Summary
Sviluppo di un sistema efficace cervello-macchina-interfaccia (BMI) per il restauro e la riabilitazione della locomozione bipede richiede accurata decodifica di intenti dell'utente. Qui vi presentiamo un protocollo sperimentale romanzo e la tecnica di raccolta dei dati per l'acquisizione simultanea non invasiva di attività neurale, l'attività muscolare, e al corpo intero cinematica durante i vari compiti e le condizioni di locomozione.
Abstract
Studi recenti sostengono il coinvolgimento di reti sopraspinali in controllo della camminata bipede umano. Parte di questa prova comprende studi, tra cui il nostro lavoro precedente, a dimostrazione che l'andatura cinematica e coordinamento degli arti durante la deambulazione tapis roulant possono essere dedotte dal cuoio capelluto elettroencefalogramma (EEG) con ragionevolmente elevate precisioni di decodifica. Questi risultati forniscono impulso per lo sviluppo di sistemi cervello-macchina-interfaccia non invasive (BMI) per l'uso nel restauro e / o aumento di andatura, un obiettivo primario della ricerca di riabilitazione. Ad oggi, gli studi che esaminano EEG decodifica di attività durante deambulazione si sono limitati a treadmill camminare in un ambiente controllato. Tuttavia, per essere attuabile un sistema BMI deve essere applicabile per l'impiego in attività di locomotori quotidiane come sopra terra e girando a piedi. Qui vi presentiamo un protocollo romanzo per la raccolta non invasiva dell'attività cerebrale (EEG), l'attività muscolare (elettromiografia (EMG)), e di commerce-corpo dati cinematici (testa, tronco, arti e traiettorie) sia durante tapis roulant e su terreni camminare compiti. Con la raccolta di questi dati nella intuizione ambiente non controllato può essere acquisita per quanto riguarda la fattibilità di decodifica non vincolata andatura e EMG di superficie dal cuoio capelluto EEG.
Introduction
Questo protocollo utilizza tre sistemi di raccolta dati per la registrazione simultanea EEG, EMG, e la cinematica del corpo intero (Figura 1, Tabella 1). Dati EEG sono raccolti in modalità wireless da 64 canali con una frequenza di campionamento di 1000 Hz, mentre i soggetti piedi. Elettromiografia (EMG) è raccolta a 1.000 Hz da elettrodi di superficie posizionati bilateralmente su quattro gruppi di muscoli: tibiale anteriore (TA), gastrocnemio (Gast), bicipite femorale (BF), e vasto laterale (VL). Dati cinematici sono raccolti a 128 Hz da 11 sensori wireless montati sulla testa, busto superiore, regione lombare, braccia, cosce, stinchi e piedi per registrare il movimento durante la deambulazione. Ogni sensore contiene un magnetometro triassiale, giroscopio triassiale, e accelerometro triassiale (cioè un sensore MARG).
I dati sono raccolti da ciascun sistema e sincronizzati in tempo da un singolo PC host. Sincronizzazione viene eseguita utilizzando un segnale di trigger trasmessi attraverso una continua sericollegamento di comunicazione al accessibile da tutti e tre i sistemi di dati simultaneamente. Il trigger è stato implementato come un semplice interruttore pulsante. Quando il pulsante viene premuto un segnale di innesco (1) viene inviato al PC host, mentre viene inviato un segnale nullo (0) quando non è premuto. Premendo il pulsante di azionamento provoca anche un secondo tono 0,5 usato come cue audio per il soggetto, come descritto nel protocollo di seguito. Cinque coppie di sensori di prossimità ad infrarossi (IR) sono stati fabbricati per uso come posizione innesca nella terra sopra cammina esperimenti descritti di seguito. Quando il segnale IR viene interrotto un segnale di trigger (1) viene inviato al PC host tramite il collegamento seriale attraverso una frequenza radio (RF) connessione con la scatola di attivazione manuale.
Una consuetudine C + + applicazione, utilizzando il previsto da ogni sistema, è stato sviluppato per registrare e sincronizzare i dati del software development kit (SDK). Il codice utilizza una tecnica multi-threading; funzioni per salvare i dati di ogni sistema (EEG, EMG, e dai marg) sono contenute in indivdiscussioni residuali. L'algoritmo software è mostrato in Figura 2. Raccolta dati inizia quando l'applicazione viene eseguita e termina quando viene premuto il tasto 'q'. Cinque fili vengono attivate al momento l'esecuzione dell'applicazione. Un filo (Figura 2) controlla il valore (0 o 1) del segnale di trigger dal collegamento seriale. Valore di attivazione iniziale è zero. Quando un trigger viene ricevuto (cioè quando si preme il pulsante o linea di vista tra coppia di sensori IR è rotto) le variabili di trigger globali sono impostati a 1. Queste variabili rimangono 1 fino a quando non vengono ripristinate entro i fili di raccolta dati.
