Summary
Udvikling af en effektiv hjerne-maskine-interface (BMI) system til restaurering og genopbygning af tobenet bevægelse kræver nøjagtige afkodning af brugerens hensigt. Her præsenterer vi en ny forsøgsprotokol og dataindsamling teknik til simultan non-invasiv erhvervelse af neurale aktivitet, muskel aktivitet og hele kroppen kinematik under forskellige bevægelseskomponenter opgaver og vilkår.
Abstract
Nylige undersøgelser støtter inddragelsen af supraspinale netværk i kontrol over bipedal menneskelig walking. En del af denne dokumentation omfatter undersøgelser, herunder vores tidligere arbejde, viser, at gangart kinematik og lemmer koordinering i løbebånd walking kan udledes fra hovedbunden elektroencefalogram (EEG) med rimeligt høje afkodning nøjagtigheder. Disse resultater giver afsæt for udvikling af non-invasive hjerne-maskine-interface (BMI) systemer til brug i restaurering og / eller forøgelse af gangart-et primært mål for rehabilitering forskning. Til dato har fundet studier EEG afkodning af aktivitet under gangart været begrænset til løbebånd walking i et kontrolleret miljø. Men for at være praktisk holdbar et BMI-systemet skal kunne anvendes til brug i dagligdags bevægeapparatet opgaver såsom over jorden gåture og drejning. Her præsenterer vi en ny protokol for non-invasiv samling af hjernens aktivitet (EEG), muskelaktivitet (elektromyografi (EMG)) og enge-krop kinematiske data (hoved, torso og lemmer baner) både under løbebåndet og over jorden gå opgaver. Ved at indsamle disse data i ukontrolleret miljø indsigt kan opnås med hensyn til muligheden for at afkode ubegrænset gangart og overflade EMG fra hovedbunden EEG.
Introduction
Denne protokol bruger tre dataindsamlingssystemer til samtidigt optage EEG, EMG og hele kroppen kinematik (figur 1, tabel 1). EEG data indsamles trådløst fra 64 kanaler på en sampling frekvens på 1.000 Hz, mens fag gå. Elektromyografi (EMG) opsamles ved 1.000 Hz fra overfladen elektroder placeret bilateralt på fire muskelgrupper: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF) og vastus lateralis (VL). Kinematiske data indsamles ved 128 Hz fra 11 trådløse sensorer monteret på hovedet, overkroppen lænden, arme, lår, skafter og fødder til at registrere bevægelse under gang. Hver sensor indeholder en triaksial magnetometer, triaksial gyroskop og treaksede accelerometer (dvs. MARG sensor).
Data indsamles fra hvert system og synkroniseret i tid ved en enkelt vært PC. Synkronisering opnås ved anvendelse af et triggersignal sendes over en kontinuerlig Serial kommunikation link tilgås af alle tre datasystemer samtidigt. Udløseren blev gennemført som en simpel knap switch. Når du trykker på knappen en trigger signal (1) sendes til værts-pc'en, mens en null signal (0) sendes, når ikke trykket. Trykke på udløserknappen også fremkalder en 0,5 sek tone anvendes som en lyd cue for emnet, som beskrevet i protokollen nedenfor. Fem par infrarøde (IR) følere blev fremstillet til anvendelse som placering udløser under over grunden walking nedenfor beskrevne eksperimenter. Når IR-signalet afbrydes en trigger signal (1) sendes til værts-pc'en over den serielle link via en radiofrekvens (RF) forbindelse med den manuelle udløser kassen.
En brugerdefineret C + + program, anvendelse af software development kit (SDK), som hvert system, blev udviklet til at registrere og synkronisere data. Koden anvender en multi-threading teknik, funktioner til lagring af data fra hvert system (EEG, EMG og margs) er indeholdt i individual tråde. Den software-algoritme er vist i figur 2.. Dataindsamlingen begynder, når ansøgningen er udført og slutter, når Q-tasten. Fem tråde aktiveres efter ansøgning udførelse. En tråd (figur 2) overvåger værdi (0 eller 1) af udløseren signal fra den serielle forbindelse. Initial trigger er nul. Når en udløser der modtages (dvs. når der trykkes på knappen, eller sigtelinje mellem IR-sensor par er brudt) de globale udløser variable er sat til 1.. Disse variabler er 1, indtil de er nulstillet inden for dataindsamling tråde.
