Techniek Platform en experimentele protocol voor Ontwerp en evaluatie van een neuraal-gecontroleerde Transfemoral Prothese
22 juli 2014
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 patiënt
Het algemene doel van deze procedure is om een experimentele opstelling en protocol in een bibliotheek omgeving te presenteren om neurologisch bestuurde kunstbenen te evalueren bij patiënten met een amputatie van het onderbeen. Dit wordt bereikt door eerst voor te bereiden op het meten van oppervlakte EMG signalen van de resterende spieren in het onderbeen van de proefpersoon. Vervolgens wordt het aangedreven prothetische been bij de gerekruteerd proefpersoon uitgelijnd en gekalibreerd.
Vervolgens worden de trainingsgegevens verzameld en worden de classificatieprogramma's in de neurale machine interface getraind. De laatste stap is om de prestaties van de neurale besturing van het aangedreven prothetische been bij de gerekruteerd amputee proefpersoon te testen. Uiteindelijk wordt het neurologisch bestuurde, aangedreven prothetische been gebruikt om de proefpersoon verschillende activiteiten zoals staan op vlak terrein, lopen op vlak terrein, op een helling lopen, klimmen en afdalen op een helling veilig en continu in het laboratorium te laten uitvoeren.
Het belangrijkste voordeel van dit ontwerp engineering platform is dat elke functieblok eenvoudig kan worden gedebugd, gewijzigd en bijgewerkt. Bovendien kan het toevoegen of verwijderen van functies of het wijzigen van de verbinding tussen modellen eenvoudig in het computerprogramma worden gedaan. Het nieuwe elektrode socket interface ontwerp kan een hoge kwaliteit EMG signaal registratie, strakke socket ophanging en goede gebruikerscomfort bieden.
Daarom kan dit ontwerp worden gebruikt om de spiereigenschap of functie in de resterende ledematen van patiënten met een onderbeen amputatie te onderzoeken. Het demonstreren van de procedure zal worden beschouwd als een. William Boatwright en Aaron Fleming.
De studenten uit ons lab bereiden de proefpersoon voor op testen door een maatwerk valbeveiligingsharnas aan te trekken en deze aan te sluiten op het plafondrailsysteem. Selecteer vervolgens zeven volledig opgeladen draadloze EMG sensoren. Plaats de EMG sensoren op de voorbereide locaties in de aangepaste zuigsokkel.
Schrijf het volgnummer van de sensoren op en koppel ze toe aan EMG locaties. Na het reinigen van de huid van de resterende ledemaat van de proefpersoon met isopropyl alcohol, bevestigt u het aangedreven prothese aan de zuigsokkel met een piramide adapter. Help een proefpersoon bij het aantrekken van de zuigsokkel en controleer of de sokkel stevig is bevestigd aan het resterende ledemaat van de proefpersoon.
Schakel vervolgens de real-time EMG analoog data streaming software in. Vraag de proefpersoon vervolgens om heupflexie en extensie, heupabductie en abductie uit te voeren, en om kniebuiging en strekken te imagineren, en onderzoek de EMG signalen om de EMG elektrode contact en gegevensoverdracht te verifiëren om de aangedreven prothese uit te lijnen en te kalibreren. Begin met de proefpersoon in een staande positie met een ondersteunende rollator, pas een set rotatieschroeven op de adapter aan tot de positie van de prothese geometrisch is uitgelijnd met de sokkel.
Vraag de proefpersoon om de prothese van de grond te tillen en de belastingscel op de prothetische pylon te kalibreren. Instrueer de proefpersoon om te oefenen met lopen op verschillende terreinen zoals vlak terrein, helling op, en helling af. Wanneer de proefpersoon de aangedreven prothese draagt, laat de proefpersoon doorlopen tot hij of zij zich vertrouwd voelt met het lopen met het aangedreven apparaat en een consistente looppatroon geeft.
Leg bij elke activiteit de vooraf gedefinieerde looproute uit aan de proefpersoon en instrueer de proefpersoon om op de startlocatie van de looproute te staan. Schakel vervolgens de aangedreven prothese in en laad de parameters in de intrinsieke controller. Voer een trainingsgegevensverzameling computerprogramma uit en stel de intrinsieke controle in op staande modus door op de staande knop te klikken op de grafische gebruikersinterface of gooey.