Il filo EEG accede in remoto del cuoio capelluto dati EEG in tempo reale utilizzando il protocollo TCP / IP. I dati vengono scritti in un file di testo riga per riga alla frequenza di campionamento corrispondente (1.000 Hz). Il segnale di trigger EEG globale viene scritto nella prima colonna, mentre le colonne 2-65 sono i 64 canali EEG. Se il segnale di trigger EEG globale era 1, è azzerato. Datiscrittura continua finché il filo EEG viene terminato. Due record di thread indipendenti MARG dati del sensore. Due fili sono necessari perché i 11 sensori MARG wireless trasmettono i dati utilizzando il software del produttore in modalità streaming robusto, che i buffer di dati sui singoli sensori per prevenire la perdita dei dati in caso di problemi di trasmissione senza fili. Questo buffer degrada il trasferimento dei dati in tempo reale: se un sensore è in grado di trasmettere i dati di un campione di tutti i 11 sensori conservano quel punto volta nella loro tampone e trasmetterlo al prossimo punto di campione disponibile. MARG trasferimento dati wireless in ritardo inevitabilmente dietro EEG; quindi sensori Marg hanno bisogno di tempo per scaricare i dati memorizzati nel buffer del PC host dopo la raccolta dei dati viene interrotto. Per superare questo problema, due fili sono utilizzati nell'algoritmo di raccolta dati MARG (Figura 2). Il primo thread popola un buffer grilletto MARG dalla variabile globale grilletto MARG alla frequenza di campionamento del sensore (128 Hz), mentre il thread EEG sta raccogliendodati. Quando la raccolta dei dati si interrompe la scrittura nel buffer di attivazione termina anche. Il filo MARG (Figura 2) utilizza funzioni dal SDK sensore per ricevere i dati dai sensori e scrivere in un file nello stesso modo come i dati EEG. Cioè, la prima colonna è il valore del trigger MARG globale (ottenuto dal buffer grilletto MARG) ei seguenti 99 colonne sono i valori dai sensori 11 MARG (9 sensori per unità MARG). Il filo MARG scrive dati finché l'indice temporale del buffer grilletto MARG è pari all'ultimo indice temporale dei dati EEG in cui l'esecuzione di thread punto viene terminato.
A differenza dei dati EEG e Marg, dati EMG non sono registrati in modalità wireless. Invece, i dati EMG sono registrati su una scheda SD all'interno dell'unità di registrazione dei dati. Un segnale viene inviato tramite una connessione Bluetooth per avviare e interrompere la scrittura dei dati sulla scheda SD. Scrittura inizia quando il primo trigger manuale è ricevuto dal thread EEG. Scrittura dei dati si interrompe con l'EEGthread quando viene premuto il tasto 'q'.
Il seguente protocollo è stato esaminato e approvato dal Comitato Etico dell'Università di Houston. Tutti i soggetti hanno ricevuto, letto e firmato un modulo di consenso prima della partecipazione.
Protocol
1. Oggetto Preparazione
- Misurare l'altezza del soggetto, il peso, e registrare la loro età.
- Valutare velocità tapis roulant preferito del soggetto facendoli velocità tapis roulant di auto-regolazione fino a confortevoli.
- Utilizzando un pennarello, segnare il vertice della testa come il punto medio tra il nasion e inion del soggetto. Inoltre, segnate 10% della distanza nasion a inion come riferimento per allineare il tappo.
2. Scalp elettroencefalografia (EEG)
- Allegare elettrodi EEG come specificato dal sistema internazionale 10-20 utilizzando un tappo EEG montato al soggetto come in 12. Il cappuccio assicura il corretto posizionamento degli elettrodi sul cuoio capelluto.
- Posizionare il tappo EEG sull'argomento allineando il segno del 10% a partire dal punto 1.3 al punto medio delle PF1 e PF2 elettrodi e l'elettrodo Cz con il vertice contrassegnato. Maggiori dettagli per il posizionamento del cappuccio si trovano in 12. Securare il tappo dalla reggia sotto il mento.