EEG tråd fjernadgang til hovedbunden EEG data i realtid ved hjælp af TCP / IP-protokollen. Data er skrevet til en tekstfil linje for linje ved den tilsvarende sampling frekvens (1.000 Hz). Den globale EEG udløsersignal er skrevet til den første kolonne, mens kolonner 2-65 er de 64 EEG kanaler. Hvis den globale EEG triggersignal var 1, det er nulstillet. Dataskrivning fortsætter indtil EEG tråd afsluttes. To uafhængige tråde rekord MARG sensordata. To tråde er nødvendige, fordi de 11 trådløse Marg sensorer overfører data ved hjælp af fabrikantens software i robust streaming-tilstand, hvilket buffere data om de individuelle sensorer til at forhindre tab af data i tilfælde af trådløs transmission problemer. Denne bufferkapacitet forringer realtid dataoverførsel: Hvis man føler ikke er i stand til at indberette data for en given prøve alle 11 sensorer bevaret denne tidspunkt i deres buffer, og sender den til den næste tilgængelige prøve point. MARG trådløs dataoverførsel uundgåeligt halter bagefter EEG og dermed Marg sensorer har brug for tid til at aflaste buffer data til værten pc efter dataindsamlingen er stoppet. For at overvinde dette problem er to tråde anvendt i MARG dataindsamling algoritme (figur 2). Den første tråd udfylder en MARG trigger buffer fra den globale MARG trigger variabel ved føleren sampling frekvens (128 Hz), mens EEG tråd er at indsamledata. Når dataindsamlingen stopper skriftligt til trigger bufferen også afsluttes. Den MARG gevind (Figur 2) udnytter funktioner fra sensoren SDK til at modtage data fra sensorerne og skrive det til en fil på samme måde som EEG data. Det vil sige, den første kolonne er værdien af den globale MARG aftrækkeren (opnået fra MARG aftrækkeren puffer) og de følgende 99 søjler er værdierne fra 11 Marg følere (9 sensorer pr MARG enhed). Den MARG tråd skriver data indtil tidsindekset for MARG trigger bufferen er lig med den sidste tidsindeks af EEG data på hvilket tidspunkt tråd udførelse ophører.
I modsætning til de EEG og MARG data er EMG data registreres ikke trådløst. I stedet er EMG data optaget på et SD-kort i datalogning enhed. Et signal sendes over en Bluetooth-forbindelse til at starte og stoppe data skriver til SD-kortet. Skrivning begynder, når den første manuelle trigger er modtaget af EEG tråd. Dataskrivningen stopper med EEGtråd når 'q' knappen.
Følgende protokol blev undersøgt og godkendt af Institutional Review Board ved University of Houston. Alle emner modtaget, læst og underskrevet en samtykkeerklæring før deltagelse.
Protocol
1.. Emne Forberedelse
- Mål motivets højde, vægt og optage deres alder.
- Vurdere fagets foretrukne løbebånd hastighed ved at have dem selv at justere løbebånd hastighed, indtil komfortable.
- Ved hjælp af en filtpen, markerer toppunktet af hovedet som midtpunktet mellem nasion og Inion af emnet. Derudover markerer 10% af nasion til Inion distance som reference for at justere hætten.
2.. Scalp Elektroencefalografi (EEG)
- Vedhæft EEG elektroder som angivet af 10-20 internationale system ved hjælp af en EEG hætte monteret på emnet som i 12.. Hætten sikrer korrekt placering af elektroderne på hovedbunden.
- Placer EEG hætten på emnet ved at justere de 10% fra trin 1.3 i midtpunktet af FP1 og Fp2 elektroderne og Cz elektrode med den markerede vinkelspids. Flere detaljer for placering af hætten er fundet i 12.. Sehelbrede hætten ved omsnøring under hagen.
- Slut EEG elektroder til EEG styreboks. Startende med jorden og referenceelektroder, bruge en lille sprøjte til at injicere elektrolyt gel i hver elektrode indtil impedans på hver foranstaltninger under 25 kohm som angivet af elektroden lysdiode bliver grønne. Yderligere oplysninger om EEG elektrode forberedelse er tilgængelige i 12,13.
- Tilslut EEG elektroder til det trådløse EEG sender. Fastgør senderen til emnet på en Velcro strop placeret omkring skuldrene og tilslut den trådløse EEG modtager til to 32 kanal forstærkere.
