Utvikling av en effektiv hjerne-maskin-grensesnitt (BMI) system for restaurering og rehabilitering av bipedal bevegelse krever nøyaktig dekoding av brukerens hensikt. Her presenterer vi en ny eksperimentell protokoll og datainnsamling teknikk for samtidig non-invasiv oppkjøpet av nevral aktivitet, muskel aktivitet, og hele kroppen kinematikk under ulike bevegelsesmønstrene oppgaver og betingelser.
Nyere studier støtter involvering av supraspinal nettverk i kontroll av bipedal menneskelig gange. En del av dette bevis omfatter studier, inkludert våre tidligere arbeid, viser at ganglag kinematikk og lem koordinering under tredemølle walking kan utledes fra hodebunnen electroencephalogram (EEG) med rimelig høye dekoding nøyaktighet. Disse resultatene gir drivkraft for utvikling av ikke-invasiv hjerne-maskin-grensesnitt (BMI) systemer for bruk i restaurering og / eller styrking av gangart-en primære målet for rehabilitering forskning. Hittil har studier undersøke EEG dekoding av aktivitet under gangart vært begrenset til tredemøllen gå i et kontrollert miljø. Men for å være praktisk talt levedyktig en BMI-systemet må være aktuelt for bruk i dagligdagse bevegelsesapparatet oppgaver som over grunn gåing og snu. Her presenterer vi en ny protokoll for non-invasiv samling av hjernens aktivitet (EEG), muskelaktivitet (elektromyografi (EMG)), og enge-kroppen kinematiske data (hode, overkropp, og lem baner) under både tredemølle og over bakken walking oppgaver. Ved å samle disse dataene i ukontrollerte omgivelser innsikt kan oppnås med hensyn til muligheten for dekoding ubegrenset gangart og overflate EMG fra hodebunnen EEG.
Denne protokollen bruker tre datainnsamling systemer for å samtidig spille EEG, EMG, og hele kroppen kinematikk (figur 1, tabell 1). EEG-data er samlet trådløst fra 64 kanaler på en samplingsfrekvens på 1000 Hz, mens fagene gå. Elektromyografi (EMG) er samlet på 1000 Hz fra overflaten elektroder plassert bilateralt på fire muskelgrupper: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF), og vastus lateralis (VL). Kinematiske data er samlet på 128 Hz fra 11 trådløse sensorer montert på hodet, overkroppen, lumbar regionen, armer, lår, Shanks, og føtter til å ta opp bevegelse under gange. Hver sensor inneholder en triaxial magnetometer, triaxial gyroskop, og triaxial akselerometer (dvs. en MARG sensor).
Data ble samlet inn fra hvert system og synkronisert i tid med en enkelt vert PC. Synkronisering gjøres ved hjelp av en trigger signal som sendes over en sammenhengende serial kommunikasjon lenke åpnes ved alle tre datasystemer samtidig. Utløseren ble gjennomført som en enkel trykknapp. Når knappen trykkes en trigger signal (1) blir sendt til verts-PC, mens en null signal (0) sendes når den ikke er trykket. Ved å trykke på utløserknappen utløser også en 0,5 sek tone brukes som en lyd kø for faget, som beskrevet i protokollen under. Fem par infrarøde (IR) avstandssensorer ble fabrikkert for bruk som plassering utløser under over grunn går eksperimentene som er beskrevet nedenfor. Når IR-signalet blir avbrutt en trigger signal (1) blir sendt til verts-PC via det serielle grensesnittet via en radiofrekvens (RF) forbindelse med manuell utløser boksen.
En tilpasset C + +-programmet, utnytte software development kit (SDK) som leveres av hvert system, ble utviklet for å registrere og synkronisere data. Koden benytter en multi-threading teknikk; funksjoner for lagring av data fra hvert system (EEG, EMG, og Margs) finnes i individual tråder. Programvaren algoritmen er vist i figur 2.. Datainnsamlingen starter når programmet kjøres, og slutter når den "q"-tasten trykkes. Fem tråder er aktivert ved søknad utførelse. En tråd (figur 2) overvåker verdien (0 eller 1) av utløsersignalet fra den serielle forbindelsen. Initial trigger verdien er null. Når en trigger er mottatt (dvs. når du trykker på knappen eller siktlinje mellom IR sensor pair er ødelagt) de globale utløse variablene er satt til 1. Disse variablene forblir en før de er nullstilt innenfor datainnsamling tråder.
