Artykuł metodologiczny

Jednoczesna elektroencefalografia skóry głowy (EEG), elektromiografia (EMG) i segmentalny zapis inercyjny całego ciała do multimodalnego dekodowania neuronalnego

DOI:

10.3791/50602

⸱

26 lipca 2013

 ,  ,  ,  , 
1Functional and Applied Biomechanics Group, National Institutes of Health, 2Laboratory for Non-invasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering, University of Houston, 3Department of Health and Human Performance, University of Houston, 4Center for Neuromotor & Biomechanics Research, University of Houston, 5Department of Biomedical Engineering, University of Houston

W tym artykule

Podsumowanie

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

Opracowanie skutecznego systemu interfejsu mózg-maszyna-(BMI) do przywracania i rehabilitacji dwunożnej lokomocji wymaga dokładnego dekodowania intencji użytkownika. W tym miejscu przedstawiamy nowatorski protokół eksperymentalny i technikę zbierania danych do jednoczesnego nieinwazyjnego nabywania aktywności neuronalnej, aktywności mięśni i kinematyki całego ciała podczas różnych zadań i warunków lokomocyjnych.

Streszczenie

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

Ostatnie badania potwierdzają udział sieci nadrdzeniowych w kontroli dwunożnego chodzenia człowieka. Część tych dowodów obejmuje badania, w tym nasze poprzednie prace, wykazujące, że kinematykę chodu i koordynację kończyn podczas chodzenia na bieżni można wywnioskować z elektroencefalogramu skóry głowy (EEG) z rozsądnie wysoką dokładnością dekodowania. Wyniki te stanowią bodziec do opracowania nieinwazyjnych systemów interfejsu mózg-maszyna (BMI) do stosowania w przywracaniu i/lub wzmacnianiu chodu – co jest głównym celem badań nad rehabilitacją. Do tej pory badania oceniające dekodowanie EEG aktywności podczas chodu ograniczały się do chodzenia na bieżni w kontrolowanym środowisku. Jednak, aby system BMI był praktycznie wykonalny, musi być stosowany do użytku w codziennych zadaniach lokomotorycznych, takich jak chodzenie po ziemi i skręcanie. W tym miejscu przedstawiamy nowatorski protokół nieinwazyjnego zbierania danych o aktywności mózgu (EEG), aktywności mięśni (elektromiografia (EMG)) i danych kinematycznych całego ciała (trajektorie głowy, tułowia i kończyn) zarówno podczas zadań związanych z bieżnią, jak i chodzeniem po ziemi. Zbierając te dane w niekontrolowanym środowisku, można uzyskać wgląd w możliwość dekodowania nieskrępowanego chodu i powierzchniowego EMG z EEG skóry głowy.

Wprowadzenie

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

Ten protokół wykorzystuje trzy systemy zbierania danych do jednoczesnego rejestrowania EEG, EMG i kinematyki całego ciała (Rysunek 1, Tabela 1). Dane EEG są zbierane bezprzewodowo z 64 kanałów z częstotliwością próbkowania 1,000 Hz podczas chodzenia badanych. Elektromiografia (EMG) jest pobierana z częstotliwością 1000 Hz z elektrod powierzchniowych umieszczonych obustronnie na czterech grupach mięśni: piszczelowym przednim (TA), mięśniu brzuchatym łydki (Gast), mięśniu dwugłowym uda (BF) i obszernym bocznym (VL). Dane kinematyczne zbierane są z częstotliwością 128 Hz z 11 bezprzewodowych czujników zamontowanych na głowie, górnej części tułowia, odcinku lędźwiowym, ramionach, udach, podudziach i stopach w celu rejestrowania ruchu podczas chodzenia. Każdy czujnik zawiera magnetometr trójosiowy, żyroskop trójosiowy i akcelerometr trójosiowy (tj. czujnik MARG).

Dane są zbierane z każdego systemu i synchronizowane w czasie przez pojedynczy komputer hosta. Synchronizacja odbywa się za pomocą sygnału wyzwalającego wysyłanego przez ciągłe łącze komunikacji szeregowej, do którego dostęp mają jednocześnie wszystkie trzy systemy danych. Spust został zaimplementowany jako prosty przełącznik przyciskowy. Po naciśnięciu przycisku sygnał wyzwalający (1) jest wysyłany do komputera hosta, podczas gdy sygnał zerowy (0) jest wysyłany, gdy nie jest naciśnięty. Naciśnięcie przycisku spustu wywołuje również sygnał dźwiękowy o długości 0,5 sekundy, który służy jako wskazówka dźwiękowa dla obiektu, zgodnie z opisem w poniższym protokole. Pięć par czujników zbliżeniowych w podczerwieni (IR) zostało wyprodukowanych do użytku jako wyzwalacze lokalizacji podczas eksperymentów chodzenia po ziemi opisanych poniżej. Gdy sygnał podczerwieni zostanie przerwany, sygnał wyzwalający (1) jest wysyłany do komputera hosta przez łącze szeregowe za pośrednictwem połączenia o częstotliwości radiowej (RF) z ręczną skrzynką wyzwalającą.

Niestandardowa aplikacja C++, wykorzystująca zestaw narzędzi do tworzenia oprogramowania (SDK) dostarczany przez każdy system, została opracowana do rejestrowania i synchronizowania danych. Kod wykorzystuje technikę wielowątkowości; Funkcje zapisu danych z każdego systemu (EEG, EMG i MARG) są zawarte w poszczególnych wątkach. Algorytm oprogramowania pokazano na rysunku 2. Zbieranie danych rozpoczyna się w momencie uruchomienia aplikacji i kończy po naciśnięciu "q". Pięć wątków jest aktywowanych po uruchomieniu aplikacji. Jeden gwint (Rysunek 2) monitoruje wartość (0 lub 1) sygnału wyzwalającego z połączenia szeregowego. Początkowa wartość wyzwalacza wynosi zero. Po odebraniu wyzwalacza (tj. po naciśnięciu przycisku lub przerwaniu linii wzroku między parą czujników podczerwieni) globalne zmienne wyzwalania są ustawiane na 1. Te zmienne pozostają 1, dopóki nie zostaną zresetowane w wątkach zbierania danych.