- Slut forstærkerne til værten PC via en USB-port ved hjælp af et fiberoptisk til USB konverter.
- Indstil EEG kanal beslutning til 0,1 μV, lav grænsefrekvens til DC, og høj afskæringsfrekvens til 1.000 Hz i EEG dataindsamlingssoftware.
3.. Surface Elektromyografi (EMG)
- Forbered EMG-elektrodeplacering ved 8 muskel sites: barbering hud, slib med sandpapir, og rengør med en isopropylalkohol pad. Sted elektroder på præparerede sites og oprette forbindelse til EMG datalogning enhed. Placer EMG jorden elektrode på venstre eller højre håndled, og forbinde til datalogning enhed.
4.. Motion Capture
- Synkroniser MARG sensorer mens den er docket i henhold til producentens anvisninger.
- Fjern Marg sensorer og sted på motivet med velcrobånd eller dobbeltklæbende tape på steder i tabel 2.
5.. Miljø Forberedelse
- Forbered løbebånd ved at tape en diagonal linje (45 ° fra vandret) på båndet. Placer en tv-skærm tilsluttet et videokamera ca 1 m foran på løbebåndet. Tape et stykke papir med en 2 tommer diameter sort cirkel på fjernsynet.
- Opsætning gå arena ved at placere 5 sæt IR følere, kegler, og tv screen som placeret i figur 3..
6.. Løbebånd
- Emne stiger på løbebånd. Vedhæft sikkerhedssele.
- Forud for dataindsamling, undersøge EEG og EMG-signaler for at kontrollere korrekt elektrodeplacering, elektrode forbindelse, og datatransmission.
- Begynd dataindsamlingen ved at køre C + + konsol applikation. Tryk den manuelle udløser trykknappen at indlede EMG optagelse og giver en lyd cue (bip) for at starte eksperimentet.
- Emnet forbliver i rolige holdning i 30 sek.
- Efter 30 sek tryk udløser-knappen for at starte walking, løbebåndet langsomt accelereres til emnet pre-valgte hastighed.
- Emnet går i 5 min.
- Ved udgangen af 5 min, tryk udløser-knappen for at starte gåtur til at stå overgang ved langsomt at stoppe løbebåndet. Efter at være kommet til et stop emnet bliver stående i 30 sek. Tryk på 'q' for at stoppe dataindsamlingen triale og gemme dataene.
- Gentag trin 6,2-6,7 for alle tre løbebånd betingelser:
- Løbebånd gå mens du kigger på sort prik i afstand.
- Løbebånd walking under iagttagelse bevægelse af egne ben på tv-skærmen.
- Løbebånd gå, mens du bruger video-feedback for at undgå diagonal linje på løbebånd (for at simulere kognitiv belastning 6).
7.. Arena walking (1)
- Position emne ved begyndelsen af arenaen walking løkke (figur 3).
- Begynd dataindsamlingen som i 6,2-6,4.
- Tryk udløseren knappen for at starte walking. På det tidspunkt udløseren gives den første retningspil (→, ← eller ↑) vises på skærmen overfor emnet (figur 3). Hvis → eller ← overholdes, emnet forlader indgangen sæt kegler, vender 90 ° i den retning, fuldender løkken og vender tilbage til indgangen kegler. Hvis & UARr, der observeres, emnet fortsætter lige ud af indgangen kogler og en manuel udløser og retning pil (→ eller ←) er givet, når motivet når ca 2 meter, før de infrarøde sensorer. Faget forløber gennem det første sæt af IR sensorer og derefter stiller de tilsvarende 90 ° drej at fuldføre løkken, vender tilbage til indgangen kegler. (Under walking, følger forsøgslederen motivet på en afstand af ca 3-5 meter med værts-pc'en på et hjul indkøbskurv kan forbedre trådløse signal kvalitet.)
- Emnet fortsætter gå, når han / hun når indgangen kegler efter afslutning af en enkelt løkke. Sequence 7.3 gentages med tilfældig ordning af pilene, indtil 3 loops er gennemført for hver indledende pil (→, ← eller ↑).
- Efter at have opfyldt betingelsen 7.4, skub den manuelle udløser-knappen, når emnet når indgangen kegler til at signalere overgangen til stående. Emne står stille i 30 sek og derefterdataindsamling afsluttes ved at trykke 'q' knappen på værts-pc'en.
8.. Arena walking (2)
- Omarranger arena gå kursus, så at de fem sæt IR sensorer er placeret i en halvcirkel foran motivet (Figur 4).