Instrueer vervolgens de proefpersoon om op vlak terrein te lopen met zijn of haar zelfgekozen, comfortabele loopsnelheid. Klik tegelijkertijd op de loopknop op de gooey voordat de voorvoet van de voorste been van de proefpersoon de grond raakt, wat de intrinsieke controle automatisch instelt op vlak terrein loopmodus. Wanneer de proefpersoon de rand van de helling nadert, klikt u op de helling op knop op de gooey voordat de voorvoet van de prothese de grond raakt, wat de intrinsieke controle instelt op helling op modus voor veiligheid.
Sta de proefpersoon toe om een handrail te gebruiken bij het lopen op de helling. Wanneer de proefpersoon de rand van de helling bereikt, klikt u opnieuw op de loopknop. Voordat de hiel van de prothese de vlakke platform raakt, schakelt de prothese intrinsieke controle in op vlak terrein loopmodus.
Aan het einde van de looproute, instrueer de proefpersoon om te stoppen en tegelijkertijd te blijven staan. Klik op de staande knop voor de dubbele stap fase, wat de intrinsieke controle terugschakelt naar staande modus. Na ongeveer vijf seconden, beëindigt u de gegevensverzameling door op de stop knop te klikken.
Herhaal de procedure terwijl de proefpersoon op een omgekeerde route naar de startlocatie loopt. Het enige verschil is het schakelen van de intrinsieke controle naar helling af modus. Wanneer de proefpersoon op de helling af loopt, herhaal het lopen op en af van de helling 10 keer en onderzoek vervolgens de signaalkwaliteit van de verzamelde trainingsgegevensset.
Train vervolgens de patroonherkenningsclassificatieprogramma's in de neurale machine interface via een offline trainingsmodule. Gebruik de verzamelde EMG en mechanische signalen, de activiteitsmodi die tijdens de trainingsprocedure zijn gelabeld en de gedetecteerde fasen om een faseafhankelijk patroon op te bouwen. Classificatieprogramma's slaan de parameters van de classificatieprogramma's automatisch op voor latere online test sessies.
Begin de volgende set tests door de proefpersoon te instrueren om op het startpunt van de looproute te staan. Schakel na het inschakelen van de aangedreven prothese het getrainde classificatieprogramma in op de online testmodule en de parameters in de intrinsieke controller. Instrueer vervolgens de proefpersoon om de testproeven in een staande positie te beginnen.
Vervolgens gaat u continu over naar vlak terrein lopen, helling l
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een experimentele opstelling en protocol om neurologisch bestuurde kunstbenen voor patiënten met een amputatie van een onderbeen te evalueren. Het onderzoek heeft tot doel de functionaliteit van aangedreven prothetische apparaten te verbeteren door middel van neurologisch-machine interfaces (NMI).
Belangrijkste onderzoekscomponenten
Wetenschapsgebied
- Neurowetenschappen
- Biomedische techniek
- Prosthetiek
Achtergrond
- Neurologisch-machine interfaces (NMI) kunnen bewegingsmodi identificeren.
- NMI's hebben potentiële toepassingen bij het besturen van aangedreven kunstbenen.
- Vorige implementaties zijn niet volledig gedemonstreerd.
- Deze studie beoogt die kloof te overbruggen door middel van praktische evaluatie.
Doel van het onderzoek
- Om een platform te ontwikkelen voor neurale besturing van aangedreven onderbeenprothesen.
- Om de prestaties van neurologisch bestuurde kunstbenen te evalueren.
- Om veiligheid en efficiëntie te waarborgen bij het testen met geamputeerde proefpersonen.
Gebruikte methoden
- Voorbereiding voor meting van het oppervlakte EMG-signaal van de resterende ledemaatspieren.
- Uitlijning en kalibratie van het aangedreven prothetische been.
- Verzameling van trainingsgegevens en training van classificators in de NMI.
- Testen van de prestaties van het neurale besturingssysteem tijdens verschillende activiteiten.
Belangrijkste resultaten
- De neurologisch bestuurde prothetische been maakte het mogelijk voor proefpersonen om activiteiten zoals staan en lopen uit te voeren.
- Veilige en continue werking werd bereikt tijdens laboratoriumtests.
- Verzamelde gegevens ondersteunt de effectiviteit van het neurale besturingssysteem.
- Resultaten wijzen op potentieel voor een verbeterde gebruikerservaring met aangedreven prothesen.
Conclusies
- De studie heeft met succes de haalbaarheid van neurologisch bestuurde kunstbenen aangetoond.
- Verder onderzoek is nodig om de technologie te optimaliseren voor bredere toepassingen.