EEG tråden tilgang eksternt hodebunnen EEG-data i sanntid ved hjelp av TCP / IP-protokollen. Dataene er skrevet til en tekstfil linje for linje ved den tilsvarende samplingsfrekvens (1000 Hz). Den globale EEG trigger signal er skrevet til den første kolonnen, mens søyler 2-65 er de 64 EEG-kanaler. Hvis den globale EEG utløsersignal var 1, er det tilbakestilt til null. Dataskriving fortsetter til EEG tråden er avsluttet. To uavhengige tråder posten MARG sensordata. To tråder er nødvendig fordi de 11 trådløse Marg sensorer overføre data ved hjelp av produsentens programvare i robust streaming modus, som buffere data om de enkelte sensorer for å forhindre tap av data i tilfelle trådløse problemer. Dette buffering degraderer sanntid dataoverføring: hvis en sensor er i stand til å overføre data for en gitt prøve alle 11 sensorer beholde det tidspunktet i buffer deres og overføre den til neste tilgjengelige prøvepunkt. MARG trådløs dataoverføring etterslep uunngåelig bak EEG, og dermed Marg sensorer trenger tid til å avlaste bufrede data til verts-PC etter datainnsamling er stoppet. For å overvinne dette problemet, er to tråder anvendes i den MARG datainnsamling algoritme (figur 2). Den første tråden fyller en MARG trigger buffer fra den globale MARG trigger variabel ved sensoren sampling frekvens (128 Hz), mens EEG tråden er å samledata. Når datainnsamlingen slutter å skrive til avtrekkeren buffer opphører også. Den MARG tråd (figur 2) utnytter funksjonene fra sensoren SDK til å motta data fra sensorene og skrive det i en fil på samme måte som de EEG-data. Det vil si, den første kolonnen verdien av den globale MARG avtrekkeren (oppnådd fra MARG trigger-buffer), og de følgende 99 kolonnene er verdiene fra de 11 Marg sensorer (9 sensorer pr MARG enhet). Den MARG tråden skriver data til den tid-indeksen av den MARG trigger-buffer er lik den sist tidsindeks av EEG data på hvilket punkt tråden kjøring avsluttes.
I motsetning til EEG og MARG data, er EMG data registreres ikke trådløst. I stedet blir EMG data lagret på et SD-kort i datalogging enhet. Et signal sendes via Bluetooth til å starte og stoppe data skriving til SD-kortet. Skrive begynner når den første manuelle utløseren er mottatt av EEG tråden. Dataskriving stopper med EEGtråden når "q"-knappen trykkes.
Følgende protokoll ble undersøkt og godkjent av Institutional Review Board ved University of Houston. Alle forsøkspersonene mottatt, lest, og signerte en samtykkeerklæring før deltakelse.
Protokollen presenteres her bringer sammen tre datainnsamling systemer å samtidig ta opp hjernens aktivitet, muskel aktivitet, og hele kroppen kinematikk under en rekke lokomotiv oppgaver. Ferdigstillelse av hele protokollen tar omtrent tre timer, inkludert en time av faget forberedelse. Hvert system er montert på, og flytter med, emnet. Derfor er det avgjørende å verifisere tilkoblinger av EEG og EMG elektroder før starten av hver ny rettssak. Dette kan enkelt gjøres ved hjelp av programvarepakkene som tilbys av den respektive produsenten, som gjør at data kan undersøkes i sanntid ved hjelp av grafiske grensesnitt på vertsmaskinen. Datainnsamlingen applikasjonen krever disse programmene til å kjøre, forenkle godkjenningsprosessen. I tillegg må man sørge for at Marg sensorene er robust festet til emnet før hvert forsøk.
EEG og MARG data overføres trådløst over 2.4 til 2.5 GHzspektrum rekkevidde. Fordi mange andre elektroniske enheter bruker dette frekvensbåndet, er det viktig å vurdere muligheten for trådløst grensesnitt i den eksperimentelle miljøet. En kritisk del av datainnsamlingen er line-of-sight synlighet mellom den mobile cart og motivet, noe som gir robusthet til trådløse forstyrrelser. Både EEG trådløs mottaker og Marg tilgangspunkter (figur 1) gir lysdioder for å indikere forbindelse troskap. Verts-PC og trådløse mottakere for EEG og MARG sensorer er plassert på en mobil cart å opprettholde direkte siktlinje og maksimere trådløs dataoverføring som emne gikk over bakken. Vi fant robust datainnsamling ble beste opprettholdes ved å holde den mobile cart innen 5 meter av faget, en avstand som ikke begrenser bevegelser i motivet under noen av oppgavene. The C + +-programmet bruker flere tråder for datainnsamling for å gi robusthet til datatap på grunn av avbrudd av trådløse connection av EEG. Hvis EEG-tilkobling er tapt, Marg og EMG data fortsatt registrert, men ingen EEG-data vil være tilgjengelig for de tidspunkter. De Marg sensorer gir on-enhet bufring som omtalt ovenfor for å forhindre tap av data i tilfelle av trådløs tilkobling, mens EMG data er lagret på et SD-kort innen den mobile data logging enhet.