- Begynd dataindsamling med de tidligere forsøg (7,1-7,2).
- Svarende til Arena Gåture jeg giver en manuel udløser til at indlede gå. På tidspunktet for udløseren, en af 5 retningspile (←, →
, 
Eller ↑) vises på skærmen. Hver pil svarer til det ene sæt af IR sensorer, som er anbragt rundt om arenaen (figur 4). - Emnet bemærker pilen på skærmen, og waLKS til det tilsvarende sæt af IR sensorer, hvilket gør en U-vending omkring keglen over de sensorer, der passerer gennem sensorerne to gange (figur 4). Efter en U-vending, vender emnet til udgangspunktet og fortsætter til fods.
- Gentag sekvens 8,3-8,4, med tilfældige bestilling af pile, indtil 3 loops er gennemført for hver retningspil.
- Efter at have opfyldt betingelsen 8.6, skub den manuelle udløser-knappen, når motivet når udgangspunktet for at signalere overgangen til stående. Komplet dataindsamling som i 7.5.
, 9.. Sit til Stand
- Placer en stol bag motivet og begynde dataindsamlingen som i 6,2-6,3. Emnet står stille i 15 sekunder i starten af dataindsamling.
- Efter 15 sek, skal du trykke den manuelle udløserknap. Efter at have hørt cue underlagt overgange fra stativet til at sidde kropsholdning, holder siddende stilling, indtil næste audio cue (knap push).
- Gentag 9,2-9,3 indtil den 10. komplet stå-til-sidde og sidde-til-stå manøvrer er fuldstændige, hvorefter emnet står stille i 15 sek. Derefter afslutte dataindsamlingen ved at trykke 'q' knappen.
- Gentag stand-til-sidde protokol (9,1-9,4) for selvstændige igangsat stand-til-sidde og sidde-til-stå overgang. Snarere end at give emnet en udløser for omstilling, har emnet iværksætte overførslen eje deres egen indtil den 10. i hver manøvre er færdig.
10.. Gang Gåture
- Position emne og dataindsamling indkøbskurv i midten af 1/8 th mile, straight gangen. Begynd dataindsamling med løbebånd walking eksperimenter (6,2-6,4). Efter den indledende 30 sek hvileperiode, giver en manuel udløser til at indlede walking.
- Den Forbehct går kontinuerligt i 5 min. Når motivet når inden for 10 meter af gangen ende, kan han / hun selv initierer en U-vending og fortsætter gå i den modsatte retning.
- Ved udgangen af 5 min skubbe den manuelle trigger for at stoppe walking. Emnet står stille i 30 sek, mens du kigger lige frem. Afslut dataindsamlingen ved at trykke 'q' knappen.
- Begynd en anden gangen eksperiment som i 10.1.
- Efter et tilfældigt tidsinterval af walking (20-40 sek), giver en manuel trigger og lyd cue til at have emnet stop-walking.
- Emnet bliver stående for korte, tilfældige varighed (5-15 sek.)
- Skub den manuelle udløser knappen for at få emnet genoptage walking.
- Gentag trin 10.5-10.7 indtil 10 cykler af stoppe-start er komplette opsige dataindsamlingen som i 10.3.
Representative Results
Figur 5 viser 10 sek tid låst EEG, MARG og EMG data registreret under løbebånd walking (Protocol afsnit 3). Bemærk, at hver MARG senor faktisk registrerer 9 signaler (triaksiale magnetometre, gyroskoper og accelerometre), men kun lodrette acceleration vises. De rå data i figur 5 indeholder artefakter, der skal tages hensyn til i forbehandlingsfasen forud for analyse og neurale dekodning. Eksempler på EEG artefakter i figur 5 omfatter øjet blinker stede på ca 8,5 sek og lav frekvens bevægelsesartefakt til stede i hele.
Figur 6 viser en komplet løkke (~ 35 sek) på over jorden gå under arenaen walking (1) protokol. Kvalitativt data fra arena over grunden walking opgaver indeholder flere artefakter end løbebånd gå på grund af den ekstra bevægelse af emnet hoved og hals under drejning. Ansigts-og kranie muskel aktivitet er particularly mærkbar på de tidsmæssige elektroderne (kanaler mærket FT og T i figur 1) i fig. 6. Bemærk stigningen i EMG-signalet aktivitet sammenlignet med løbebånd walking (figur 5), især i anklen agonist-antagonist par. Figur 6 viser også begivenheder af suboptimal trådløs EEG dataindsamling, der skal tages højde for i databehandlingen. Umiddelbart før 4. aftrækkeren, EEG data viser flade linjer, hvilket indikerer en trådløs transmission afbrydelse mellem værts-PC'en og EEG-systemet. Denne del af data skal trimmes fra hele datasættet (EEG, MARG og EMG).