- Collegare gli elettrodi EEG per la casella di controllo EEG. Partendo da terra e elettrodi di riferimento, usare una piccola siringa per iniettare gel elettrolita in ogni elettrodo fino impedenza di ciascuna misura al di sotto di 25 k come indicato da elettrodo LED diventa verde. Ulteriori dettagli sulla preparazione elettrodi EEG sono disponibili in 12,13.
- Collegare gli elettrodi EEG per il trasmettitore senza fili EEG. Fissare il trasmettitore al soggetto su un cinturino in velcro posta attorno alle spalle e collegare il ricevitore wireless EEG a due amplificatori a 32 canali.
- Collegare gli amplificatori al PC tramite una porta USB utilizzando una fibra ottica al convertitore USB.
- Impostare la risoluzione del canale EEG a 0,1 mV, a bassa frequenza di taglio a DC, e l'alta frequenza di taglio a 1.000 Hz nel software di raccolta dati EEG.
3. Elettromiografia di superficie (EMG)
- Preparare per EMG elettrodocollocamento in 8 siti muscolari: rasatura della pelle, carteggiare con carta vetrata, e pulire con un tampone imbevuto di alcol isopropilico. Posizionamento degli elettrodi sul siti pronti e connettersi a EMG unità registrazione dei dati. Posizionare EMG elettrodo di massa sul polso sinistro o destro, e connettersi ai dati dell'unità di registrazione.
4. Motion Capture
- Sincronizzare MARG sensori mentre attraccato in base alle istruzioni del produttore.
- Rimuovere Marg sensori e immettono sul soggetto utilizzando velcro o nastro biadesivo in luoghi in tabella 2.
5. Ambiente Preparazione
- Preparare tapis roulant con nastro adesivo una linea diagonale (45 ° rispetto all'orizzontale) sul nastro. Posizionare un monitor televisivo collegato ad una videocamera circa 1 m davanti tapis roulant. Nastro di un pezzo di carta con un diametro di cerchio nero da 2 pollici del televisore.
- Setup camminare arena mettendo 5 set di sensori IR di prossimità, coni e televisione screen trova come in Figura 3.
6. Tapis roulant
- Oggetto sale sul tapis roulant. Fissare cintura di sicurezza.
- Prima della raccolta dei dati, esaminare i segnali EEG e EMG per verificare il posizionamento corretto degli elettrodi, collegamento elettrodo, e la trasmissione dei dati.
- Inizia la raccolta dei dati, eseguendo il programma C + + console. Premere il pulsante manuale di attivazione per avviare la registrazione EMG e dare uno spunto audio (beep) per avviare l'esperimento.
- Il soggetto rimane in posizione tranquilla per 30 sec.
- Dopo 30 secondi il pulsante di attivazione spinta per iniziare a piedi, il tapis roulant è lentamente accelerato alla velocità preselezionata del soggetto.
- Il soggetto cammina per 5 min.
- Al termine di 5 min, premere il pulsante di attivazione per avviare passeggiata a stare transizione lentamente fermando il tapis roulant. Dopo essere venuto ad un arresto il soggetto rimane in piedi per 30 sec. Premere il tasto 'q' per fermare la raccolta di dati triale e di salvare i dati.
- Ripetere i passaggi 6,2-6,7 per tutte e tre le condizioni di tapis roulant:
- Tapis roulant a piedi mentre guardando puntino nero in lontananza.
- Tapis roulant a piedi osservando movimento di proprie gambe sul monitor TV.
- Tapis roulant a piedi durante l'utilizzo di video feedback per evitare linea diagonale sul tapis roulant (per simulare il carico cognitivo 6).
7. Arena piedi (1)
- Posizione del soggetto all'inizio del loop camminare dell'arena (Figura 3).
- Inizia la raccolta di dati come nel 6.2-6.4.
- Premere il pulsante di attivazione per avviare a piedi. Al momento è dato il grilletto, la prima freccia direzionale (→, ← o ↑) viene visualizzato sullo schermo di fronte al soggetto (Figura 3). Se → o ← è osservato, le uscite soggetto l'insieme all'ingresso di coni, curve a 90 ° in quella direzione, completa il ciclo e ritorna ai coni d'ingresso. Se & UARr, si osserva, il soggetto continua dritto fuori dei coni d'ingresso e un trigger manuale e direzione freccia (→ o ←) è dato quando il soggetto raggiunge circa 2 metri prima che il sensore IR. Il ricavato soggetto attraverso la prima serie di sensori IR e quindi rende i corrispondenti 90 ° turno di completare il ciclo, ritornando ai coni d'ingresso. (Durante la deambulazione, lo sperimentatore segue il soggetto ad una distanza di circa 3-5 metri con il PC host su un carrello a ruote per migliorare la qualità del segnale wireless.)