Et vanlig problem med innsamling av EEG-data under gange er tilstedeværelsen av gjenstand i signalene. Grovt sett kan gjenstander deles inn i to grupper: fysiologiske kilder til gjenstander inkludert blinker, øye bevegelse, ansikts muskel aktivitet, hjertet slår og mekaniske gjenstander som for eksempel bevegelse av elektroder og / eller kabler under eksperimentell protokoll utførelse. Artifact fjerning er et tema av pågående forskning, og omfatter slike teknikker som selvstendig komponent analyse 15,16 og kanal-baserte mal regresjon prosedyrer 17. Artifact minimering og fjerning er et viktig skritt i preprocessing av data for nevrale dekoding av kroppsbevegelser. Oppsettet presenteres her er lik tidligere studier i at EEG elektroder kabler ble buntet i en enkelt kontakt. Resultater fra disse studiene indikerer at mekaniske artefakter som følge av kabel-eller svaie bevegelse ikke spilte en rolle i dekoding av bevegelse fra nevral aktivitet 7,8. Disse resultatene støttes av andre studier som konkluderer med at ganglag relaterte gjenstander var ubetydelig i sakte til moderat gange hastigheter 17. Men måler dette eksperimentet EEG under aktiviteter som krever mer bevegelse av kroppen enn tidligere studier, inkludert sit-til-stå overganger, over bakken går, og slå, og dermed må nøye undersøkelse av de rå EEG-data bli gjennomført for å identifisere potensielle forurensning fra mekaniske gjenstander. Men ennå ikke allment tilgjengelig, kunne disse potensielle problemene løses gjennom integrasjon av nye maskinvaren i gjeldende protokoll. Slik maskinvare incLudes aktive EEG elektroder (brukt i denne protokollen) og fjærbelastede, tørre EEG elektroder, som har potensial til å forbedre hud og elektrode impedans under bevegelse 18. Disse teknologiene blir innlemmet i trådløse EEG-systemer som kan redusere effekten av bevegelsesfeil 19. Integrering av romanen hardware til tross, gir denne protokollen en unik mulighet til å fortsette å utvikle nye algoritmer for bevegelse og EMG artefakt avvisning fordi hvert segment av kroppen har vært instrumentert 16. Vi planlegger å studere tidsserier korrelasjon og frekvens domene sammenheng mellom EEG, EMG, og segment bevegelse for å utvikle robuste artefakt avvisning paradigmer gjeldende til nå tilgjengelige EEG oppsett. Våre dekoding metoder har vist robusthet mot gjenstander 7,8, og disse metodene vil bli undersøkt under de mer komplekse scenarier i denne protokoll.
Funksjoner av innspilte overflatenEMG er avhengig av mange faktorer, og tolkning av overflaten EMG-signaler for studiet av nevrale strategier krever deres vurdering 20.. De strenge prosedyrer for klargjøring av huden og EMG plassering av elektrodene som brukes i denne protokollen ble utviklet for å minimalisere påvirkning av ikke-fysiologiske faktorer på overflaten EMG-signalene. Amplituden og frekvensen til EMG registrert av denne protokoll er relatert til nettet motoraggregatet aktivitet, og derfor opptaket ikke må tolkes som en direkte representasjon av nevral aktivitet av det ønskede muskel. Likevel, nøye vurdering av overflaten EMG-signalet og mer avanserte metoder for å anslå nevrale kjøretur til muskel ved dekomponering av EMG-signalet for å bestemme relative endringer i nevrale aktivering (f.eks ved å identifisere utslipp ganger av motoriske enheter) kan gi verdifull innsikt i muskel aktivering mønstre 20. Dessuten, innen rammen av nevrale dekoding, selv om hjerneaktivitetanskaffet invasively har vist seg å inneholde informasjon om overflate EMG 21, er det for tiden ukjent om hodebunnen EEG kan også brukes til å dekode nedre lem muskelaktivitet under gange, i tillegg til gangart kinematikk. Vi forventer at denne protokollen ville tillate oss å undersøke om redusert romlig oppløsning av ikke-invasive hjernen imaging modaliteter er tilstrekkelig til å isolere nevrale aktiviteten knyttet til individuelle muskler.