Figur 7 viser et cykelstativ-til-sidde og sidde-stå data. Som med andre data, der bevægelsesartefakter stede i EEG, både i løbet af slutningen af overgangen, og som leder er stabiliserede som sidder (eller stående) opretholdes. Et interval på gangen walking, herunder stand-til-gå ennd walk-til-stå overgang er vist i fig. 8. Bemærk rampe EMG og accelerationsdata efter de lydsignaler at starte og stoppe walking. Sammenfaldende med denne rampning er opståen og forsvinden af bevægelsesartefakt i EEG data. Figur 8 viser også en suboptimal forbindelse på EEG elektrode PO10 som indtræder ved cirka 7 sek. Denne adfærd er lejlighedsvis observeret under forsøget og er sandsynligvis på grund af tab af kontakt mellem EEG elektrode og hovedbunden. Elektrode PO10 skal fjernes fra dataanalysen for dette forsøg. Fordi EEG data kan observeres i realtid, og tilslutning af EEG elektroder er verificeret (protokol trin 6.2), før hvert forsøg i protokollen, kan den dårlige elektrode forbindelsen afhjælpes før det næste forsøg.
| Navn | Company | Mængde |
| BrainAmp Amplifier | Brain Products, Gmbh | 2 |
| actiCAP EEG cap med 64 elektroder | Brain Products, Gmbh | 1 |
| Brainvision MOVE trådløst EEG-system | Brain Products, Gmbh | 1 |
| Datalog MWX8 EMG dataopsamlingsenhed | Biometri, Ltd | 1 |
| SX230 EMG elektroder | Biometri, Ltd | 8 |
| R506 EMG jordforbindelseselektrode | Biometri, Ltd | 1 |
| Opal bevægelse monitor (MARG sensor) | APDM, Inc. | 11 |
| Opal docking station til trådløse data streaming | APDM, Inc. | 2 |
| Opal trådløse adgangspunkt | APDM, Inc. | 2 |
| Velleman, Inc. | 5 | |
| Wixel Programmable USB Wireless Module | Pololu, Inc. | 6 |
Tabel 1. Udstyr.
| Sensor | Placering |
| Hoved | Center of panden over øjenbrynene |
| Bagagerum | Mellem brystmuskler på bunden af brystbenet |
| Lumbal | Center of tilbage på minimum lumbal kurven |
| Arm 1 | Laterale side af armen, proximalt til håndled ~ 10% til albue |
| Lår 1 | Laterale side af låret, 50% mellem hofte og knæ |
| Shank 1 | Laterale side af skanken, 75% distalt fra knæ |
| Foot 1 | Centreret om vristen af foden |
| 1 arm, lår, Shank og Foot sensorer er placeret bilateralt. | |
Tabel 2. Marg Sensor Steder.
Figur 1.. Sagittal (a) og frontal (b) visning af et emne iført EEG, EMG, og MARG inertisensorer til dataindsamling. (C) Topographic repræsentation af EEG elektrode steder på hovedbunden, afbildet med EEGlab Matlab værktøjskasse 14.. ( d) Mobile dataindsamling indkøbskurv indeholder host PC, manuel udløser, EMG Bluetooth, MARG trådløse adgangspunkter og EEG trådløs modtager, forstærkere og strømforsyning.d/50602/50602fig1large.jpg "target =" _blank "> Klik her for at se større figur.
Figur 2. Flowchart beskriver algoritmen for specialdesignede, multi-threaded dataindsamling software. Klik her for at se større figur .
Figur 3.. Skematisk (fugleperspektiv) repræsentation af arena walking (1) forsøgsprotokol. Én pil (→, ← eller ↑) præsenteres på skærmens display, når motivet er i slutningen af indgangen kegle s. Hvis højre (→) eller til venstre (←) præsenteres, emnet følger den røde eller grønne loop henholdsvis passerer gennem fire sæt infrarøde (IR) sensorer (IR1-IR4). Hvis den lige (↑) præsenteres, emnet går mod skærmen monitor (blå linje), og en anden pil (→ eller ←) præsenteres, når motivet er ca 1 meter før IR sensorer (IR5). Efter passage gennem IR5 følersæt, fuldender emnet løkken langs den tilsvarende (rød eller grøn) sti, vender tilbage til udgangspunktet.
