Summary
Utvikling av en effektiv hjerne-maskin-grensesnitt (BMI) system for restaurering og rehabilitering av bipedal bevegelse krever nøyaktig dekoding av brukerens hensikt. Her presenterer vi en ny eksperimentell protokoll og datainnsamling teknikk for samtidig non-invasiv oppkjøpet av nevral aktivitet, muskel aktivitet, og hele kroppen kinematikk under ulike bevegelsesmønstrene oppgaver og betingelser.
Abstract
Nyere studier støtter involvering av supraspinal nettverk i kontroll av bipedal menneskelig gange. En del av dette bevis omfatter studier, inkludert våre tidligere arbeid, viser at ganglag kinematikk og lem koordinering under tredemølle walking kan utledes fra hodebunnen electroencephalogram (EEG) med rimelig høye dekoding nøyaktighet. Disse resultatene gir drivkraft for utvikling av ikke-invasiv hjerne-maskin-grensesnitt (BMI) systemer for bruk i restaurering og / eller styrking av gangart-en primære målet for rehabilitering forskning. Hittil har studier undersøke EEG dekoding av aktivitet under gangart vært begrenset til tredemøllen gå i et kontrollert miljø. Men for å være praktisk talt levedyktig en BMI-systemet må være aktuelt for bruk i dagligdagse bevegelsesapparatet oppgaver som over grunn gåing og snu. Her presenterer vi en ny protokoll for non-invasiv samling av hjernens aktivitet (EEG), muskelaktivitet (elektromyografi (EMG)), og enge-kroppen kinematiske data (hode, overkropp, og lem baner) under både tredemølle og over bakken walking oppgaver. Ved å samle disse dataene i ukontrollerte omgivelser innsikt kan oppnås med hensyn til muligheten for dekoding ubegrenset gangart og overflate EMG fra hodebunnen EEG.
Introduction
Denne protokollen bruker tre datainnsamling systemer for å samtidig spille EEG, EMG, og hele kroppen kinematikk (figur 1, tabell 1). EEG-data er samlet trådløst fra 64 kanaler på en samplingsfrekvens på 1000 Hz, mens fagene gå. Elektromyografi (EMG) er samlet på 1000 Hz fra overflaten elektroder plassert bilateralt på fire muskelgrupper: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF), og vastus lateralis (VL). Kinematiske data er samlet på 128 Hz fra 11 trådløse sensorer montert på hodet, overkroppen, lumbar regionen, armer, lår, Shanks, og føtter til å ta opp bevegelse under gange. Hver sensor inneholder en triaxial magnetometer, triaxial gyroskop, og triaxial akselerometer (dvs. en MARG sensor).
Data ble samlet inn fra hvert system og synkronisert i tid med en enkelt vert PC. Synkronisering gjøres ved hjelp av en trigger signal som sendes over en sammenhengende serial kommunikasjon lenke åpnes ved alle tre datasystemer samtidig. Utløseren ble gjennomført som en enkel trykknapp. Når knappen trykkes en trigger signal (1) blir sendt til verts-PC, mens en null signal (0) sendes når den ikke er trykket. Ved å trykke på utløserknappen utløser også en 0,5 sek tone brukes som en lyd kø for faget, som beskrevet i protokollen under. Fem par infrarøde (IR) avstandssensorer ble fabrikkert for bruk som plassering utløser under over grunn går eksperimentene som er beskrevet nedenfor. Når IR-signalet blir avbrutt en trigger signal (1) blir sendt til verts-PC via det serielle grensesnittet via en radiofrekvens (RF) forbindelse med manuell utløser boksen.
En tilpasset C + +-programmet, utnytte software development kit (SDK) som leveres av hvert system, ble utviklet for å registrere og synkronisere data. Koden benytter en multi-threading teknikk; funksjoner for lagring av data fra hvert system (EEG, EMG, og Margs) finnes i individual tråder. Programvaren algoritmen er vist i figur 2.. Datainnsamlingen starter når programmet kjøres, og slutter når den "q"-tasten trykkes. Fem tråder er aktivert ved søknad utførelse. En tråd (figur 2) overvåker verdien (0 eller 1) av utløsersignalet fra den serielle forbindelsen. Initial trigger verdien er null. Når en trigger er mottatt (dvs. når du trykker på knappen eller siktlinje mellom IR sensor pair er ødelagt) de globale utløse variablene er satt til 1. Disse variablene forblir en før de er nullstilt innenfor datainnsamling tråder.
EEG tråden tilgang eksternt hodebunnen EEG-data i sanntid ved hjelp av TCP / IP-protokollen. Dataene er skrevet til en tekstfil linje for linje ved den tilsvarende samplingsfrekvens (1000 Hz). Den globale EEG trigger signal er skrevet til den første kolonnen, mens søyler 2-65 er de 64 EEG-kanaler. Hvis den globale EEG utløsersignal var 1, er det tilbakestilt til null. Dataskriving fortsetter til EEG tråden er avsluttet. To uavhengige tråder posten MARG sensordata. To tråder er nødvendig fordi de 11 trådløse Marg sensorer overføre data ved hjelp av produsentens programvare i robust streaming modus, som buffere data om de enkelte sensorer for å forhindre tap av data i tilfelle trådløse problemer. Dette buffering degraderer sanntid dataoverføring: hvis en sensor er i stand til å overføre data for en gitt prøve alle 11 sensorer beholde det tidspunktet i buffer deres og overføre den til neste tilgjengelige prøvepunkt. MARG trådløs dataoverføring etterslep uunngåelig bak EEG, og dermed Marg sensorer trenger tid til å avlaste bufrede data til verts-PC etter datainnsamling er stoppet. For å overvinne dette problemet, er to tråder anvendes i den MARG datainnsamling algoritme (figur 2). Den første tråden fyller en MARG trigger buffer fra den globale MARG trigger variabel ved sensoren sampling frekvens (128 Hz), mens EEG tråden er å samledata. Når datainnsamlingen slutter å skrive til avtrekkeren buffer opphører også. Den MARG tråd (figur 2) utnytter funksjonene fra sensoren SDK til å motta data fra sensorene og skrive det i en fil på samme måte som de EEG-data. Det vil si, den første kolonnen verdien av den globale MARG avtrekkeren (oppnådd fra MARG trigger-buffer), og de følgende 99 kolonnene er verdiene fra de 11 Marg sensorer (9 sensorer pr MARG enhet). Den MARG tråden skriver data til den tid-indeksen av den MARG trigger-buffer er lik den sist tidsindeks av EEG data på hvilket punkt tråden kjøring avsluttes.
