeschakeld naar opstijging modus oprit wanneer het onderwerp liepen op een vlakke grond als gevolg van de foutieve erkenning van intentie van de gebruiker door het NMI. Deze fouten geen significante verandering in de gelopen kinematica van de su niet ontlokkenbject en werden niet waargenomen door het onderwerp. Echter, we zien een aantal fouten die gang stabiliteit van het onderwerp in een aantal testen proeven verstoord. Maar geen van deze fouten veroorzaakt het onderwerp vallen.
Figuur 1. De architectuur van de besturingssoftware op het testplatform voor de evaluatie van online neurale controle van een prototype aangedreven transfemoraal prothese. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 2. A) Frontale en sagittaal beeld van de snder voorbehoud van het dragen van de aangedreven transfemoral prothese met de EMG en mechanische meetopstelling;. b) Het verzamelen van gegevens kar met de desktop-pc's, draadloze EMG basisstation, multifunctionele DAQ boord, en de voeding klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 3. Experimentele hindernisbaan gebouwd in de laboratoriumomgeving.
Figuur 4. Raw EMG signalen die uit de dijspieren van restlichaamsdeel onderwerp, als het onderwerp (een (B) liep op een vlakke grond wandelpad.
Figuur 5. Voorbeeld van controle modes, ontdekt fasen, en de daaruit voortvloeiende aangedreven kniegewricht hoek van neuraal-gecontroleerde transfemoral prothese in een representatieve online testen proef. De rode streepje lijn geeft de gedefinieerde kritische timing van elke activiteit modus overgang.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Een technisch platform werd in deze studie een eenvoudig te implementeren, optimaliseren en waar neuronale controle van gemotoriseerde prothesen ontwikkelen. Het hele platform is geprogrammeerd in een virtuele instrumentatie gebaseerde ontwikkelomgeving en geïmplementeerd op een desktop PC. De besturingssoftware werd uit verschillende onafhankelijke verwisselbare modules, in elk waarvan een specifieke functionaliteit werd uitgevoerd (dwz NMI opzet herkenning en inhoudelijke controle). Het voordeel van dit modulaire ontwerp is dat elk functieblok gemakkelijk debuggen, gewijzigd en geactualiseerd. Bovendien, toevoegen of verwijderen functies of wijzigen van aansluitingen tussen modules kunnen eenvoudig worden gedaan in dit computerprogramma. Daarom kan het platform eenvoudig worden toegepast op andere uitvoering NMI basis van verschillende neurale besturingsinformatie of op basis van andere gebruiker intentie herkenningstechnieken. Wanneer bijvoorbeeld een EEG-gebaseerde neurale-machine interface is ontwikkeld, kan het gemakkelijk zijn uitvoeringteerd op dit platform door het wijzigen van de data-acquisitie module en intentie erkenning module; wanneer een neuraal-machine-interface gebaseerd op een nieuwe opzet decoderingswerkwijze is ontwikkeld, kan door eenvoudig de bedoeling herkenningsmodule vervangen worden toegepast. Er moet echter worden opgemerkt dat de software van de techniek platform is ontworpen op basis van een hiërarchische structuur die een hoog niveau opzet herkenning module verbonden met een lage prothese controller. Daarom kunnen alleen de neurale-machine interface die kan decoderen en de output van de gebruiker beweging opzet eenvoudig worden toegepast op dit platform. Bovendien merken dat dit platform alleen gebruikt om het concept te bewijzen. Zodra de neurale controle van aangedreven kunstmatige poten is afgerond, wezen regelaars moeten worden uitgevoerd op een krachtige geïntegreerde computersysteem en geïntegreerd in de prothese om de kunstmatige benen praktisch en draagbaar voor gebruik op dagelijkse basis maken.