Figur 4.. Skematisk (fugleperspektiv) repræsentation af arena walking (2) forsøgsprotokol. Ved starten af forsøget, en enkelt pil (pload/50602/50602larrhighres.jpg "/>, 
, →, ← eller ↑) præsenteres for emnet på skærmens display. Baseret på pilen modtagne går emnet direkte til det tilsvarende sæt af IR sensorer, passerer gennem sensorerne, fuldfører en U-vending omkring keglen, og vender tilbage til udgangspunktet (løkke svarende til pil er vist ovenfor).
Figur 5. Sample data fra 10 sek af løbebånd walking. Toppanel viser 64 kanals rå EEG-data med kanalnavn 10-20 international konvention. Middle panelet viser acceleration i lodret retning fra 11 Marg sensorer. Bundpanel viser 8 kanals rå EMG. Klik her for at se større figur .
Figur 6.. Sample data fra en løkke (højre pil vej, figur 3) af at gå under arenaen I protokollen. EEG, acceleration og EMG data præsenteres som i fig. 5. Lodrette sorte bjælker er placering af triggers modtaget af softwaren. Den første udløser er fra den manuelle trykknap indlede sløjfen ved at præsentere → pil. De følgende fire udløsere er fra IR sensorer IR1-IR4 (figur 3) som emne krydser loop.tp_upload/50602/50602fig6large.jpg "target =" _blank "> Klik her for at se større figur.
Figur 7. Sample data fra stand-til-sidde og sidde-til-stå overgang. EEG, acceleration og EMG-data præsenteres som i fig. 5. Lodrette bjælker angiver manuelle udløser (og lydsignaler) for at initiere stående og siddende, hhv. Klik her for at se større figur .
Figur 8. Sample data fra gangen walking viser overgangen fra standing til gå og gå til stående. EEG, acceleration og EMG data er vist som i Figur 5.. Lodrette bjælker angiver manuelle udløser og audio cue til at begynde ansd stoppe walking, hhv. Klik her for at se større figur .
Discussion
Protokollen præsenteres her samler tre dataindsamlingssystemer samtidigt registrere hjernens aktivitet, muskel aktivitet og hele kroppen kinematik under en bred vifte af lokomotiv opgaver. Afslutning af protokollen for hele tager ca 3 timer, inklusive 1 time af emne forberedelse. Hvert system er monteret på, og bevæger sig med, emnet. Derfor er det afgørende at kontrollere de tilslutninger af EEG-og EMG-elektroder før starten af hver ny retssag. Dette kan nemt gøres ved hjælp af software-pakker, som den pågældende producent, som gør det muligt data, der skal undersøges i realtid ved hjælp af grafiske interfaces på værts-pc'en. Dataindsamlingen applikation kræver disse software pakker, der skal køre, forenkle verifikationsprocessen. Derudover skal det sikres, at Marg sensorer håndfast er knyttet til emnet, før hvert forsøg.
EEG og MARG data overføres trådløst over 2,4-2,5 GHzspektrum rækkevidde. Fordi mange andre elektroniske enheder bruger dette frekvensbånd, er det vigtigt at overveje muligheden for trådløst interface i den eksperimentelle miljø. Et kritisk aspekt af dataindsamlingen er line-of-sight synlighed mellem den mobile kurv og motivet, der giver robusthed til trådløs interferens. Både EEG trådløse modtager og Marg adgangspunkter (figur 1) giver LED'er for at indikere forbindelse fidelity. Værts-pc'en og trådløse modtagere til EEG og MARG sensorer er placeret på en mobil vogn til at opretholde direkte synsvidde og maksimere trådløs dataoverførsel som emne gik over jorden. Vi fandt robust dataindsamling bedst opretholdes ved at holde mobil indkøbskurv indenfor 5 meter af emnet, en afstand, der ikke begrænser emne bevægelse under nogen af opgaverne. The C + + program beskæftiger flere tråde for dataindsamling til at levere robusthed til datatab på grund af afbrydelse af trådløs connection af EEG. Hvis EEG forbindelsen er tabt, er MARG og EMG data stadig registreret, men ingen EEG data vil være tilgængelige for disse tidspunkter. De Marg sensorer giver on-unit buffer som beskrevet ovenfor for at forhindre tab af data i tilfælde af trådløse forbindelse, mens EMG data er lagret på et SD-kort i den mobile data logging enhed.
