神经-机器接口（NMI）已开发用于识别用户的运动模式。这些神经-机器接口在动力型假肢腿的神经控制方面具有潜在应用价值，但尚未得到充分验证。本文介绍了（1）我们设计的工程平台，可便捷地实现和开发用于动力型下肢假肢的神经控制；以及（2）在实验室环境中评估神经控制型假肢腿的安全高效实验装置与操作流程，适用于下肢截肢患者。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
为了实现动力型假肢腿的直观操控，需要在使用者与假肢之间建立一种能够识别使用者运动意图的接口。我们先前的研究开发了一种基于神经肌肉-机械融合的新型神经-机器接口（NMI），已证明其在准确识别股骨上截肢者运动意图方面具有巨大潜力。然而，该接口尚未与动力型假肢腿集成，以实现真正的神经控制。本研究旨在报告：（1）一个用于实现和优化动力型下肢假肢神经控制的灵活平台；（2）一套用于评估下肢截肢患者假肢神经控制效果的实验装置与实验方案。首先，基于个人计算机和可视化编程环境，开发了用于实现假肢控制算法的平台，包括NMI训练算法、NMI在线测试算法以及内在控制算法。为验证该平台的功能，本研究将基于神经肌肉-机械融合的NMI与一种原型股骨上假肢的内在控制进行分层集成。招募了一名单侧股骨上截肢患者，在实验室中连续执行站立、平地行走、上坡和下坡等活动，以评估所实现的神经控制器性能。为安全高效地测试新型假肢控制方法，开发了一套新颖的实验装置与实验方案。所展示的概念验证平台、实验装置及实验方案，将有助于未来神经控制型动力假肢腿的开发与应用。
引言
动力型下肢假肢在商业市场1,2和科研领域3-5均受到越来越多的关注。与传统的被动式假肢相比，电动假肢关节的优势在于能够帮助下肢截肢者更高效地完成一些使用被动式假肢时难以实现甚至无法完成的活动。然而，目前对于使用动力型假肢的用户而言，实现平滑、无缝的活动模式切换（例如，从平地行走过渡到上楼梯）仍是一个具有挑战性的问题。这一困难主要源于缺乏一种能够“读取”用户运动意图并及时调整假肢控制参数的用户-机器接口，从而无法使用户实现活动模式的无缝切换。
为应对这些挑战，研究人员已探索了多种用户-机器界面的设计方法。其中，基于肌电图（EMG）信号的神经肌肉接口（NMI）在实现动力型下肢假肢的直观控制方面展现出巨大潜力。最近有两项研究6,7报道，通过在坐姿状态下监测截肢者残肢肌肉记录的EMG信号，可解码股骨截肢患者对缺失膝关节的预期运动意图。Au et al.5 利用从残余小腿肌肉测得的EMG信号，识别了一名胫骨截肢患者的两种运动模式（平地行走和下楼梯）。Huang et al.8 提出了一种相位依赖的EMG模式识别方法，在两名股骨截肢患者身上的实验表明，该方法可识别七种活动模式，准确率约为90%。为进一步提高意图识别性能，我们课题组设计了一种基于神经肌肉-机械融合的NMI9，并在穿戴被动假肢腿的股骨截肢患者中进行了在线评估，用于运动意图识别10,11。该NMI能够准确识别用户的预期活动，并预测活动模式之间的转换9，在动力型人工下肢的神经控制中具有潜在应用价值。
当前我们面临的问题是如何将神经肌肉接口（NMI）整合到假肢控制系统中，以实现假肢的直观操作并确保使用者的安全。开发真正由神经控制的动力型假肢腿需要在实验室中建立一个灵活的平台，以便于假肢控制算法的快速实现与优化。因此，本研究的目的是介绍我们在实验室开发的一种灵活的工程平台，用于测试和优化假肢控制算法。此外，本文还提出了一套新的实验装置与实验方案，用于对下肢截肢患者安全、高效地评估神经控制型动力股骨上假肢。本研究中所展示的平台与实验设计可为未来真正实现神经控制的动力型人工假肢腿的发展提供支持。
访问受限。请登录或开始试用以查看此内容。
方案
1. 动力型股骨上假肢神经控制实现平台
本研究开发了一个工程化平台，用于实现和评估动力型假肢腿的神经控制。该硬件包括一台配备 2.8 GHz CPU 和 4 GB 内存的台式计算机、一块具备模数转换器（ADC）和数模转换器（DAC）的多功能数据采集板、一个电机控制器、数字输入/输出端口（I/Os），以及由本课题组设计的一种原型化动力型经股假肢12。模拟传感器输入信号首先通过模数转换器（ADC）进行数字化，并传输至台式计算机进行信号处理。数模转换器（DAC）用于输出控制信号，通过电机控制器驱动假肢中的直流电机。数字输入/输出端口（I/Os）用于启用或禁用电机控制器。该动力假肢通过线缆连接至台式计算机，并由 24 V 电源供电。