Een ervarimental opstelling is ontworpen om de neurale controller aangedreven kunstmatige benen patiënten met transfemorale amputaties testen. Twee belangrijke aspecten in onze opstelling worden gemarkeerd. Ten eerste, de veiligheid van de aangeworven onderwerp noodzakelijk. Dit komt omdat misclassificaties in NMI (als getoond in figuur 5 bijvoorbeeld) of fouten in intrinsieke controle kan in het oorspronkelijk ontworpen prothese controle, die de prothese gebruiker lopen stabiliteit (in deze studie kan verstoren zij het soms NMI fouten verstoren wandelen stabiliteit), leiden tot valpartijen en bedreiging van hun veiligheid. Vandaar dat in onze opstelling leuningen zijn geïnstalleerd voor oneffen terreinen. Bovendien, een plafond railsysteem met een valbeveiliging harnas werd gebouwd, die het hele experimentele gebied waarop het laboratorium werd toegepast om de veiligheid van de patiënt maximaal beschermen. Ten tweede, is het essentieel om een comfort en betrouwbare EMG elektrode-socket interface te ontwikkelen. Plaatsen van sensoren in prosthetische sockets kan hoge druk of wrijving tegen bepaalde regio's van de resterende ledematen, wat leidt tot ongemak bij het lopen en slechte looppatroon in het onderwerp te bouwen. Benaderingen dat de druk / wrijving verminderen kan echter veroorzaken slecht contact tussen de elektroden en de stomp, resulterend in lawaaierige EMG. In deze studie, die we een nieuwe elektrode-contactdoosinterface basis van draadloze EMG-elektroden, die een hoge kwaliteit ontvangen EMG signalen voor nauwkeurige opzet herkenning (zoals in figuur 4), strakke aansluiting ophanging en goede gebruikscomfort. Hoewel sommige cross-gesprekken werden waargenomen in een paar kanalen (dwz Kanaal 3 en 6 in figuur 4b), ze hebben weinig invloed op de prestaties van de NMI. Het is omdat de patroonherkenning algoritme ontworpen in NMI zoekt activering patronen van meerdere spieren aan de activiteit modus herkennen. Deze opstelling kan ook profiteren andere onderzoek of klinische groepen, die van plan zijn de m te onderzoekenuscle eigenschap of functie in restledematen van de onderste ledematen geamputeerden.
Om efficiënt te evalueren de neuraal-gecontroleerde kunstbenen werden experimentele studies ontworpen om alle bestudeerde activiteit modes en mode overgangen bevatten. Het is opmerkelijk dat de manier van lopen en balans training van de onderste ledematen geamputeerden in het gebruik van aangedreven prothesen is eerder dan de gepresenteerde experiment nodig om het NMI nauwkeurig in het herkennen van de activiteit-modus van de gebruiker te maken. Dit komt omdat patroonherkenning wordt gebruikt in onze NMI, die verschillende activiteiten mode herkent door te zoeken op de EMG en mechanische signalen patroon dat in overeenstemming is voor een activiteit-modus, maar anders dan de andere modi. De trainingen zorgen dat de gebruikers aan te passen aan de aangedreven apparaten die hun dynamiek herdefiniëren in het lopen en consistente looppatroon bij het uitvoeren van dezelfde activiteit. Bovendien, voor hetzelfde doel, het onderwerp moeten de tijd aan het begin van de experiment te acclimatiseren aan de aangedreven prothese en het bereiken van een gladde en consistente looppatroon.
Tot slot willen we benadrukken dat de flexibele testplatform, experimentele opstelling, en experimentele protocol gepresenteerd in deze studie nuttig voor laboratorium-ontwikkeling en evaluatie van neurale controle voor gemotoriseerde kunstbenen waren. Om afgeronde neuraal-gecontroleerde kunstbenen praktisch voor dagelijks gebruik te maken, de ontwikkeling van embedded techniek platform en gebruiksvriendelijke kalibratie procedure en evaluatie in realistische omgevingen zijn nodig in de toekomst. Bovendien, de neurale controle in deze studie is voorlopig en gebruikt om de functie van onze testplatform slechts experimenteel ontwerp tonen; het is niet de eindcontrole voor aangedreven apparaten zoals wij deden acht fouten in NMI dat het looppatroon van de onderste ledematen geamputeerden, die moet worden afgeschaft verstoren. Onze gerapporteerde platform en evaluatie setup en protocol ontvangen Convenient tools waarmee verdere optimalisatie van de neurale controller en inhoudelijke controle en ontwikkelen een echte bionische onderbeen prothese die kan worden bediend door de gebruiker eenvoudig, betrouwbaar en intuïtief.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenconflicten verklaard.