Et fælles problem med indsamlingen af EEG data under gang er tilstedeværelsen af artefakt i signalerne. Groft sagt, kan artefakter opdeles i to grupper: fysiologiske kilder til artefakter, herunder blinker, eye bevægelse, facial muskel aktivitet, hjerte slår, og mekaniske artefakter såsom bevægelse af elektroder og / eller kabler i forsøgsprotokollen udførelse. Artifact fjernelse er et emne af igangværende forskning og omfatter teknikker som uafhængig komponent analyse 15,16 og kanal-baserede skabelon regression procedurer 17.. Artifact minimering og fjernelse er et afgørende skridt i PReprocessing af data for neural afkodning af kroppens bevægelser. Opsætningen præsenteres her ligner tidligere undersøgelser, at EEG elektrode kabler blev samlet i et enkelt stik. Resultaterne fra disse studier viser, at mekanisk artefakter på grund kabel svaje eller bevægelse ikke spille en rolle i afkodning af bevægelse fra neurale aktivitet 7,8. Disse resultater understøttes af andre undersøgelser, der konkluderer, at gangart relaterede artefakter var uvæsentlige i langsom til moderat walking hastigheder 17.. Men dette eksperiment måler EEG under aktiviteter, der kræver mere bevægelse af kroppen end tidligere undersøgelser, herunder sit-til-stå overgange over grunden gå, og dreje, og dermed må omhyggelig undersøgelse af de rå EEG data for at identificere potentielle forurening fra mekaniske artefakter. Selvom der endnu ikke bredt tilgængelige, kan disse potentielle problemer kan løses gennem integration af nye hardware i den nuværende protokol. Sådan hardware incLudes aktive EEG elektroder (anvendt i denne protokol) og fjederbelastede, tørre EEG elektroder, som har potentiale til at forbedre huden elektrodekontakt impedans under bevægelse 18. Disse teknologier er blevet indarbejdet i trådløse EEG systemer, som kan reducere effekten af bevægelsesartefakter 19. Integration af nye hardware trods denne protokol giver en enestående mulighed for at fortsætte med at udvikle nye algoritmer til bevægelse og EMG artefakt afvisning, fordi hver segment af krop har været instrumenteret 16.. Vi planlægger at studere tidsserier korrelation og frekvensdomænet sammenhæng mellem EEG, EMG og segment bevægelse til at udvikle robuste artefakt afvisning paradigmer for tiden tilgængelige EEG opsætninger. Vores dekodning metoder har vist robusthed mod artefakter 7,8, disse metoder vil blive undersøgt under de mere komplekse scenarier i den nuværende protokol.
Funktioner af indspillet overfladeEMG er afhængige af mange faktorer, og fortolkning af overflade EMG-signaler til studiet af neurale strategier kræver deres overvejelser 20.. De strenge procedurer for klargøring af huden og EMG elektrodeplacering anvendes i denne protokol, var designet til at minimere indflydelsen af ikke-fysiologiske faktorer på overfladen EMG signaler. Amplituden og frekvensen af EMG optages af denne protokol er relateret til nettet motorenhed aktivitet, og derfor optagelsen skal ikke fortolkes som en direkte repræsentation af neurale aktivitet af den ønskede muskel. Alligevel nøje overvejelse af overfladen EMG-signalet og mere avancerede metoder til at estimere neurale drive til muskel ved nedbrydning af EMG-signalet til at bestemme relative ændringer i neural aktivering (f.eks ved at identificere afladningstider af motoriske enheder), kan give værdifuld indsigt i muskel aktivering mønstre 20.. Endvidere inden for rammerne af neurale dekodning, selvom hjerneaktiviteterhvervet invasivt har vist sig at indeholde oplysninger om overflade EMG 21, det er i øjeblikket ukendt, om hovedbunden EEG også kan bruges til at afkode underekstremitet muskel aktivitet under gang foruden gangart kinematik. Vi forventer, at denne protokol ville tillade os at undersøge, om den reducerede rumlig opløsning af ikke-invasive hjerne billeddiagnostiske metoder er tilstrækkeligt til at isolere neurale aktivitet relateret til enkelte muskler.
