22 июля 2014 г.
Neural-машинные интерфейсы (НМИ) были разработаны для идентификации режима локомоции пользователя. Эти НМИ потенциально полезны для нервной контролем силовых искусственные ноги, но не были в полной мере продемонстрировали. Это документ, представленный (1) наш разработан инженерно платформы для легкого внедрения и развития нервной контроля за питанием Протезы нижних конечностей и (2) экспериментальной установки и протокола в лабораторных условиях, чтобы оценить ЦНС-контролируемых протезы на пациентов с ампутаций нижних к
Общая цель данной процедуры — представить экспериментальную установку и протокол в условиях лаборатории для оценки нейроуправляемых искусственных ног у пациентов с ампутациями нижних конечностей. Это достигается путем предварительной подготовки к измерению сигналов поверхностной ЭМГ с сохранившихся мышц нижней конечности испытуемого, после чего проводится выравнивание и калибровка активного протеза ноги установленного на испызуемого.
Затем собираются обучающие данные и проводится обучение классификаторов в нейрокомпьютерном интерфейсе. Заключительным этапом является тестирование эффективности нейронного управления активным протезом ноги на привлеченном субъекте с ампутацией. В конечном итоге нейроуправляемый активный протез ноги используется для того, чтобы испытуемый мог безопасно и непрерывно выполнять различные действия в лабораторных условиях, такие как стояние на ровной поверхности, ходьба по горизонтали, подъем и спуск по пандусу.
Основным преимуществом данной платформы проектирования является то, что каждый функциональный блок можно легко отлаживать, модифицировать и обновлять. Кроме того, в компьютерной программе можно легко добавлять или удалять функции, а также изменять связи между моделями. Новая конструкция интерфейса электродного гнезда обеспечивает высококачественную запись сигналов ЭМГ, плотную фиксацию гнезда и комфорт для пользователя.
Таким образом, данная схема может быть использована для исследования свойств или функций мышц сохранившихся конечностей у пациентов с ампутациями нижних конечностей. Процедуру демонстрируют Уильям Боутрайт и Аарон Флеминг.
Студенты нашей лаборатории подготавливают испытуемого к тестированию, надевая страховочную привязь подходящего размера и прикрепляя ее к потолочной рельсовой системе. Затем выберите семь полностью заряженных беспроводных ЭМГ-датчиков. Поместите ЭМГ-датчики в специально разработанные присасывающиеся гнезда в подготовленных точках.
Запишите порядковые номера датчиков и соотнесите их с местами размещения ЭМГ-электродов. После очистки кожи культи испытуемого изопропиловым спиртом прикрепите электрифицированный протез к вакуумной гильзе с помощью пирамидального адаптера. Помогите испытуемому надеть вакуумную гильзу и убедитесь, что гильза плотно прилегает к культе испытуемого.
Затем включите программное обеспечение для потоковой передачи аналоговых данных ЭМГ в режиме реального времени. Далее попросите испытуемого выполнить сгибание и разгибание бедра, отведение и приведение бедра, а также представить сгибание и разгибание колена; проанализируйте сигналы ЭМГ, чтобы проверить контакт электродов ЭМГ и передачу данных для выравнивания и калибровки силового протеза. Когда испытуемый будет находиться в положении стоя, опираясь на ходунки, отрегулируйте набор поворотных винтов на адаптере до тех пор, пока положение протеза не будет геометрически выровнено относительно гильзы.
Попросите испытуемого приподнять протез над землей и откалибруйте тензодатчик на пилоне протеза. Дайте испытуемому указание потренироваться в ходьбе по различным типам поверхности: по ровной поверхности, при подъеме и спуске по пандусу. При использовании активного протеза ноги испытуемый должен продолжать упражнения до тех пор, пока не почувствует уверенность в ходьбе с активным устройством и не достигнет стабильного паттерна походки.
В каждом упражнении разъясните испытуемому заранее определенный маршрут ходьбы и проинструктируйте его встать в начальную точку маршрута. Затем включите питание протеза и загрузите параметры во внутренний контроллер. Запустите компьютерную программу сбора тренировочных данных и переведите внутренний контроль в режим стояния, нажав кнопку «Standing» в графическом пользовательском интерфейсе (GUI).
Затем попросите испытуемого идти по ровной поверхности с выбранной им самим комфортной скоростью ходьбы. Одновременно с этим нажмите кнопку «Walking» (ходьба) в графическом интерфейсе пользователя (GUI) перед отрывом пальцев ведущей ноги испытуемого от поверхности, что автоматически переведет внутренний контроль в режим ходьбы по ровной поверхности. Когда испытуемый приблизится к краю пандуса, нажмите кнопку «Ramp ascent» (подъем по пандусу) в GUI перед отрывом пальцев протезированной ноги от поверхности при входе на пандус, чтобы в целях безопасности переключить внутренний контроль в режим подъема по пандусу.
Позвольте испытуемому использовать поручень при движении по пандусу. Когда испытуемый достигнет края пандуса, снова нажмите кнопку ходьбы. Это необходимо сделать до того, как пятка протеза ноги коснется ровной платформы, что переключит внутренний контроль протеза в режим ходьбы по ровной поверхности.
В конце дорожки для ходьбы попросите испытуемого остановиться и остаться в положении стоя. Нажмите кнопку «Standing» (Стояние) перед фазой двойной опоры, чтобы переключить внутренний контроль обратно в режим стояния. Примерно через пять секунд прекратите сбор данных, нажав кнопку «Stop» (Стоп).