- Bevindingen dragen bij aan de ontwikkeling van geavanceerde prothetische oplossingen voor amputeerde personen.
Veelgestelde vragen
Executive Industry Relevance
This work establishes a flexible engineering platform for evaluating neurally-controlled powered lower limb prostheses, addressing a critical gap in translating neural-machine interface (NMI) research into functional prosthetic systems. By integrating NMI with intrinsic prosthetic control and validating performance in amputee subjects during ambulation tasks, the platform enables mechanistic de-risking of neural control strategies prior to preclinical and clinical development. The approach supports predictive confidence in target validation for motor intent decoding and informs portfolio decisions on neuroprosthetic investments by providing a reproducible, scalable system for early-stage functional assessment.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses related to motor intent decoding pathways in amputee populations.
- Operational Value: Supports biological de-risking by validating NMI accuracy in identifying user movement intent during real-world ambulation tasks.
- Predictive Value: Provides quantitative dependent variable measurements (e.g., mode classification accuracy, transition timing) that inform target confidence and functional validation of neural interfaces.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems (residual limb neuromuscular activity) for downstream screening of control algorithms and signal processing methods.
- Operational Value: Delivers assay standardization through predefined walking protocols, synchronized intrinsic control switching, and real-time EMG/mechanical signal monitoring.
- Scalability: Facilitates platform reuse across subjects and control paradigms via modular visual programming environment and updatable function blocks.
Translational & Preclinical Research
- Scientific Value: Establishes disease-relevant system using unilateral transfemoral amputee model to assess continuity from neural signal acquisition to prosthetic actuation.
- Operational Value: Enables risk-adjusted advancement decisions by capturing error profiles (e.g., erroneous mode switches) and their impact on gait stability without falls.
- Translational Biomarker: Links EMG signal patterns and mechanical phase detection to activity mode transitions, supporting biomarker-aligned control validation.
Pipeline & Workflow Integration
The platform bridges discovery biology (neural signal interpretation) to lead identification (control algorithm optimization) and preclinical work (safety and reproducibility testing), positioning it as a reusable capability in the neuroprosthetic development continuum.
- Discovery Biology: Supports hypothesis testing of neuromuscular-mechanical fusion for movement intent detection and pathway clarification of motor command translation.
- Screening: Ensures assay readiness via calibrated prosthetic alignment, EMG sensor validation, and intrinsic control mode switching based on toe-off and heel-contact events.
- Analytics: Generates quantitative readouts including activity mode classification, joint angle trajectories, and control output logs for comparative condition analysis.
- Translational Research: Connects neural control performance to preclinical continuity by evaluating safe, continuous operation during ramp ascent/descent and level-ground walking.
- Enterprise Reuse: Frame the PC-based visual programming environment as a modular, upgradable system for iterative refinement of NMI and control algorithms across projects.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in neural control fidelity, reduction of mechanistic ambiguity in user-prosthesis communication.
- Operational Value: Standardization of setup (suction socket interface, harness alignment), reproducibility of training/testing protocols, and scalability across amputee cohorts.
- Strategic Value: Better go/no-go decisions on NMI refinement, capital efficiency through early error detection, and reduced late-stage biological risk in prosthetic control.
- Portfolio Impact: Risk-adjusted prioritization of control strategies based on mode transition accuracy and gait stability metrics.
Implementation Considerations
- Required expertise in surface EMG signal acquisition, prosthetic biomechanics, and real-time signal processing.
- Instrumentation needs include wireless EMG sensors, load cell-instrumented pylon, motion capture or joint angle monitoring, and a safety harness/rail system.
- Cross-team standardization requires alignment between neuroscientists, rehabilitation engineers, and software developers on EMG labeling, control logic, and safety thresholds.
- Adaptation considerations involve modifying electrode placement protocols for varying residual limb geometries and adjusting intrinsic control thresholds for different amputee phenotypes.
- Practical limitations include signal noise during dynamic movement, classifier dependency on training data quality, and the need for supervised mode transitions during early testing phases.
Biopharma FAQs
Chapters in this video
0:05
Title
2:08
Preparation for EMG Recording
3:24
Alignment and Initial Calibration of Powered Prosthetic Leg
4:19
Training Data Collection for Training the Classifiers in the Neural-machine Interface
7:07
Online Testing of Neural Control of Powered Transfemoral Prosthesis
8:09
Results: EMG Recordings from Residual Limb and Knee Angle Recordings from Prosthetic Limb
10:21
Conclusion