- Il soggetto continua a camminare, quando lui / lei raggiunge i coni d'ingresso, dopo aver completato un ciclo unico. Sequenza 7.3 si ripete con ordinamento casuale delle frecce fino a quando sono stati completati tre cicli per ogni freccia iniziale (→, ← o ↑).
- Dopo aver soddisfatto condizione 7.4, premere il pulsante di attivazione manuale quando soggetto raggiunga i coni d'ingresso per segnalare transizione a quella in piedi. Oggetto sta in silenzio per 30 secondi e poiraccolta dei dati viene terminata premendo il tasto 'q' sul PC host.
8. Arena piedi (2)
- Ridisporre un'arena corso camminare in modo che le cinque serie di sensori IR sono posizionati in un semicerchio di fronte al soggetto (Figura 4).
- Inizia la raccolta di dati come con le prove precedenti (7,1-7,2).
- Simile a Arena Walking io, dare un trigger manuale per iniziare a camminare. Al tempo del grilletto, una delle cinque frecce di direzione (←, →,
, 
, O ↑) viene visualizzata sullo schermo. Ogni freccia corrisponde a una serie di sensori IR che sono posizionati intorno alla scena (Figura 4). - Il soggetto osserva la freccia sullo schermo e walks alla corrispondente serie di sensori IR, facendo una curva a U attorno al cono oltre i sensori, passando attraverso i sensori due volte (figura 4). Dopo aver effettuato l'inversione a U, il soggetto ritorna al punto di partenza e continua a camminare.
- Ripetete la sequenza 8,3-8,4, con ordinamento casuale di frecce, fino al completamento di 3 cicli per ogni freccia direzionale.
- Dopo aver soddisfatto condizione 8.6, premere il pulsante di attivazione manuale quando il soggetto raggiunge il punto di partenza per segnalare transizione a quella in piedi. Raccolta completa dei dati come in 7.5.
, 9. Sit to Stand
- Posizionare una sedia dietro il soggetto e iniziare la raccolta dei dati come in 6,2-6,3. Il soggetto sta tranquillamente per 15 sec all'inizio di raccolta dati.
- Dopo 15 secondi, premere il pulsante di attivazione manuale. Dopo aver ascoltato cue soggetti transizioni da stare a sedere postura, tenendo posizione seduta fino alla prossima indicazione audio (pulsante).
- Ripetere 9,2-9,3 fino al 10 completo stand-a-sedere e sit-to-STAND manovre sono complete, dopo di che il soggetto sta in silenzio per 15 secondi. Poi, terminare la raccolta dei dati premendo il tasto 'q'.
- Ripetere lo stand-a-sit protocollo (9,1-9,4) per l'auto-iniziata stand-a-sedere e sit-to-stare transizione. Piuttosto che dare al soggetto un innesco per la transizione, hanno il soggetto iniziare il trasferimento proprio loro fino al 10 di ogni manovra è completo.
10. Corridoio Walking
- Posizione del soggetto e la raccolta dei dati carrello in mezzo 1/8 miglio, corridoio dritto. Inizia la raccolta di dati come con gli esperimenti scorrevole del tapis roulant (6.2-6.4). Dopo il secondo periodo di riposo iniziale 30, dare un trigger manuale per iniziare a piedi.
- Il subject cammina continuamente per 5 min. Quando il soggetto raggiunge a 10 metri dalla fine corridoio, lui / lei auto-avvia una inversione a U e continua a camminare nella direzione opposta.
- Al termine di 5 min premere il pulsante di attivazione manuale di smettere di camminare. Il soggetto sta in silenzio per 30 secondi mentre guardando dritto davanti a sé. Terminare la raccolta dei dati premendo il tasto 'q'.
- Inizia un secondo esperimento corridoio come in 10.1.
- Dopo un intervallo di tempo casuale di piedi (20-40 sec), dare un trigger manuale e cue audio per avere il soggetto smettere di camminare.
- Il soggetto rimane in piedi per la durata breve, casuale (5-15 sec).
- Premere il pulsante di attivazione manuale di avere soggetto riprendere a camminare.
- Ripetere i passaggi da 10,5-10,7 fino a 10 cicli di stop-start sono completi; terminare la raccolta di dati come in 10.3.