Wątek EEG zdalnie uzyskuje dostęp do danych EEG skóry głowy w czasie rzeczywistym za pomocą protokołu TCP/IP. Dane są zapisywane w pliku tekstowym wiersz po wierszu z odpowiednią częstotliwością próbkowania (1 000 Hz). Globalny sygnał wyzwalający EEG jest zapisywany w pierwszej kolumnie, podczas gdy kolumny 2-65 to 64 kanały EEG. Jeśli globalny sygnał wyzwalający EEG wynosił 1, jest resetowany do zera. Zapis danych trwa do momentu zakończenia wątku EEG. Dwa niezależne wątki rejestrują dane z czujnika MARG. Konieczne są dwa wątki, ponieważ 11 bezprzewodowych czujników MARG przesyła dane za pomocą oprogramowania producenta w niezawodnym trybie strumieniowania, które buforuje dane na poszczególnych czujnikach, aby zapobiec utracie danych w przypadku problemów z transmisją bezprzewodową. To buforowanie pogarsza transfer danych w czasie rzeczywistym: jeśli jeden czujnik nie jest w stanie przesłać danych dla danej próbki, wszystkie 11 czujników zatrzymuje ten punkt czasowy w swoim buforze i przesyła go do następnego dostępnego punktu próbkowania. Bezprzewodowy transfer danych MARG nieuchronnie pozostaje w tyle za EEG; w związku z tym czujniki MARG potrzebują czasu, aby odciążyć zbuforowane dane do komputera hosta po zatrzymaniu zbierania danych. Aby rozwiązać ten problem, w algorytmie zbierania danych MARG zastosowano dwa wątki (rysunek 2). Pierwszy wątek wypełnia bufor wyzwalający MARG z globalnej zmiennej wyzwalającej MARG przy częstotliwości próbkowania czujnika (128 Hz), podczas gdy wątek EEG zbiera dane. Gdy zbieranie danych zostanie zatrzymane, zapis w buforze wyzwalacza również zostanie zakończony. Wątek MARG (ilustracja 2) wykorzystuje funkcje z zestawu SDK czujnika do odbierania danych z czujników i zapisywania ich do pliku w taki sam sposób, jak dane EEG. Oznacza to, że pierwsza kolumna to wartość globalnego wyzwalacza MARG (uzyskana z bufora wyzwalacza MARG), a kolejne 99 kolumn to wartości z 11 czujników MARG (9 czujników na jednostkę MARG). Wątek MARG zapisuje dane do momentu, gdy indeks czasu bufora wyzwalacza MARG będzie równy indeksowi czasu ostatniego czasu danych EEG, w którym to momencie wykonywanie wątku zostanie zakończone.

W przeciwieństwie do danych EEG i MARG, dane EMG nie są rejestrowane bezprzewodowo. Zamiast tego dane EMG są zapisywane na karcie SD w module rejestrującym dane. Sygnał jest wysyłany przez połączenie Bluetooth, aby rozpocząć i zatrzymać zapisywanie danych na karcie SD. Zapis rozpoczyna się, gdy pierwszy ręczny wyzwalacz zostanie odebrany przez nić EEG. Zapis danych zatrzymuje się wraz z gwintem EEG po naciśnięciu przycisku "q".

Następujący protokół został zbadany i zatwierdzony przez Institutional Review Board na Uniwersytecie w Houston. Wszyscy badani otrzymali, przeczytali i podpisali formularz zgody przed wzięciem udziału.

Protokół

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

1. Przygotowanie do tematu

  1. Zmierz wzrost, wagę i zapisz swój wiek.
  2. Oceń preferowaną prędkość bieżni badanej, prosząc go o samodzielną regulację prędkości bieżni, aż będzie to wygodne.
  3. Za pomocą pisaka oznacz wierzchołek głowy jako punkt środkowy między nasionem a wcięciem obiektu. Dodatkowo zaznacz 10% odległości nasion do inionów jako odniesienie do wyrównania nasadki.

2. Elektroencefalografia skóry głowy (EEG)

  1. Zamocuj elektrody EEG zgodnie z międzynarodowymi zaleceniami systemu 10-20 za pomocą czepka EEG dopasowanego do pacjenta, jak w punkcie 12. Nasadka zapewnia prawidłowe ułożenie elektrod na skórze głowy.
  2. Umieść czepek EEG na badanym, wyrównując znak 10% z kroku 1.3 w punkcie środkowym elektrod Fp1 i Fp2 oraz elektrody Cz z zaznaczonym wierzchołkiem. Więcej szczegółów na temat umieszczenia czapki znajduje się w 12. Zabezpiecz nasadkę, przypinając ją pod brodą.
  3. Podłącz elektrody EEG do skrzynki kontrolnej EEG. Zaczynając od elektrod masowych i referencyjnych, użyj małej strzykawki, aby wstrzyknąć żel elektrolitowy do każdej elektrody, aż impedancja każdej z nich spadnie poniżej 25 kΩ, zgodnie z informacją zaświeconą na zielono diody LED elektrody. Więcej informacji na temat przygotowania elektrod EEG można znaleźć w 12,13.
  4. Podłącz elektrody EEG do bezprzewodowego nadajnika EEG. Przymocuj nadajnik do obiektu na pasku na rzep umieszczonym na ramionach i podłącz bezprzewodowy odbiornik EEG do dwóch 32-kanałowych amplifiery.
  5. Podłącz wzmacniacze do komputera hosta przez port USB za pomocą konwertera światłowodu na USB.
  6. Ustaw rozdzielczość kanału EEG na 0,1 μV, niską częstotliwość odcięcia na DC i wysoką częstotliwość odcięcia na 1,000 Hz w oprogramowaniu do zbierania danych EEG.