该软件在适用于桌面PC上运行的虚拟仪器开发环境中进行编程。该开发环境基于虚拟仪器技术，有效结合了用户自定义的软件与硬件，以实现定制化平台。通过图形化框图结构，可高效且便捷地实现和更新不同的模块化功能节点。为了验证该平台对动力型假肢腿进行在线控制的功能，已在该平台上实现了初步设计的假肢控制方案。控制系统包括神经控制器和本征控制器。神经控制器由我们先前设计的基于神经肌肉-机械融合的NMI构成，用于识别用户的运动模式。作为高层控制器，神经控制器在层级结构上与本征控制器相连接，共同实现动力型下肢假肢的控制。
该平台控制软件的架构如图1所示。NMI包含两个部分：离线训练模块和在线测试模块。离线训练模块用于采集训练数据并在NMI中构建分类器。采集到的多通道表面肌电信号和机械测量数据首先经过预处理，并被分割为连续的滑动时间窗。在每个时间窗内，提取表征信号模式的特征，并将其融合为一个特征向量。每个时间窗中的特征向量根据假肢使用者执行的动作模式（类别）以及训练数据采集过程中假肢的状态，标注相应的活动模式和相位索引。这些带标签的特征向量随后用于构建相位依赖型模式分类器，该分类器包含多个与各自相位相关联的子分类器。所构建的分类器被保存并传输至在线测试模块，用于后续的在线评估。
在线测试模块用于在线识别用户的运动意图，并在内在控制器中切换活动模式。多通道神经肌肉和机械测量信号被同步流式传输至在线测试模块，并转换为特征向量。随后，这些特征向量被输入到相位依赖性分类器中，该分类器已在离线训练模块中预先构建。根据内在控制器中的当前相位，相应的子分类器被激活，并用于识别用户的意图。分类输出结果经过进一步后处理，发送至内在控制器以实现活动模式的切换。
基于有限状态机（FSM）的阻抗控制器被用于驱动式假肢腿的内源性控制。该阻抗控制器在膝关节处生成期望的扭矩输出。有限状态机根据当前执行活动的状态调节关节阻抗。对于移动活动（即 平地行走和斜坡上/下行走），FSM 包含五个状态，分别对应五个步态相位：支撑期屈曲（STF）、支撑期伸展（STE）、预摆动期（PSW）、摆动期屈曲（SWF）和摆动期伸展（SWE）；对于静态站立，FSM 包含两个相位：负重（WB）和非负重（NWB）。状态之间的转换由地面反作用力和膝关节位置触发。活动模式之间的转换由在线测试模块的输出控制。对于上述三个模块，均构建了图形用户界面（GUI），使实验室研究人员能够方便地调整控制参数、监测系统性能并开展评估实验。
2. 实验设置
- 表面肌电图（sEMG）
通过无线肌电采集系统记录截肢受试者残肢大腿肌肉的表面肌电信号。目标大腿肌肉包括股直肌（rectus femoris，RF）、股外侧肌（vastus lateralis，VL）、股内侧肌（vastus medialis，VM）、股二头肌长头（biceps femoris long，BFL）、缝匠肌（sartorius，SAR）、半腱肌（semitendinosus，SEM）和大收肌（adductor magnus，ADM）。值得注意的是，精确针对特定肌肉并非必要8，因为NMI中使用的模式识别算法会搜索多个肌肉的激活模式以识别活动模式。只要所测量的用于髋关节和膝关节控制的神经肌肉控制信息足够，肌电信号之间的串扰对NMI性能影响较小。- 让受试者在站立位时执行髋关节屈曲/伸展、髋关节内收/外展，并尝试屈曲/伸展截肢侧膝关节。
- 通过触诊肌肉并观察肌电记录，大致确定电极的放置位置。
- 将电极嵌入新设计的肌电电极-接受腔接口中，如图2所示，以提高受试者的舒适度并确保电极与皮肤接触的可靠性。
- 动力假肢的机械测量
通过安装在假肢连接杆上的六自由度测力传感器测量得到的机械地面反作用力和力矩，与肌电信号融合，用于识别受试者的运动意图。此外，在膝关节处安装电位计以测量膝关节角度，并在直流电机上连接编码器以计算膝关节角速度。这些测量信号用作内在控制的反馈信号。- 在假肢连接杆上安装六自由度测力传感器。
- 将测力传感器的X轴、Y轴和Z轴分别与假肢的内外侧方向、前后方向和上下方向对齐。
- 实验室环境搭建
为评估动力假肢在股骨截肢患者中的神经控制效果，实验室中构建了一个障碍行走路线，如图3所示。测试环境包括一段5米长的直线行走通道、一段4米长、倾角为8°的斜坡，以及一个与斜坡牢固连接的水平平台。沿斜坡两侧安装了扶手，以提高受试者的安全性。此外，还配备了天花板轨道系统和防坠落安全吊带，以防止受试者在实验过程中跌倒。
