$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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.
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.