Representative Results
La Figura 5 mostra 10 sec di tempo bloccato EEG, Marg e dati EMG registrati durante scorrevole del tapis roulant (sezione protocollo 3). Si noti che ogni MARG senor effettivamente registra 9 segnali (magnetometri triassiali, giroscopi e accelerometri), ma solo l'accelerazione verticale è mostrato. I dati grezzi in figura 5 contengono manufatti che devono essere contabilizzati nel corso pre-elaborazione prima di analisi e decodifica neurale. Esempi di artefatti EEG in figura 5 includono occhio lampeggia presenti in circa 8,5 sec e artefatti da movimento a bassa frequenza presente in tutto.
La figura 6 mostra un ciclo completo (~ 35 sec) di oltre il terreno a piedi durante la camminata arena (1) Protocollo. Qualitativamente, i dati del arena su un terreno a piedi compiti contengono più artefatti di tapis roulant a piedi a causa del moto aggiuntivo della testa del soggetto e del collo durante la rotazione. L'attività muscolare facciale e craniale è particolarmente evidenti sui elettrodi canali temporali (etichettati FT e T in figura 1) in Figura 6. Notare l'aumento dell'attività segnale EMG rispetto al treadmill walking (Figura 5), in particolare nella caviglia coppia agonista-antagonista. Figura 6 mostra anche eventi di sub-ottimale wireless di raccolta dati EEG che devono essere valutate durante l'elaborazione dei dati. Immediatamente prima del 4 ° grilletto, dati EEG mostrano linee piatte, indicando una interruzione di trasmissione wireless tra il PC host e il sistema EEG. Questa sezione di dati deve essere tagliato dall'intero set di dati (EEG, Marg, e EMG).
La figura 7 mostra un ciclo di stand-a-sedere e sit-stare i dati. Come con altri dati, artefatti da movimento sono presenti in EEG, sia durante la fine della transizione e come la testa è stabilizzò come seduto (o in piedi) è mantenuta. Un intervallo di corridoio camminare compreso supporto a camminare unnd passeggiata a piedi transizione è mostrato in Figura 8. Notare la rampa di EMG e dati di accelerazione dopo i segnali audio per iniziare e smettere di camminare. In coincidenza con questa rampa è la comparsa e la scomparsa di artefatti da movimento nei dati EEG. Figura 8 mostra anche una connessione non ottimale su EEG elettrodo PO10 che si verifica in circa 7 s. Questo comportamento è occasionalmente osservato durante l'esperimento ed è probabilmente dovuto alla perdita di contatto tra l'elettrodo e il cuoio capelluto EEG. PO10 elettrodo deve essere rimosso dalla analisi dei dati per questa prova. Poiché i dati EEG possono essere osservati in tempo reale, e il collegamento di elettrodi EEG è verificata (protocollo step 6.2) prima di ogni prova nel protocollo, la scarsa connessione elettrodo può essere risolto prima della prova successiva.
| Nome | Azienda | Quantità |
| BrainAmp Amplifier | Prodotti Cervello, GmbH | 2 |
| actiCAP tappo EEG con 64 elettrodi | Prodotti Cervello, GmbH | 1 |
| BrainVision SPOSTARE sistema EEG senza fili | Prodotti Cervello, GmbH | 1 |
| Datalog MWX8 EMG unità di raccolta dati | Biometria, Ltd. | 1 |
| SX230 EMG Elettrodi | Biometria, Ltd. | 8 |
| R506 EMG elettrodo di massa | Biometria, Ltd. | 1 |
| Opal movimento del monitor (sensore MARG) | APDM, Inc. | 11 |
| Docking station Opal per dati wireless in streaming | APDM, Inc. | 2 |
| Opal punto di accesso wireless | APDM, Inc. | 2 |
| Velleman, Inc. | 5 | |
| Modulo Wixel programmabile USB Wireless | Pololu, Inc. | 6 |
Tabella 1. Equipaggiamento.
| Sensore | Posizione |
| Direttore | Centro della fronte sopra le sopracciglia |
| Trunk | Tra pettorali alla base dello sterno |
| Lombare | Centro della schiena al minimo di curva lombare |
| Braccio 1 | Lato laterale del braccio; prossimale al polso ~ 10% a gomito |
| Coscia 1 | Parte laterale della coscia, il 50% tra anca e ginocchio |
| Shank 1 | Parte laterale del gambo; 75% distale dal ginocchio |
| Pedale 1 | Centrato su il collo del piede |
| 1 braccio, coscia, tibia e piede sensori sono posizionati bilateralmente. | |
Tabella 2. MARG sensore posizioni.