3. 实验方案
本研究经罗德岛大学机构审查委员会（IRB）批准，并在获得受试者知情同意后进行。研究招募了一名单侧经股截肢男性受试者（截肢原因：外伤；年龄：57岁；截肢时长：32年）。残肢长度（从坐骨结节至残肢远端）与健侧肢体长度（从坐骨结节至股骨髁）的比值为51%。该受试者日常使用带有吸力悬挂式接受腔的微处理器控制假肢膝关节。在本研究实验开始前，该受试者接受了由物理治疗师指导的多次训练，以适应动力装置，并在每种活动模式下校准所需的阻抗参数。
- 受试者准备
- 测量受试者的体重、身高，并记录其性别和年龄。
- 让受试者在私密的准备室内穿上自己的短裤。
- 为受试者穿戴尺寸合适的防坠落安全背带，并将其连接至天花板上的导轨系统。
- 肌电图（EMG）记录的准备工作
- 选择七个电量充足的无线EMG传感器并将其开启。
- 将EMG传感器放入定制的负压接受腔中预先设定的位置，记录传感器的编号并将其与相应的EMG采集位置对应。
- 使用异丙醇酒精片清洁受试者残肢的皮肤。
- 协助受试者穿戴负压接受腔，并确认接受腔已牢固地贴合于残肢上。
- 启动实时EMG模拟信号流软件。
- 要求受试者执行髋关节屈伸、髋关节内收/外展以及膝关节屈伸动作，检查EMG信号以确认电极接触良好且数据传输正常。
- 动力型假肢腿的对齐与初始校准
- 指导受试者在手持助行器的情况下保持站立姿势。
- 使用锥形适配器将动力假肢连接至负压接受腔。调节适配器上的旋转螺钉，使假肢在几何位置上与接受腔对齐。此步骤由假肢师完成。
- 要求受试者将假肢抬离地面，以校准假肢支柱上的载荷传感器。
- 指导受试者在佩戴动力假肢腿的情况下，在不同地形上进行行走练习（例如，平地、斜坡上行和斜坡下行）。该过程持续进行，直至受试者对使用动力装置行走感到自信，并在各项活动中表现出一致的步态模式。
- 用于训练NMI中分类器的训练数据采集
- 指导受试者站在预设行走路径的起始位置，如图3所示。
- 开启动力假肢，并将参数载入内置控制器中。
- 运行训练数据采集计算机程序，并在图形用户界面（GUI）上点击“站立”按钮，将内置控制设为站立模式。
- 点击GUI上的“开始记录”按钮以开始数据采集。指导受试者保持站立姿势5秒。
- 指导受试者以其自选的舒适步行速度在平地上行走；同时，在受试者健侧腿离地前，点击GUI上的“行走”按钮，将内置控制切换至平地行走模式。
- 当受试者接近上坡起点时，在假肢脚接触斜坡并即将离地前，点击GUI上的“上坡”按钮，将内置控制切换至上坡模式。出于安全考虑，允许受试者在斜坡上行走时使用扶手栏杆。
- 当受试者到达斜坡末端时，在假肢脚即将接触平地平台并发生足跟触地前，再次点击“行走”按钮，将假肢的内置控制切换回平地行走模式。
- 在行走路径终点，指导受试者停止行走并保持站立姿势。同时，在双支撑相之前点击“站立”按钮，将内置控制切换回站立模式。
- 约5秒后，点击“停止”按钮结束数据采集。将采集的数据标记为“训练数据集1”。
- 当受试者沿原路径返回起点时，重复步骤3.4.4–3.4.9，唯一不同的是在受试者下坡行走时，将内置控制切换至下坡模式。
- 重复步骤3.4.4–3.4.10，直至采集到十个完整的训练数据集。检查所采集训练数据集的信号质量。
- 在数据采集结束后，允许受试者休息一段时间。
- 通过离线训练模块（图1）训练NMI中的模式识别分类器。利用采集到的EMG和机械信号、训练过程中标注的活动模式（类别）以及检测到的运动阶段，构建相位依赖型模式分类器。自动保存分类器参数，以供后续在线测试使用。
- 动力型经股假肢的神经控制在线测试
- 指导受试者站在行走路径的起点位置。
- 开启动力假肢。将训练好的分类器载入在线测试模块，并将参数载入内置控制器。
- 指导受试者从站立姿势开始测试试验，随后连续过渡到平地行走、斜坡行走、再次平地行走，最后在行走路径终点停止并完成本次试验。要求受试者以舒适的速度完成每一项活动。在每次试验之间安排休息时间，以避免疲劳。
- 在每次测试过程中，将假肢的活动模式和膝关节角度读数显示在电视监视器上。保存所有测量数据和控制输出，以供后续评估使用。
- 重复步骤3.5.1–3.5.4，直至完成十次完整的测试试验。
访问受限。请登录或开始试用以查看此内容。
结果