3. Elektromiografia powierzchniowa (EMG)

  1. Przygotuj się do umieszczenia elektrody EMG w 8 miejscach mięśniowych: ogol skórę, zetrzyj papierem ściernym i wyczyść wacikiem nasączonym alkoholem izopropylowym. Umieść elektrody w przygotowanych miejscach i podłącz do jednostki rejestrującej dane EMG. Umieść elektrodę uziemiającą EMG na lewym lub prawym nadgarstku i podłącz do rejestratora danych.

4. Przechwytywanie ruchu

  1. Zsynchronizuj czujniki MARG po zadokowaniu zgodnie z instrukcjami producenta.
  2. Usuń czujniki MARG i umieść je na obiekcie za pomocą pasków na rzepy lub taśmy dwustronnej w miejscach w Tabeli 2.

5. Przygotowanie środowiska

  1. Przygotuj bieżnię, przyklejając ukośną linię (45° od poziomu) na pasie. Umieść monitor telewizyjny podłączony do kamery wideo około 1 m przed bieżnią. Przyklej do telewizora kartkę papieru z czarnym kółkiem o średnicy 2 cali.
  2. Skonfiguruj arenę spacerową, umieszczając 5 zestawów czujników zbliżeniowych na podczerwień, stożki i ekran telewizyjny, jak pokazano na rysunku 3.

6. Bieżnia

  1. Tester wchodzi na bieżnię. Zamocuj uprząż bezpieczeństwa.
  2. Przed zebraniem danych zbadaj sygnały EEG i EMG, aby zweryfikować prawidłowe ułożenie elektrod, podłączenie elektrod i transmisję danych.
  3. Rozpocznij zbieranie danych, uruchamiając aplikację konsolową języka C++. Naciśnij przycisk spustu ręcznego, aby rozpocząć nagrywanie EMG i daj sygnał dźwiękowy (sygnał dźwiękowy), aby rozpocząć eksperyment.
  4. Tester pozostaje w cichej pozycji przez 30 sekund.
  5. Po 30 sekundach naciśnij przycisk spustowy, aby rozpocząć chód; bieżnia jest powoli przyspieszana do prędkości wybranej przez badanego.
  6. Tester spaceruje przez 5 minut.
  7. Pod koniec 5 minut naciśnij przycisk spustu, aby zainicjować przejście od chodzenia do stania, powoli zatrzymując bieżnię. Po zatrzymaniu się tester pozostaje w pozycji stojącej przez 30 sekund. Naciśnij przycisk "q", aby zatrzymać próbne zbieranie danych i zapisać dane.
  8. Powtórz kroki 6.2-6.7 dla wszystkich trzech warunków bieżni:
  9. Chodzenie na bieżni patrząc na czarną kropkę w oddali.
  10. Chodzenie na bieżni podczas obserwacji ruchu własnych nóg na monitorze telewizyjnym.
  11. Chodzenie na bieżni podczas korzystania z informacji zwrotnej wideo w celu uniknięcia ukośnej linii na bieżni (w celu symulacji obciążenia poznawczego 6).

7. Chodzenie po arenie (1)

  1. Ustaw obiekt na początku pętli spacerowej areny (Rysunek 3).
  2. Rozpocznij zbieranie danych jak w punktach 6.2-6.4.
  3. Naciśnij przycisk spustu, aby rozpocząć chodzenie. W momencie podania spustu pierwsza strzałka kierunkowa (→, ← lub ↑) jest wyświetlana na ekranie naprzeciwko obiektu (Rysunek 3). Jeśli zaobserwowane zostanie → lub ←, tester opuszcza zestaw stożków wejściowych, obraca się o 90° w tym kierunku, kończy pętlę i wraca do stożków wejściowych. Jeśli zaobserwowano ↑, obiekt kontynuuje podróż prosto ze stożków wejściowych, a gdy obiekt znajdzie się około 2 metry przed czujnikami podczerwieni, podawany jest ręczny spust i strzałka kierunku (→ lub ←). Tester przechodzi przez pierwszy zestaw czujników podczerwieni, a następnie wykonuje odpowiedni obrót o 90°, aby zakończyć pętlę, wracając do stożków wejściowych. (Podczas chodzenia eksperymentator podąża za badanym w odległości około 3-5 metrów z komputerem gospodarza na wózku na kółkach, aby poprawić jakość sygnału bezprzewodowego).
  4. Tester kontynuuje spacer, gdy dotrze do pachołków wejściowych po wykonaniu jednej pętli. Sekwencja 7.3 jest powtarzana z losową kolejnością strzałek, aż do zakończenia 3 pętli dla każdej początkowej strzałki (→, ← lub ↑).
  5. Po spełnieniu warunku 7.4 naciśnij przycisk ręcznego spustu, gdy tester dotrze do stożków wejściowych, aby zasygnalizować przejście do pozycji stojącej. Tester stoi cicho przez 30 sekund, a następnie zbieranie danych zostaje zakończone poprzez naciśnięcie przycisku "q" na komputerze hosta.

8. Chodzenie po arenie (2)

  1. Zmień układ trasy marszu na arenie tak, aby pięć zestawów czujników podczerwieni było ustawionych w półkolu przed obiektem (Rysunek 4).
  2. Rozpocząć zbieranie danych tak jak w poprzednich badaniach (7.1-7.2).
  3. Podobnie jak w Arena Walking I, daj ręczny spust, aby rozpocząć chodzenie. W momencie wyzwolenia na ekranie wyświetlana jest jedna z 5 strzałek kierunkowych (←, →, figure-protocol-1, figure-protocol-2, lub ↑). Każda strzałka odpowiada jednemu zestawowi czujników podczerwieni, które są rozmieszczone wokół areny (rysunek 4).
  4. Tester obserwuje strzałkę na ekranie i podchodzi do odpowiedniego zestawu czujników podczerwieni, zawracając wokół stożka poza czujnikami, przechodząc przez czujniki dwukrotnie (Rysunek 4). Po zawróceniu obiekt wraca do punktu początkowego i kontynuuje spacer.
  5. Powtarzaj sekwencję 8.3-8.4, z losową kolejnością strzałek, aż zostaną zakończone 3 pętle dla każdej strzałki kierunkowej.
  6. Po spełnieniu warunku 8.6 naciśnij przycisk ręcznego spustu, gdy tester osiągnie punkt początkowy, aby zasygnalizować przejście do pozycji stojącej. Kompletne gromadzenie danych jak w punkcie 7.5.