Tidligere undersøgelser har vist mulighederne i at udnytte noninvasive EEG at afkode kinematik under løbebånd gå 7,8 leverer impulser til udvikling af en hjerne maskine-interface (BMI) til at gendanne fods brug af signaler fra hjernen. Tidsdomænet dekodning metoder baseret på amplitudemodulation af delta-band EEG-signaler har også vist sig at være ufølsomt over for kunstig komponenter 7,8. Men trædemølle undersøgelser foregår i et kontrolleret miljø, hvor brugerens vision og bevægelseer begrænset, og derved begrænse forurening af neurale aktivitet grundet eksterne stimuli. Gennem inkorporering af trådløse data logging, giver denne protokol samling af synkroniseret EEG, EMG og kinematiske data under en bred vifte af bevægelseskomponenter opgaver og miljøer. Integration af inerti sensorer til bevægelsessporing kræver mere beregning og offline behandling for at udtrække kinematik end et motion capture-system, og deraf følgende foranstaltninger indeholder en lille - men acceptabel - fejlmargin, som ikke ville være til stede i et kamera baseret system, 22.. Disse håndterbare vanskeligheder er en nødvendighed for at etablere en eksperimentel protokol, der muliggør mobil studie af kognitiv-motor adfærd i skiftende miljøer. Som omtalt andetsteds 10,11, sådan opsætning er næsten ubegrænsede i forskningsspørgsmål, som kan behandles. Vores fokus i den nærmeste fremtid vil være på emner er kritiske for udviklingen af et BMI for rehabilitering af stå og gå efterhjerneskade og neuropati. Et centralt element, som nævnt ovenfor, vil være udvikling af nye robuste dekodning strategier for hjerne-maskine-grænseflader til rehabilitering robotsystemer, der kan afvise fysiologiske og mekaniske artefakter til at genoprette bevægelse ved brug af signaler målt fra hjernen. For eksempel er på gangen går protokol udføres i et offentligt rum med andre mennesker til stede under dataindsamlingen, og dermed giver et prøveanlæg for udvikling af neurale dekodning teknikker i det naturlige miljø. Andre forsknings-spørgsmål af interesse ved hjælp af denne protokol omfatter sammenligner rehabilitering robot paradigmer involverer rytmisk versus ikke-rytmisk gangtræning, og studiet af neural aktivitet under funktionel restitution efter skade i både akutte og kroniske faser.
Disclosures
Produktion og publikation gebyrer for denne artikel er sponsoreret af APDM.
Acknowledgments
Dette arbejde blev støttet af National Institute of Neurologiske og Stroke (NINDS) indrømmer # R01NS075889-01. Denne forskning blev støttet delvist af Intramural Research Program for NIH, Clinical Center. Forfatterne takker også Shahriar Iqbal og Yongtian Han for hjælp med indsamling af data. Udgifterne til open-access offentliggørelsen af denne artikel blev sponsoreret af APDM, Inc. (Portland, OR, http://apdm.com ).
Materials
| Name | Company | Catalog Number | Comments |
| 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 | |||
References
- Choi, J. T., Bastian, A. J. Adaptation reveals independent control networks for human walking. Nature Neuroscience. 10 (8), 1055-1062 (2007).
- Grillner, S., Wallen, P., et al. Neural bases of goal-directed locomotion in vertebrates - an overview. Brain Research Reviews. 57, 2-12 (2008).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Makeig, S., Gramann, K., et al. Linking brain, mind, and behavior. International Journal of Psychophysiology. 73, 95-100 (2009).
- 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).
- 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).
- Brummer, V., Schneider, S., et al. Coherence between brain cortical function and neurocognitive performance during changed gravity conditions. J. Vis. Exp. (51), e2670 (2011).
- 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).
- Makeig, S., Bell, A. J., et al. Independent component analysis of electroencephalographic data. Advances in Neural Information Processing Systems. 8, 145-151 (1996).
- 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).
- 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).
- 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).
- 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).
- Farina, D., Merletti, R., Enoka, R. M. The extraction of neural strategies from the surface EMG. Journal of Applied Physiology. 96, 1486-1495 (2004).
- Flint, R. D., Ethier, C., et al. Local field potentials allow accurate decoding of muscle activity. Journal of Neurophysiology. 108, 18-27 (2012).
- 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).