Figura 1. Sagittale (a) e frontale (b) vista di un soggetto che indossa EEG, EMG, e MARG sensori inerziali per la raccolta dei dati. (C) rappresentazione topografica delle posizioni degli elettrodi EEG sul cuoio capelluto, tracciata con EEGlab Matlab toolbox 14. ( d) i dati Cellulare raccolta carrello contenente PC host, trigger manuale, EMG Bluetooth, Marg punti di accesso wireless, e il ricevitore wireless EEG, amplificatori e alimentazione.d/50602/50602fig1large.jpg "target =" _blank "> Clicca qui per ingrandire la figura.
Figura 2. Diagramma di flusso dettagliato l'algoritmo per il progettato, multi-thread software di raccolta dati. Clicca qui per ingrandire la figura .
Figura 3. Schema (occhio di pernice) rappresentazione di arena a piedi (1) protocollo sperimentale. Una freccia (→, ← o ↑) è presentata sul monitor quando il soggetto è alla fine del cono ingresso s. Se a destra (→) oa sinistra (←) viene presentato, il soggetto segue il ciclo rosso o verde, rispettivamente, passando attraverso quattro serie di sensori a infrarossi (IR) (IR1-IR4). Se il diritto (↑) si presenta, il soggetto cammina verso il display del monitor (linea blu), e una seconda freccia (→ o ←) si presenta quando il soggetto è a circa 1 metro prima che i sensori IR (IR5). Dopo il passaggio attraverso il gruppo sensore IR5, il soggetto completa il ciclo lungo il percorso corrispondente (rosso o verde), tornando al punto di partenza.
Figura 4. Schema (occhio di pernice) rappresentazione di camminare arena (2) protocollo sperimentale. All'inizio dell'esperimento, una singola freccia (pload/50602/50602larrhighres.jpg "/>, 
, →, ← o ↑) viene presentato al soggetto sul monitor. Basato sulla freccia ricevuta, il soggetto cammina direttamente alla corrispondente serie di sensori IR, passa attraverso i sensori, compie una curva a U attorno al cono, e ritorna al punto di partenza (anello corrispondente a freccia è indicato sopra).
Figura 5. I dati di esempio da 10 sec di scorrevole del tapis roulant. Pannello superiore mostra 64 canali di dati EEG grezzi con il nome del canale 10-20 convenzione internazionale. Medio pannello mostra l'accelerazione in direzione verticale da 11 sensori marg. Pannello in basso mostra 8 canali crudo EMG. Clicca qui per ingrandire la figura .
Figura 6. I dati di esempio da un loop (percorso freccia destra, Figura 3) di camminare durante l'arena protocollo ho. EEG, accelerazione, e dati EMG sono presentati come in Figura 5. Verticali barre nere sono posizione del trigger ricevuti dal software. Il primo trigger è dal pulsante manuale di avvio del ciclo presentando la freccia →. I seguenti quattro trigger sono da sensori IR IR1-IR4 (Figura 3) come il soggetto attraversa il circuito.tp_upload/50602/50602fig6large.jpg "target =" _blank "> Clicca qui per ingrandire la figura.
Figura 7. I dati di esempio da stand-a-sedere e sit-to-stare transizione. EEG, accelerazione, e dati EMG si presenta come in figura 5. Barre verticali indicano i trigger manuali (e segnali audio) per avviare in piedi e seduta, rispettivamente. Clicca qui per ingrandire la figura .
Figura 8. Dati di esempio dal corridoio a piedi mostrando transizione da standing a camminare e camminare a piedi. EEG, accelerazione, e dati EMG sono mostrati come in figura 5. barre verticali indicano i trigger manuali e cue audio per iniziare ansd smettere di camminare, rispettivamente. Clicca qui per ingrandire la figura .
Discussion
Il protocollo presentato qui riunisce tre sistemi di raccolta dati per registrare contemporaneamente l'attività cerebrale, l'attività muscolare, e cinematica di tutto il corpo nel corso di una serie di compiti locomotiva. Completamento dell'intero protocollo dura circa 3 ore, di cui 1 ora di preparazione del soggetto. Ogni sistema è montato su, e si muove con il soggetto. Pertanto, è fondamentale per verificare le connessioni di elettrodi EEG e EMG prima dell'inizio di ogni nuovo processo. Questo può essere fatto facilmente utilizzando i pacchetti software forniti dai rispettivi produttori, che permette ai dati di essere esaminati in tempo reale utilizzando interfacce grafiche sul PC host. L'applicazione di raccolta dati richiede questi pacchetti software per essere in esecuzione, semplificando il processo di verifica. Inoltre, bisogna fare attenzione che i sensori MARG robusto sono attaccati al soggetto prima di ogni prova.