9. Usiądź, aby stać

  1. Ustawić krzesło za osobą badaną i rozpocząć zbieranie danych jak w ppkt 6.2-6.3. Tester stoi cicho przez 15 sekund na początku zbierania danych.
  2. Po 15 sekundach naciśnij przycisk spustu ręcznego. Po usłyszeniu sygnału obiekt przechodzi z pozycji stojącej do siedzącej, utrzymując pozycję siedzącą do następnej wskazówki dźwiękowej (naciśnięcie przycisku).
  3. Poczekaj losowy interwał (5-15 sekund) i naciśnij ręczny spust, aby dać sygnał do przejścia z miejsca siedzącego na stojący. Postawa stojąca jest utrzymywana do następnego sygnału dźwiękowego.
  4. Powtarzaj 9.2-9.3 aż do zakończenia 10 pełnych manewrów z pozycji stojącej do siedzącej i z pozycji siedzącej do stającej, po czym badany stoi cicho przez 15 sekund. Następnie zakończ zbieranie danych, naciskając przycisk "q".
  5. Powtórz protokół stand-to-sit, (9.1-9.4) dla samodzielnie zainicjowanego przejścia ze stania do siedzenia i z siedzenia do stania. Zamiast dawać testerowi wyzwalacz do przejścia, poproś testera, aby zainicjował transfer własny, aż 10 manewrów zostanie zakończonych.

10. Chodzenie po korytarzu

  1. Umieść wózek z tematem i zbieraniem danych w środku 1/8 mili, prostego korytarza. Rozpocznij zbieranie danych, tak jak w przypadku eksperymentów z chodzeniem na bieżni (6.2-6.4). Po początkowym 30-sekundowym okresie odpoczynku daj ręczny spust, aby rozpocząć chodzenie.
  2. Tester chodzi nieprzerwanie przez 5 minut. Gdy tester znajdzie się w odległości mniejszej niż 10 metrów od końca korytarza, sam inicjuje zawrócenie i kontynuuje spacer w przeciwnym kierunku.
  3. Po upływie 5 minut naciśnij przycisk spustu ręcznego, aby zatrzymać chodzenie. Obiekt stoi cicho przez 30 sekund, patrząc prosto przed siebie. Zakończ zbieranie danych, naciskając przycisk "q".
  4. Rozpocznij drugi eksperyment na korytarzu, tak jak w 10.1.
  5. Po losowym czasie chodzenia (20-40 sekund) daj ręczny spust i sygnał dźwiękowy, aby badany przestał chodzić.
  6. Obiekt pozostaje w pozycji stojącej przez krótki, losowy czas (5-15 sekund).
  7. Naciśnij przycisk spustu ręcznego, aby obiekt wznowił chodzenie.
  8. Powtarzać kroki 10.5-10.7 aż do zakończenia 10 cykli stop-start; zakończyć zbieranie danych jak w 10.3.

Wyniki

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

Rysunek 5 pokazuje 10 sekund zablokowanych w czasie danych EEG, MARG i EMG zarejestrowanych podczas chodzenia na bieżni (sekcja 3 protokołu). Zwróć uwagę, że każdy czujnik MARG faktycznie rejestruje 9 sygnałów (magnetometry trójosiowe, żyroskopy i akcelerometry), ale pokazane jest tylko przyspieszenie pionowe. Surowe dane na rysunku 5 zawierają artefakty, które muszą zostać uwzględnione podczas przetwarzania wstępnego przed analizą i dekodowaniem neuronowym. Przykłady artefaktów EEG na rycinie 5 obejmują mruganie oczami obecne po około 8,5 sekundy i artefakty ruchu o niskiej częstotliwości obecne przez cały czas.

Rysunek 6 pokazuje jedną pełną pętlę (~ 35 sekund) chodzenia po ziemi podczas protokołu chodzenia po arenie (1). Jakościowo, dane z areny nad zadaniami chodzenia po ziemi zawierają więcej artefaktów niż chodzenie na bieżni ze względu na dodatkowy ruch głowy i szyi badanego podczas skręcania. Aktywność mięśni twarzy i czaszki jest szczególnie zauważalna na elektrodach skroniowych (kanały oznaczone FT i T na rysunku 1) na rysunku 6. Zwróć uwagę na wzrost aktywności sygnału EMG w porównaniu do chodzenia na bieżni (ryc. 5), szczególnie w parze agonista-antagonista kostki. Rysunek 6 przedstawia również zdarzenia nieoptymalnego bezprzewodowego zbierania danych EEG, które muszą być uwzględnione podczas przetwarzania danych. Bezpośrednio przedczwartym wyzwoleniem dane EEG pokazują płaskie linie, wskazujące na przerwę w transmisji bezprzewodowej między komputerem hosta a systemem EEG. Ta sekcja danych musi zostać wycięta z całego zestawu danych (EEG, MARG i EMG).