Повторите процедуру, пока испытуемый возвращается по обратному маршруту к начальной точке. Единственным отличием является переключение внутреннего контроля в режим спуска по пандусу. Когда испытуемый будет спускаться по пандусу, повторите подъем и спуск по нему 10 раз, после чего оцените качество сигнала собранного обучающего набора данных.
Затем с помощью модуля автономного обучения проведите обучение классификаторов распознавания паттернов в нейромашинном интерфейсе. Для построения фазозависимого паттерна используйте собранные ЭМГ- и механические сигналы, режимы активности, отмеченные в ходе процедуры обучения, и определенные фазы. Классификаторы автоматически сохраняют свои параметры для последующего сеанса тестирования в режиме реального времени.
Начните следующую серию испытаний, попросив испытуемого встать в начальной точке прогулочной дорожки. После включения активного протеза загрузите обученный классификатор в модуль онлайн-тестирования, а параметры — в собственный контроллер. Затем проинструктируйте испытуемого начать тестовые пробы из положения стоя.
Затем последовательно переходите к ходьбе по ровной поверхности, ходьбе по пандусу, снова к ходьбе по ровной поверхности и, наконец, к полной остановке. В конце маршрута ходьбы проинструктируйте испытуемого выполнять каждое действие в комфортном для него темпе. Предусмотрите перерывы для отдыха между повторениями, чтобы избежать утомления в ходе каждого испытания.
Выведите режимы работы протеза и показания угла в коленном суставе на монитор, сохраните все измерения и управляющие сигналы для последующего анализа. Необработанные сигналы ЭМГ, зарегистрированные с мышц бедра культи испытуемого, демонстрируют характерный паттерн при чередовании сгибания и разгибания бедра. Здесь представлены необработанные сигналы ЭМГ, зарегистрированные при ходьбе испытуемого по ровной поверхности; на этих рисунках видно, что интерфейс между электродом ЭМГ и культей обеспечивает хорошее качество контакта.
Измерения сигналов ЭМГ. Испытуемому было предложено начать в положении стоя, перейти к ходьбе по ровной поверхности, затем подняться по пандусу, снова идти по ровной поверхности и остановиться в конце маршрута. Затем испытуемый вернулся в исходную точку по обратному маршруту; при этом он мог плавно переключать режим управления активным трансфеморальным протезом в соответствии с запланированными видами активности.
Красная штриховая линия указывает на определенный критический момент перехода каждого режима активности при переходах с ровной поверхности к ходьбе по пандусу, подъему или спуску, а также от стояния к ходьбе. Критическим моментом был период начала фазы перенога, то есть отрыв пальцев ноги, для переходов с пандуса, подъема или спуска к ходьбе по ровной поверхности и от ходьбы к стоянию. Критическим моментом было начало фазы принятия веса, то есть контакт пятки с ровной поверхностью.
Примерно на 18-й секунде данного испытания протез ошибочно переключился в режим подъема по пандусу, когда испытуемый шел по ровной поверхности, что было вызвано неверным распознаванием намерений пользователя нейромашинным интерфейсом. Ошибки такого рода не вызывали значительных изменений в кинематике ходьбы испытуемого и не воспринимались им. Тем не менее, в некоторых тестовых пробах наблюдались ошибки, нарушавшие устойчивость походки испытуемого, однако ни одна из них не привела к падению.
Наша экспериментальная установка и протокол платформы для подтверждения концепции могут стать удобными инструментами для дальнейшей оптимизации нейронного и внутреннего управления протезом нижней конечности, а также помочь в разработке полноценного бионического протеза нижней конечности, которым пользователи смогут управлять легко, надежно и интуитивно. После просмотра этого видео вы должны получить четкое представление о том, как применять разработанную инженерную платформу для безопасной и эффективной оценки пациентов с ампутацией нижних конечностей, использующих искусственную ногу с нейронным управлением, в лабораторных условиях.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
В данном исследовании представлены экспериментальная установка и протокол для оценки нейроуправляемых искусственных ног для пациентов с ампутациями нижних конечностей. Целью исследования является повышение функциональности активных протезных устройств с помощью нейромашинных интерфейсов (NMI).
Данная работа представляет гибкую инженерную платформу для оценки активных протезов нижних конечностей с нейронным управлением, устраняя критический разрыв при внедрении исследований в области нейромашинного интерфейса (NMI) в функциональные протезные системы. Благодаря интеграции NMI с внутренними системами управления протеза — и проверке эффективности на пациентах с ампутацией в ходе задач по передвижению — платформа позволяет снизить риски, связанные с механизмами реализации стратегий нейронного управления, перед этапами доклинических и клинических разработок. Данный подход обеспечивает прогностическую уверенность при валидации целей декодирования двигательных намерений и помогает принимать решения по инвестициям в нейропротезирование, предоставляя воспроизводимую и масштабируемую систему для функциональной оценки на ранних стадиях.
Данная платформа связывает фундаментальную биологию (интерпретацию нейронных сигналов) с идентификацией перспективных решений (оптимизацией алгоритмов управления) и доклиническими исследованиями (тестированием безопасности и воспроизводимости), что делает ее универсальным инструментом в процессе разработки нейропротезов.