Dati EEG e MARG vengono trasmessi in modalità wireless sul 2.4-2.5 GHzgamma di spettro. Poiché molti altri dispositivi elettronici utilizzano questa banda di frequenza, è importante prendere in considerazione la possibilità di interfaccia wireless nell'ambiente sperimentale. Un aspetto critico della raccolta dei dati è la visibilità linea di vista tra il carrello mobile e il soggetto, che fornisce robustezza alle interferenze wireless. Sia il ricevitore wireless EEG ed i punti di accesso MARG (Figura 1) forniscono LED per indicare la fedeltà connessione. Il PC host e ricevitori wireless per sensori EEG e MARG sono posti su un carrello mobile per mantenere la linea diretta di vista e di massimizzare la trasmissione di dati senza fili come il soggetto si avvicinò a terra. Abbiamo trovato robusta raccolta dei dati è stata meglio mantenuta tenendo il carrello mobile entro 5 metri del soggetto, una distanza che non limita il movimento del soggetto durante una qualsiasi delle attività. L'applicazione C + + utilizza più thread per la raccolta di dati per fornire robustezza alla perdita di dati a causa di interruzione del wireless connection di EEG. Se la connessione viene persa EEG, Marg e dati EMG è ancora registrato, ma non ci sono dati EEG saranno disponibili per i punti di tempo. I sensori Marg forniscono on-unità buffer come discusso in precedenza per evitare la perdita di dati in caso di connessione wireless, mentre i dati EMG sono memorizzati su una scheda SD all'interno del data unità mobile di registrazione.
Un problema comune con la raccolta di dati EEG durante la deambulazione è la presenza di artefatti nei segnali. In linea generale, gli artefatti possono essere divisi in due gruppi: le fonti fisiologiche di manufatti tra cui lampeggia, movimento oculare, l'attività muscolare del viso, battiti cardiaci, e manufatti meccanici come movimento di elettrodi e / o cavi durante l'esecuzione del protocollo sperimentale. Rimozione Artefatto è un argomento di ricerca in corso, e comprende tecniche come componente indipendente procedure di regressione template canale basati su 17 analisi e 15,16. Artefatto minimizzazione e la rimozione è un passo fondamentale per preprocessing dei dati per la decodifica neurale del movimento del corpo. La configurazione qui presentata è simile a precedenti studi in che i cavi degli elettrodi EEG sono stati raggruppati in un unico connettore. I risultati di questi studi indicano che gli artefatti meccanici dovuti alle oscillazioni del cavo o del movimento non hanno giocato un ruolo nella decodifica di movimento da attività neurale 7,8. Questi risultati sono supportati da altri studi che concludono che l'andatura manufatti relativi erano inconsistente in lenta a moderata velocità di 17 piedi. Tuttavia, questo esperimento si misura EEG durante le attività che richiedono più movimento del corpo rispetto agli studi precedenti, tra sit-to-stare transizioni, sulla terra a piedi, e girando, e, quindi, un attento esame dei dati EEG grezzi deve essere intrapreso per identificare potenziali contaminazione da artefatti meccanici. Anche se non è ancora ampiamente disponibili, questi potenziali problemi potrebbero essere risolti attraverso l'integrazione di nuovi hardware nel protocollo corrente. Tale hardware incLudes elettrodi attivi EEG (utilizzati in questo protocollo) e molla, elettrodi EEG secchi, che hanno il potenziale per migliorare la pelle-elettrodo impedenza di contatto durante il movimento 18. Queste tecnologie vengono incorporati in sistemi EEG wireless che possono ridurre l'effetto di artefatti di movimento 19. Integrazione di nuovi hardware nonostante, questo protocollo fornisce un'opportunità unica per continuare a sviluppare nuovi algoritmi per il movimento e EMG artefatti perché ogni segmento del corpo è stato strumentato 16. Ci proponiamo di studiare le serie storiche di correlazione e frequenza coerenza dominio tra EEG, EMG, e il movimento del segmento di sviluppare robusti paradigmi di rigetto artefatto applicabili attualmente disponibili configurazioni EEG. I nostri metodi di decodifica hanno dimostrato la robustezza contro artefatti 7,8; saranno esaminati questi metodi nell'ambito degli scenari più complessi nel presente protocollo.