Rysunek 7 pokazuje dane dotyczące jednego cyklu od stania do siedzenia i od siedzenia do stania. Podobnie jak w przypadku innych danych, artefakty ruchowe są obecne w EEG, zarówno pod koniec przejścia, jak i podczas stabilizacji głowy w pozycji siedzącej (lub stojącej). Jeden interwał chodzenia po korytarzu, w tym przejście ze stania do chodzenia i z chodzenia do stania, pokazano na rysunku 8. Zwróć uwagę na narastanie danych EMG i przyspieszenia po sygnałach dźwiękowych, aby rozpocząć i zakończyć chodzenie. Równolegle z tym narastaniem pojawia się i znika artefakt ruchu w danych EEG. Rysunek 8 przedstawia również nieoptymalne połączenie na elektrodzie EEG PO10, które występuje po około 7 sekundach. Takie zachowanie jest czasami obserwowane podczas eksperymentu i jest prawdopodobnie spowodowane utratą kontaktu między elektrodą EEG a skórą głowy. Elektroda PO10 musi zostać usunięta z analizy danych w tym badaniu. Ponieważ dane EEG mogą być obserwowane w czasie rzeczywistym, a podłączenie elektrod EEG jest weryfikowane (krok 6.2 protokołu) przed każdą próbą w protokole, słabe połączenie elektrod można naprawić przed następnym badaniem.

nazwa firma ilość Wzmacniacz BrainAmp Produkty mózgu, Gmbh cyfra arabska Czepek EEG actiCAP z 64 elektrodami Produkty mózgu, Gmbh 1 Bezprzewodowy system EEG Brainvision MOVE Produkty mózgu, Gmbh 1 DataLOG MWX8 Jednostka zbierająca dane EMG Biometria, Sp. z o.o. 1 Elektrody EMG SX230 Biometria, Sp. z o.o. 8 Elektroda uziemiająca EMG R506 Biometria, Sp. z o.o. 1 Monitor ruchu opalu (czujnik MARG) APDM, Inc. 11 Stacja dokująca Opal do bezprzewodowego przesyłania danych APDM, Inc. cyfra arabska Bezprzewodowy punkt dostępowy Opal APDM, Inc. cyfra arabska Zestaw bariery światła podczerwonego MK120 Velleman, Inc. 5 Programowalny moduł bezprzewodowy USB Wixel Pololu, Sp. z o.o. 6

Tabela 1. Sprzęt.

czujnik lokalizacja głowa Środek czoła nad brwiami tułów Między klatką piersiową u podstawy mostka Lędźwiowego Środek pleców przy minimalnym zgięciu lędźwiowym Ramię1 Boczna strona ramienia; proksymalnie do nadgarstka ~ 10% do łokcia Udo1 Boczna strona uda; 50% między biodrem a kolanem Trzpień1 Boczna strona cholewki; 75% dystalnie od kolana Stopa1 Wyśrodkowany na podbiciu stopy 1Czujniki ramienia, uda, podułka i stopy są umieszczone obustronnie.

Tabela 2. Lokalizacje czujników MARG.

figure-results-1
Rysunek 1. Strzałkowy (a) i frontalny (b) widok osoby noszącej czujniki inercyjne EEG, EMG i MARG do zbierania danych. (c) Topograficzne przedstawienie lokalizacji elektrod EEG na skórze głowy, wykreślone za pomocą zestawu narzędzi EEGlab Matlab 14. (d) Mobilny wózek do zbierania danych zawierający komputer hosta, wyzwalacz ręczny, EMG Bluetooth, bezprzewodowe punkty dostępowe MARG oraz bezprzewodowy odbiornik EEG, wzmacniacze i zasilacz. Kliknij tutaj, aby zobaczyć większą postać.

figure-results-2
Rysunek 2. Schemat blokowy szczegółowo opisujący algorytm specjalnie zaprojektowanego, wielowątkowego oprogramowania do zbierania danych. Kliknij tutaj, aby zobaczyć większą postać.

figure-results-3
Rysunek 3. Schematyczne (z lotu ptaka) przedstawienie chodzenia po arenie (1) protokół eksperymentalny. Jedna strzałka (→, ← lub ↑) jest wyświetlana na monitorze, gdy obiekt znajduje się na końcu stożków wejściowych. Jeśli pokazana jest prawa (→) lub lewa (←), obiekt podąża odpowiednio za czerwoną lub zieloną pętlą, przechodząc przez cztery zestawy czujników podczerwieni (IR1-IR4). Jeśli przedstawiona jest linia prosta (↑), obiekt idzie w kierunku monitora wyświetlacza (niebieska linia), a druga strzałka (→ lub ←) jest wyświetlana, gdy obiekt znajduje się około 1 metr przed czujnikami podczerwieni (IR5). Po przejściu przez zestaw czujników IR5 badany kończy pętlę wzdłuż odpowiedniej (czerwonej lub zielonej) ścieżki, wracając do punktu początkowego.

figure-results-4
Rysunek 4. Schematyczne (z lotu ptaka) przedstawienie chodzenia po arenie (2) protokół eksperymentalny. Na początku eksperymentu, pojedyncza strzałka (figure-results-5, figure-results-6, →, ←, lub ↑) jest prezentowana badanemu na monitorze. Na podstawie otrzymanej strzałki, tester idzie bezpośrednio do odpowiedniego zestawu czujników podczerwieni, przechodzi przez czujniki, wykonuje zwrot w kształcie litery U wokół stożka i wraca do punktu początkowego (pętla odpowiadająca figure-results-7 strzałka jest pokazana powyżej).

figure-results-8
Rysunek 5. Przykładowe dane z 10-sekundowego chodu na bieżni. Górny panel pokazuje 64-kanałowe surowe dane EEG z nazwą kanału z międzynarodowej konwencji 10-20. Środkowy panel pokazuje przyspieszenie w kierunku pionowym z 11 czujników MARG. Dolny panel pokazuje 8-kanałowy surowy EMG. Kliknij tutaj, aby zobaczyć większą postać.

figure-results-9
Rysunek 6. Przykładowe dane z jednej pętli (ścieżka strzałki w prawo, rysunek 3) chodzenia podczas protokołu areny I. Dane EEG, przyspieszenia i EMG przedstawiono jak na rysunku 5. Pionowe czarne paski to lokalizacja wyzwalaczy odbieranych przez oprogramowanie. Pierwszy spust pochodzi z ręcznego przycisku inicjującego pętlę, prezentując strzałkę →. Następujące cztery wyzwalacze pochodzą z czujników podczerwieni IR1-IR4 (ilustracja 3), gdy obiekt przechodzi przez pętlę. Kliknij tutaj, aby zobaczyć większą postać.