Tidligere studier har vist gjennomførbarhet i å utnytte ikke-invasiv EEG å dekode kinematikk under tredemølle walking 7,8 gi drivkraft for utvikling av en hjerne-maskin-grensesnitt (BMI) for å gjenopprette gå med signaler fra hjernen. Tid-domene dekoding metoder basert på amplitude modulasjon av delta-bånd EEG-signaler har også vist seg å ikke være sensitiv til komponenter artifactual 7,8. Likevel, tredemølle Studiene foregår i et kontrollert miljø der brukerens syn og bevegelseer begrenset, og derved begrense forurensning av nevral aktivitet på grunn av ytre stimuli. Gjennom inkorporering av trådløse data logging, gjør denne protokollen samling av synkronisert EEG, EMG, og kinematiske data under en rekke bevegelsesmønstrene oppgaver og miljøer. Integrering av treghet sensorer for bevegelse sporing krever mer beregning og offline behandling for å trekke kinematikk enn en motion capture system, og som følge tiltak inneholder en liten – men akseptabelt – feilmargin som ikke ville være til stede i et kamera basert system 22. Disse håndterbare problemer er en nødvendighet for å etablere en eksperimentell protokoll som muliggjør mobil studie av kognitiv-motor atferd i skiftende miljøer. Som omtalt andre steder 10,11, er et slikt oppsett nesten ubegrenset i de problemstillinger som kan tas opp. Vårt fokus i nær fremtid vil være på spørsmål kritisk til utviklingen av en BMI for rehabilitering av å stå og gå etterhjerneskade og nevropati. En viktig del, som nevnt ovenfor, vil være utvikling av nye strategier for dekoding robuste hjerne-maskingrensesnitt til rehabilitering robot-systemer som kan avvise fysiologiske og mekaniske gjenstander for å gjenopprette bevegelse ved hjelp av signaler målt fra hjernen. For eksempel er den gangen går protokollen utført i et offentlig rom med andre folk til stede under datainnsamlingen, og dermed gir en test seng for utvikling av nevrale dekoding teknikker i det naturlige miljøet. Andre problemstillinger av interesse ved hjelp av denne protokollen omfatter sammenligne rehabilitering robot paradigmer som involverer rytmisk versus ikke-rytmisk gåtrening, og studiet av nevral aktivitet i løpet av funksjonell restitusjon etter skade i akutte og kroniske faser.
The authors have nothing to disclose.
Dette arbeidet ble støttet av National Institute of nevrologiske lidelser og hjerneslag (NINDS) gi # R01NS075889-01. Denne forskningen ble støttet delvis av egenutført Research Program av NIH, Clinical Center. Forfatterne takker også Shahriar Iqbal og Yongtian Han for å få hjelp med innsamling av data. Kostnaden for open-access publisering av denne artikkelen ble sponset av APDM, Inc. (Portland, OR; http://apdm.com ).
Name | Company | Quantity | |
BrainAmp Amplifier | Brain Products, Gmbh | Quantity: 2 | |
actiCAP EEG cap with 64 electrodes | Brain Products, Gmbh | Quantity:1 | |
Brainvision MOVE wireless EEG system | Brain Products, Gmbh | Quantity:1 | |
DataLOG MWX8 EMG data collection unit | Biometrics, Ltd. | Quantity:1 | |
SX230 EMG electrodes | Biometrics, Ltd. | Quantity:8 | |
R506 EMG ground electrode | Biometrics, Ltd. | Quantity:1 | |
Opal movement monitor (MARG sensor) | APDM, Inc. | Quantity:11 | |
Opal docking station for wireless data streaming | APDM, Inc. | Quantity:2 | |
Opal wireless access point | APDM, Inc. | Quantity:2 | |
Infrared Light Barrier Kit MK120 | Velleman, Inc. | Quantity:5 | |
Wixel Programmable USB Wireless Module | Pololu, Inc. | Quantity:6 | |
Table 1. Equipment |