图4a展示了受试者在执行髋关节屈伸运动时（如方案3.2.6所述），从其残肢大腿肌肉测得的七通道表面肌电信号。图4b展示了受试者在平地行走路径上行走时记录的六个步态周期的肌电信号（方案3.3.4期间）。从该图可以看出，新设计的肌电电极-接受腔界面能够提供高质量的表面肌电信号测量结果。
图5 展示了一次典型在线测试实验中，神经控制驱动式膝上假肢的控制模式、检测到的步态相位及其产生的膝关节角度变化。受试者被要求从站立位开始，依次过渡到平地行走、上坡行走、再次平地行走，最后在行走路径末端停止，随后沿相反路线返回初始起点。如图5所示，在神经控制下，受试者能够根据其预期活动模式，平滑地切换驱动式膝上假肢的控制模式。红色虚线表示我们定义的各活动模式转换的关键时刻。从平地行走到上坡/下坡，以及从站立到行走的转换，其关键时刻为过渡阶段的摆动相起始点（即，离地）；从上坡/下坡到平地行走，以及从行走转为站立的转换，其关键时刻为平地上的负重接受起始点（<...
访问受限。请登录或开始试用以查看此内容。
讨论
本研究开发了一种工程化平台，用于便捷地实现、优化和开发动力假肢的真正神经控制。整个平台在基于虚拟仪器的开发环境中进行编程，并在台式计算机上实现。控制软件由多个独立且可互换的模块组成，每个模块负责执行特定功能（即 NMI 意图识别和内在控制）。这种模块化设计的优势在于，每个功能模块都可以方便地进行调试、修改和更新。此外，在该计算机程序中，可以轻松添加或删除功能，或更改模块之间的连接关系。因此，该平台可方便地用于实现基于不同神经控制信息或不同用户意图识别技术的其他神经-机器接口。例如，当开发基于脑电图（EEG）的神经-机器接口时，只需修改数据采集模块和意图识别模块，即可在该平台上快速实现；当开发基于新型意图解码方法的神经-机器接口时，仅需替换意图识别模块即可应用。然而需要注意的是，该工程平台的软件是基于分层结构设计的，即将高层的意图识别模块与底层的假肢控制器相连接。因此，只有能够解码并输出用户运动意图的神经-机器接口才能在该平台上便捷地应用。此外需注意，该平台仅用于验证概念。一旦动力型假肢腿的神经控制方案最终确定，控制器本质上应部署于高性能嵌入式计算机系统，并集成于假肢内部，以使假肢腿在日常使用中具备实用性与便携性。
访问受限。请登录或开始试用以查看此内容。
致谢
本研究部分由美国国立卫生研究院（Grant RHD064968A）资助，部分由美国国家科学基金会（Grant 0931820、Grant 1149385 和 Grant 1361549）资助，部分由国家残疾与康复研究研究所（Grant H133G120165）资助。作者感谢罗德岛大学的 Lin Du、Ding Wang 和 Gerald Hefferman，以及 Nunnery 矫形与假肢技术有限公司的 Michael J. Nunnery 在本研究中提出的宝贵建议与协助。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Trigno 无线 EMG 传感器 | Delsys, Inc. | 7 | |
| Trigno 无线 EMG 基站 | Delsys, Inc. | 1 | |
| 多功能数据采集卡（PCI-6259） | National Instruments, Inc. | 1 | |
| 电位计（RDC503013A） | ALPS Electric CO., LTD | 1 | |
| 编码器（MR 系列） | Maxon Precision Motors, Inc. | 1 | |
| 电机控制器（ADS50/10） | Maxon Precision Motors, Inc. | 1 | |
| 24 V 电源（DPP480） | TDK-Lambda Americas, Inc. | 1 | |
| 六自由度测力传感器（Mini58） | ATI Industrial Automation | 1 | |
| 天花板导轨系统 | RoMedic, Inc. | 1 | |
| NI LabView 2011 | National Instruments, Inc. | 1 |
参考文献
- 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).
访问受限。请登录或开始试用以查看此内容。
重印与许可