figure-results-10
Rysunek 7. Przykładowe dane z przejścia ze stania do siedzenia i z pozycji siedzącej do stającej. Dane EEG, przyspieszenia i EMG przedstawiono jak na rysunku 5. Pionowe paski wskazują ręczne spusty (i wskazówki dźwiękowe), aby zainicjować odpowiednio stanie i siedzenie. Kliknij tutaj, aby zobaczyć większą postać.

figure-results-11
Rysunek 8. Przykładowe dane z chodzenia po korytarzu pokazujące przejście od stania do chodzenia i chodzenia do stania. Dane EEG, przyspieszenia i EMG pokazano jak na rysunku 5. Pionowe paski wskazują odpowiednio ręczne spusty i sygnał dźwiękowy, aby rozpocząć i zatrzymać chodzenie. Kliknij tutaj, aby zobaczyć większą postać.

Dyskusja

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

Przedstawiony tutaj protokół łączy trzy systemy gromadzenia danych, aby jednocześnie rejestrować aktywność mózgu, aktywność mięśni i kinematykę całego ciała podczas różnych zadań lokomotywowych. Ukończenie całego protokołu zajmuje około 3 godzin, w tym 1 godzinę przygotowania obiektu. Każdy system jest zamontowany na obiekcie i porusza się wraz z nim. Dlatego tak ważne jest, aby zweryfikować połączenia elektrod EEG i EMG przed rozpoczęciem każdego nowego badania. Można to łatwo zrobić za pomocą pakietów oprogramowania dostarczonych przez danego producenta, które umożliwiają analizę danych w czasie rzeczywistym za pomocą interfejsów graficznych na komputerze głównym. Aplikacja do zbierania danych wymaga, aby te pakiety oprogramowania były uruchomione, co upraszcza proces weryfikacji. Ponadto należy zadbać o to, aby czujniki MARG były solidnie przymocowane do obiektu przed każdym badaniem.

Dane EEG i MARG są przesyłane bezprzewodowo w zakresie widma 2,4-2,5 GHz. Ponieważ wiele innych urządzeń elektronicznych korzysta z tego pasma częstotliwości, ważne jest, aby rozważyć możliwość interfejsu bezprzewodowego w środowisku eksperymentalnym. Krytycznym aspektem gromadzenia danych jest widoczność w linii wzroku między wózkiem mobilnym a obiektem, co zapewnia odporność na zakłócenia bezprzewodowe. Zarówno odbiornik bezprzewodowy EEG, jak i punkty dostępowe MARG (rysunek 1) są wyposażone w diody LED wskazujące wierność połączenia. Komputer główny i bezprzewodowe odbiorniki czujników EEG i MARG są umieszczane na mobilnym wózku, aby utrzymać bezpośrednią linię wzroku i zmaksymalizować bezprzewodową transmisję danych, gdy badany poruszał się po ziemi. Stwierdziliśmy, że solidne gromadzenie danych było najlepiej utrzymane, gdy wózek mobilny znajdował się w odległości nie większej niż 5 metrów od badanego, co nie ograniczało ruchów obiektu podczas żadnego z zadań. Aplikacja C++ wykorzystuje wiele wątków do zbierania danych, aby zapewnić odporność na utratę danych z powodu przerwy w połączeniu bezprzewodowym EEG. Jeśli połączenie EEG zostanie utracone, dane MARG i EMG są nadal rejestrowane, ale żadne dane EEG nie będą dostępne dla tych punktów czasowych. Czujniki MARG zapewniają buforowanie na urządzeniu, jak omówiono powyżej, aby zapobiec utracie danych w przypadku połączenia bezprzewodowego, podczas gdy dane EMG są przechowywane na karcie SD w mobilnej jednostce rejestrującej dane.

Częstym problemem związanym z gromadzeniem danych EEG podczas chodzenia jest obecność artefaktów w sygnałach. Ogólnie rzecz biorąc, artefakty można podzielić na dwie grupy: fizjologiczne źródła artefaktów, w tym mrugnięcia, ruchy gałek ocznych, aktywność mięśni twarzy, bicie serca oraz artefakty mechaniczne, takie jak ruch elektrod i/lub kabli podczas wykonywania protokołu eksperymentalnego. Usuwanie artefaktów jest przedmiotem trwających badań i obejmuje takie techniki, jak analiza niezależnych komponentów 15,16 i procedury regresji szablonowej oparte na kanałach 17. Minimalizacja i usuwanie artefaktów jest kluczowym krokiem we wstępnym przetwarzaniu danych do neuronowego dekodowania ruchu ciała. Przedstawiona tutaj konfiguracja jest podobna do poprzednich badań, ponieważ kable elektrod EEG zostały połączone w jedno złącze. Wyniki tych badań wskazują, że artefakty mechaniczne spowodowane kołysaniem się lub ruchem kabla nie odgrywały roli w dekodowaniu ruchu na podstawie aktywności neuronalnej 7,8. Wyniki te są poparte innymi badaniami, w których stwierdzono, że artefakty związane z chodem były nieistotne przy niskich i umiarkowanych prędkościach chodu17. Jednak ten eksperyment mierzy EEG podczas czynności, które wymagają większego ruchu ciała niż poprzednie badania, w tym przejścia z pozycji siedzącej do stojącej, chodzenia po ziemi i obracania się, a zatem należy przeprowadzić dokładne badanie surowych danych EEG w celu zidentyfikowania potencjalnego zanieczyszczenia artefaktami mechanicznymi. Chociaż te potencjalne problemy nie są jeszcze powszechnie dostępne, można je rozwiązać poprzez integrację nowatorskiego sprzętu z obecnym protokołem. Taki sprzęt obejmuje aktywne elektrody EEG (używane w tym protokole) i sprężynowe, suche elektrody EEG, które mogą poprawić impedancję kontaktową skóra-elektroda podczas ruchu 18. Technologie te są włączane do bezprzewodowych systemów EEG, które mogą zmniejszać efekt artefaktów ruchowych 19. Pomimo integracji nowatorskiego sprzętu, protokół ten stanowi wyjątkową okazję do dalszego opracowywania nowatorskich algorytmów odrzucania artefaktów ruchu i EMG, ponieważ każdy segment ciała został oprzyrządowany 16. Planujemy zbadać korelację szeregów czasowych i spójność domeny częstotliwości między EEG, EMG i ruchem segmentu, aby opracować solidne paradygmaty odrzucania artefaktów mające zastosowanie do obecnie dostępnych konfiguracji EEG. Nasze metody dekodowania wykazały odporność na artefakty 7,8; Metody te zostaną zbadane w ramach bardziej złożonych scenariuszy zawartych w niniejszym Protokole.