Caratteristiche di superficie registrataEMG dipendono da molti fattori, e l'interpretazione dei segnali EMG di superficie per lo studio di strategie neurali richiede loro considerazione 20. Le procedure rigorose per la preparazione della pelle e il posizionamento degli elettrodi EMG utilizzata in questo protocollo sono stati progettati per ridurre al minimo l'influenza di fattori non fisiologici dei segnali EMG di superficie. L'ampiezza e la frequenza della EMG registrata da questo protocollo sono correlate all'attività gruppo motore netta, e quindi la registrazione non dovrebbero essere interpretati come una rappresentazione diretta dell'attività neurale del muscolo desiderato. Eppure, un attento esame del segnale EMG di superficie e metodi più avanzati per la stima di auto neurale al muscolo dalla decomposizione del segnale EMG di determinare variazioni relative attivazione neurale (ad esempio individuando i tempi di scarica delle unità motorie) può fornire informazioni preziose in pattern di attivazione muscolare 20. Inoltre, nel contesto di decodifica neurale, sebbene l'attività cerebraleacquisito invasively ha dimostrato di contenere informazioni relative EMG di superficie 21, è attualmente noto se cuoio capelluto EEG può anche essere utilizzato per decodificare attività muscolare degli arti inferiori durante la deambulazione in aggiunta a andatura cinematica. Ci aspettiamo che questo protocollo ci permetterebbe di valutare se la risoluzione spaziale ridotta di modalità di imaging non invasive cervello è sufficiente a isolare l'attività neurale relative a singoli muscoli.
Precedenti studi hanno dimostrato la fattibilità di utilizzo non invasivo EEG per decodificare cinematica durante il tapis roulant a piedi 7,8 impulso che prevede lo sviluppo di una interfaccia macchina cerebrale (BMI) per ripristinare a piedi usando i segnali dal cervello. Metodi di decodifica nel dominio del tempo basati sulla modulazione di ampiezza di segnali EEG delta banda hanno anche dimostrato di essere insensibile alle componenti di artefatti 7,8. Eppure, studi treadmill si svolgono in un ambiente controllato durante il quale la visione dell'utente e motosia limitata, limitando così la contaminazione di attività neurale dovuta agli stimoli esterni. Per incorporazione di registrazione dei dati senza fili, questo protocollo permette collezione di sincronizzato EEG, EMG, e dati cinematici nel corso di una serie di compiti di locomozione e di ambienti. Integrazione di sensori inerziali per il tracciamento del movimento richiede più calcolo e di elaborazione offline per estrarre cinematica di un sistema di motion capture, e le misure risultanti contengono una piccola - ma accettabile - margine di errore che non sarebbe presente in una macchina fotografica sistema basato 22. Queste difficoltà gestibili sono una necessità di stabilire un protocollo sperimentale che consente lo studio mobile comportamento cognitivo-motorio in diversi ambienti. Come discusso altrove 10,11, una tale impostazione è quasi illimitata nelle domande di ricerca che possono essere affrontate. Il nostro obiettivo nel prossimo futuro sarà su temi critici per lo sviluppo di un indice di massa corporea per la riabilitazione dei piedi e camminare seguendolesioni cerebrali e neuropatia. Una componente fondamentale, come già detto, sarà lo sviluppo di nuove strategie solide di decodifica per le interfacce cervello-macchina ai sistemi robotici di riabilitazione che può respingere artefatti fisiologici e meccanici per ripristinare il movimento utilizzando segnali misurati dal cervello. Ad esempio, il protocollo camminando corridoio è eseguita in uno spazio pubblico con altre persone presenti durante la raccolta di dati, e fornisce quindi un banco di prova per lo sviluppo di tecniche neurali decodifica nell'ambiente naturale. Altre domande di ricerca di interesse che utilizzano questo protocollo sono paradigmi a confronto di riabilitazione robotica che coinvolgono la formazione andatura ritmica rispetto a non-ritmica, e lo studio dell'attività neurale durante il recupero funzionale dopo lesione nelle fasi acute e croniche.
Disclosures
Produzione e la pubblicazione tasse per questo articolo sono stati sponsorizzati da APDM.
Acknowledgments
Questo lavoro è stato sostenuto dal National Institute of Neurological Disorder and Stroke (NINDS) concedere # R01NS075889-01. Questa ricerca è stata sostenuta in parte dal programma di ricerca intramurale del NIH, Centro Clinico. Gli autori ringraziano anche Shahriar Iqbal e Yongtian Lui per l'assistenza con la raccolta dei dati. Le spese di pubblicazione ad accesso aperto di questo articolo è stato sponsorizzato da 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).