Acknowledgments
Dit werk werd mede ondersteund door de National Institutes of Health onder Grant RHD064968A, voor een deel door de National Science Foundation onder Grant 0.931.820, 1.149.385 Grant en Grant 1.361.549, en voor een deel door het National Institute on Disability and Rehabilitation Research onder Grant H133G120165. De auteurs danken Lin Du, Ding Wang en Gerald Hefferman aan de Universiteit van Rhode Island, en Michael J. Klooster bij het nonnenklooster Orthotic en Prothetische Technology, LLC, voor hun goede suggestie en hulp in deze studie.
Materials
| Name | Company | Catalog Number | Comments |
| Trigno Wireless EMG Sensors | Delsys, Inc. | 7 | |
| Trigno Wireless EMG Base Station | Delsys, Inc. | 1 | |
| Multi-functional DAQ card (PCI-6259) | National Instruments, Inc. | 1 | |
| Potentiometer (RDC503013A) | ALPS Electric CO., LTD | 1 | |
| Encoder (MR series) | Maxon Precision Motors, Inc. | 1 | |
| Motor controller (ADS50/10) | Maxon Precision Motors, Inc. | 1 | |
| 24 V Power Supply (DPP480) | TDK-Lambda Americas, Inc. | 1 | |
| 6 DOF Load Cell (Mini58) | ATI Industrial Automation | 1 | |
| Ceiling Rail System | RoMedic, Inc. | 1 | |
| NI LabView 2011 | National Instruments, Inc. | 1 |
References
- The POWER KNEE. , http://www.ossur.com/prosthetic-solutions/products/knees-and-legs/bionic-knees/power-knee (2014).
- Walk. BiOM Ankle System. , http://www.biom.com (2014).
- Martinez-Villalpando, E. C., Herr, H. Agonist-antagonist active knee prosthesis: a preliminary study in level-ground walking. J Rehabil Res Dev. 46, 361-373 (2009).
- Sup, F., Bohara, A., Goldfarb, M. Design and Control of a Powered Transfemoral Prosthesis. Int J Rob Res. 27, 263-273 (2008).
- Au, S., Berniker, M., Herr, H. Powered ankle-foot prosthesis to assist level-ground and stair-descent gaits. Neural Netw. 21, 654-666 (2008).
- Hargrove, L. J., Simon, A. M., Lipschutz, R. D., Finucane, S. B., Kuiken, T. A. Real-time myoelectric control of knee and ankle motions for transfemoral amputees. JAMA. 305, 1542-1544 (2011).
- Ha, K. H., Varol, H. A., Goldfarb, M. Volitional control of a prosthetic knee using surface electromyography. IEEE Trans Biomed Eng. 58, 144-151 (2011).
- Huang, H., Kuiken, T. A., Lipschutz, R. D. A strategy for identifying locomotion modes using surface electromyography. IEEE Trans Biomed Eng. 56, 65-73 (2009).
- Huang, H., et al. Continuous Locomotion Mode Identification for Prosthetic Legs based on Neuromuscular-Mechanical Fusion. IEEE Trans Biomed Eng. 58, 2867-2875 (2011).
- Zhang, F., Dou, Z., Nunnery, M., Huang, H. Real-time implementation of an intent recognition system for artificial legs. Conf Proc IEEE Eng Med Biol Soc. 2011, 2997-3000 (2011).
- Zhang, F., Huang, H. Source Selection for Real-time User Intent Recognition towards Volitional. Control of Artificial Legs IEEE Journal of Biomedical and Health Informatics. PP, (2013).
- Liu, M., Datseris, P., Huang, H. A prototype for smart prosthetic legs: analysis and mechanical design. Proceedings of the International Conference on Control, Robotics and Cybernetics. March 21-23, New Delhi, India, , 139-143 (2011).