Cechy rejestrowanego EMG powierzchniowego są zależne od wielu czynników, a interpretacja powierzchniowych sygnałów EMG do badania strategii neuronalnych wymaga ich uwzględnienia 20. Rygorystyczne procedury przygotowania skóry i umieszczania elektrod EMG stosowane w tym protokole zostały zaprojektowane tak, aby zminimalizować wpływ czynników niefizjologicznych na powierzchniowe sygnały EMG. Amplituda i częstotliwość EMG rejestrowana przez ten protokół są związane z aktywnością netto jednostek motorycznych, dlatego zapis nie powinien być interpretowany jako bezpośrednia reprezentacja aktywności neuronalnej pożądanego mięśnia. Jednak staranne rozważenie powierzchniowego sygnału EMG i bardziej zaawansowane metody szacowania popędu neuronalnego do mięśni poprzez dekompozycję sygnału EMG w celu określenia względnych zmian w aktywacji neuronalnej (np. poprzez identyfikację czasów rozładowania jednostek motorycznych) mogą dostarczyć cennych informacji na temat wzorców aktywacji mięśni 20. Co więcej, w kontekście dekodowania neuronalnego, chociaż wykazano, że aktywność mózgu nabyta inwazyjnie zawiera informacje o powierzchniowym EMG 21, obecnie nie wiadomo, czy EEG skóry głowy może być również wykorzystywane do dekodowania aktywności mięśni kończyn dolnych podczas chodzenia oprócz kinematyki chodu. Spodziewamy się, że ten protokół pozwoli nam zbadać, czy zmniejszona rozdzielczość przestrzenna nieinwazyjnych modalności obrazowania mózgu jest wystarczająca do wyizolowania aktywności neuronalnej związanej z poszczególnymi mięśniami.

Wcześniejsze badania wykazały możliwość wykorzystania nieinwazyjnego EEG do dekodowania kinematyki podczas chodzenia na bieżni 7,8 , dając impuls do opracowania interfejsu mózg-maszyna (BMI) w celu przywrócenia chodzenia za pomocą sygnałów z mózgu. Wykazano również, że metody dekodowania w dziedzinie czasu oparte na modulacji amplitudy sygnałów EEG w paśmie delta są niewrażliwe na sztuczne składniki 7,8. Jednak badania na bieżni odbywają się w kontrolowanym środowisku, podczas którego wzrok i ruch użytkownika są ograniczone, ograniczając w ten sposób zanieczyszczenie aktywności neuronalnej spowodowane bodźcami zewnętrznymi. Dzięki włączeniu bezprzewodowej rejestracji danych, protokół ten umożliwia zbieranie zsynchronizowanych danych EEG, EMG i kinematycznych podczas różnych zadań i środowisk lokomocyjnych. Integracja czujników inercyjnych do śledzenia ruchu wymaga więcej obliczeń i przetwarzania offline w celu wyodrębnienia kinematyki niż system przechwytywania ruchu, a wynikające z tego środki zawierają niewielki - ale akceptowalny - margines błędu, który nie byłby obecny w systemie opartym na kamerach 22. Te możliwe do opanowania trudności są niezbędne do ustanowienia eksperymentalnego protokołu, który umożliwia mobilne badanie zachowań poznawczo-motorycznych w zmieniającym się środowisku. Jak omówiono w innym miejscu 10,11, taki układ jest prawie nieograniczony w pytaniach badawczych, które można rozwiązać. W najbliższej przyszłości skupimy się na zagadnieniach kluczowych dla opracowania BMI do rehabilitacji stania i chodzenia po urazie mózgu i neuropatii. Jednym z kluczowych elementów, jak wspomniano powyżej, będzie opracowanie nowatorskich, solidnych strategii dekodowania interfejsów mózg-maszyna do rehabilitacyjnych systemów robotycznych, które mogą odrzucać artefakty fizjologiczne i mechaniczne w celu przywrócenia ruchu za pomocą sygnałów mierzonych z mózgu. Na przykład protokół chodzenia po korytarzu jest wykonywany w przestrzeni publicznej z udziałem innych osób obecnych podczas zbierania danych, a tym samym stanowi poligon doświadczalny do rozwoju technik dekodowania neuronowego w środowisku naturalnym. Inne interesujące pytania badawcze z wykorzystaniem tego protokołu obejmują porównanie paradygmatów robotyki rehabilitacyjnej obejmujących rytmiczny i nierytmiczny trening chodu oraz badanie aktywności neuronalnej podczas funkcjonalnej rekonwalescencji po urazie zarówno w fazie ostrej, jak i przewlekłej.

Oświadczenia

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

Opłaty za produkcję i publikację tego artykułu były sponsorowane przez APDM.

Podziękowania

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

Ta praca była wspierana przez grant Narodowego Instytutu Zaburzeń Neurologicznych i Udaru Mózgu (NINDS) # R01NS075889-01. Badania te były częściowo wspierane przez Intramural Research Program Centrum Klinicznego NIH. Autorzy dziękują również Shahriarowi Iqbalowi i Yongtianowi He za pomoc w zbieraniu danych. Koszt publikacji tego artykułu w otwartym dostępie był sponsorowany przez APDM, Inc. (Portland, OR; http://apdm.com).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
BrainAmp AmplifierBrain Products, GmbhIlość: 2
actiCAP EEG cap z 64 elektrodamiProdukty dla mózgu, GmbhIlość:1
Bezprzewodowy system EEG Brainvision MOVEProdukty dla mózgu, GmbhIlość:1
DataLOG MWX8 Jednostka zbierająca dane EMGBiometrics, Ltd.Ilość: 1
elektrody EMG SX230Biometrics, Ltd.Ilość: 8
R506 Elektroda uziemiająca EMGBiometrics, Ltd.Ilość:1
Monitor ruchu opalizu (czujnik MARG)APDM, INC.Ilość:Stacja dokująca 11
Opal do bezprzewodowego przesyłania danychAPDM, Inc.Ilość:2
Opal bezprzewodowy punkt dostępowy APDM, Inc.Ilość:2
Zestaw bariery światła podczerwonego MK120Velleman, Inc.Ilość:5
Programowalny moduł bezprzewodowy USB Wixel Pololu, Inc.Ilość: 6
Tabela 1. Sprzęt

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Choi, J. T., Bastian, A. J. Adaptation reveals independent control networks for human walking. Nature Neuroscience. 10 (8), 1055-1062 (2007).
  2. Grillner, S., Wallen, P., et al. Neural bases of goal-directed locomotion in vertebrates - an overview. Brain Research Reviews. 57, 2-12 (2008).
  3. Petersen, T. H., Willerslev-Olsen, M., Conway, B. A., Nielsen, J. B. The motor cortex drives the muscles during walking in human subjects. Journal of Physiology. 590 (10), 2443-2452 (2012).
  4. Fitzsimmons, N. A., Lebedev, M. A., et al. Extracting kinematic parameters for monkey bipedal walking from cortical neuronal ensemble activity. Frontiers in Integrative Neuroscience. 3, 3(2009).
  5. Harada, T., Miyai, I., Kubota, K. Gait capacity affects cortical activation patterns related to speed control in the elderly. Experimental Brain Research. 193 (3), 445-454 (2009).
  6. Gwin, J. T., Gramann, K., Makeig, S., Ferris, D. P. Electrocortical activity is coupled to gait cycle phase during treadmill walking. Neuroimage. 54, 1289-1296 (2011).
  7. Presacco, A., Goodman, R., Forrester, L., Contreras-Vidal, J. L. Neural decoding of treadmill walking from noninvasive electroencephalographic signals. Journal of Neurophysiology. 106, 1875-1887 (2011).
  8. Presacco, A., Forrester, L. W., Contreras-Vidal, J. L. Decoding intra-limb and inter-limb kinematics during treadmill walking from scalp electroencephalographic (EEG) signals. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 20 (2), 212-219 (2012).
  9. Wagner, J., Solis-Escalante, T., et al. Level of participation in robotic-assisted treadmill walking modulates midline sensorimotor EEG rhythms in abled-bodied subjects. NeuroImage. 63, 1203-1211 (2012).
  10. Makeig, S., Gramann, K., et al. Linking brain, mind, and behavior. International Journal of Psychophysiology. 73, 95-100 (2009).
  11. Gramann, K., Gwin, J. T., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Reviews in the Neurosciences. 22, 593-608 (2011).
  12. Wilson, J. A., Schalk, G., et al. Using an EEG-based brain computer interface for virtual cursor movement with BCI2000. J. Vis. Exp. (29), e1319(2009).
  13. Brummer, V., Schneider, S., et al. Coherence between brain cortical function and neurocognitive performance during changed gravity conditions. J. Vis. Exp. (51), e2670(2011).
  14. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  15. Makeig, S., Bell, A. J., et al. Independent component analysis of electroencephalographic data. Advances in Neural Information Processing Systems. 8, 145-151 (1996).
  16. Rong, F., Contreras-Vidal, J. L. Magnetoencephalographic artifact identification and automatic removal based on independent component analysis and categorization approaches. Journal of Neuroscience Methods. 157, 337-354 (2006).
  17. Gwin, J. T., Gramann, K., Makeig, S., Ferris, D. P. Removal of movement artifact from high-density EEG recorded during walking and running. Journal of Neurophysiology. 103, 3526-3534 (2010).
  18. Liao, L. D., Wang, I. J., Chen, S. F., Chang, J. Y., Lin, C. T. Design, fabrication, and experimental validation of a novel dry-contact sensor for measuring electroencephalography signals without skin preparation. Sensors. 11, 5819-5834 (2011).
  19. Liao, L. D., Lin, C. T., et al. Biosensor technologies for augmented brain-computer interfaces in the next decades. Proceedings of the IEEE. 100, 1553-1566 (2012).
  20. Farina, D., Merletti, R., Enoka, R. M. The extraction of neural strategies from the surface EMG. Journal of Applied Physiology. 96, 1486-1495 (2004).
  21. Flint, R. D., Ethier, C., et al. Local field potentials allow accurate decoding of muscle activity. Journal of Neurophysiology. 108, 18-27 (2012).
  22. Luinge, H. J., Veltink, P. H. Measuring orientation of human body segments using miniature gyroscopes and accelerometers. Medical & Biological Engineering & Computing. 43, 273-282 (2005).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Rejestracja EEG i EMGdane z przechwytywania ruchudynamika m zgowo cia owakonfiguracja bezprzewodowych czujnik wzadania chodzenia na bie nichodzenie po pod o uprotok rozmieszczenia elektrodanaliza niezale nych komponent wdekodowanie kinematyki choduekstrakcja powierzchniowego EMG

Powiązane artykuły