I motsetning til EEG og MARG data, er EMG data registreres ikke trådløst. I stedet blir EMG data lagret på et SD-kort i datalogging enhet. Et signal sendes via Bluetooth til å starte og stoppe data skriving til SD-kortet. Skrive begynner når den første manuelle utløseren er mottatt av EEG tråden. Dataskriving stopper med EEGtråden når "q"-knappen trykkes.
Følgende protokoll ble undersøkt og godkjent av Institutional Review Board ved University of Houston. Alle forsøkspersonene mottatt, lest, og signerte en samtykkeerklæring før deltakelse.
Protocol
En. Subject Forberedelse
- Måle motivets høyde, vekt, og spille inn sin alder.
- Vurdere fagets foretrukne tredemølle hastighet ved å ha dem selv justere tredemølle hastighet til komfortabel.
- Ved hjelp av en tusj, markere toppunktet på hodet som midtpunktet mellom Pannetøtten og inion av faget. I tillegg markerer 10% av Pannetøtten til inion avstand som en referanse for å justere hetten.
2. Hodebunnen Electroencephalography (EEG)
- Fest EEG elektroder som angitt av 10-20 internasjonale systemet bruker en EEG cap montert på faget som i 12.. Hetten sikrer riktig plassering av elektrodene i hodebunnen.
- Plasser EEG cap på emnet ved å samkjøre 10% mark fra trinn 1.3 på midtpunktet av de FP1 og Fp2 elektrodene og Cz elektroden med den markerte toppunktet. Flere detaljer for plassering av hetten er funnet hos 12. Sekurere hetten ved å stroppe under haken.
- Koble EEG elektroder til EEG kontrollboksen. Starter med bakken og referanse elektroder, bruk en liten sprøyte for å injisere elektrolytt gel i hver elektrode til impedans på hver tiltak under 25 kohm som indikert av elektroden LED snu grønne. Nærmere om EEG elektrode forberedelse er tilgjengelig i 12,13.
- Koble EEG elektroder til det trådløse EEG senderen. Fest senderen til faget på en borrelås plassert rundt skuldrene og koble den trådløse EEG mottakeren til to 32 kanals forsterkere.
- Koble forsterkere til verts-PC via en USB-port ved hjelp av en fiberoptisk til USB converter.
- Sett EEG kanal oppløsning til 0,1 μV, lav cutoff frekvens til DC, og høy cutoff frekvens til 1000 Hz i EEG datainnsamling programvare.
3. Overflateelektromyografi (EMG)
- Forbered deg på EMG-elektrodeplassering på åtte muskel nettsted: barbere huden, slipes med sandpapir, og rengjør med en isopropanol pad. Plasser elektroder på preparerte områder og koble til EMG data logging enheten. Plasser EMG bakken elektrode på venstre eller høyre håndledd, og koble til datalogging enhet.
4. Motion Capture
- Synkronisere MARG sensorer mens kai i henhold til produsentens instruksjoner.
- Fjern Marg sensorer og sted på motivet med borrelås eller dobbeltsidig tape på steder i Tabell 2.
5. Miljø Forberedelse
- Forbered tredemølle med å tape en diagonal linje (45 ° fra horisontal) på beltet. Plasser en TV-skjerm koblet til et videokamera ca 1 m foran tredemøllen. Tape et stykke papir med en 2 tommers diameter svart sirkel på TV.
- Oppsett walking arena ved å plassere fem sett med IR nærhet sensorer, kjegler, og TV-screen som ligger i figur 3..
6. Tredemølle
- Subject stiger på tredemølle. Fest sikkerhetssele.
- Før datainnsamling, undersøke EEG og EMG-signaler for å verifisere korrekt plassering av elektrodene, tilkobling av elektroder, og dataoverføring.
- Starte datainnsamlingen ved å kjøre C + + konsoll applikasjon. Trykk på manuell utløser knapp for å starte EMG opptak og gi en lyd cue (pip) for å starte eksperimentet.
- Faget forblir i rolig holdning i 30 sek.
- Etter 30 sek presse trigger-knappen for å initiere går, tredemølle er langsomt akselerert til fagets pre-valgt hastighet.
- Faget går i 5 min.
- På slutten av 5 min, trykk utløserknappen for å starte tur til å stå overgang ved sakte stoppe tredemøllen. Etter kommer til en stopp emnet forblir stående i 30 sek. Trykk på 'q' for å stoppe datainnsamlingen tlet eller lagre dataene.
- Gjenta trinn 06.02 til 06.07 for alle tre tredemølle vilkår:
- Tredemølle vandre mens du ser på svart prikk i avstand.
- Tredemølle walking mens observere bevegelse av egne ben på TV-skjermen.
- Tredemølle går mens du bruker video tilbakemeldinger å unngå diagonal linje på tredemølle (for å simulere kognitive belastningen 6).
7. Arena Walking (1)
- Posisjon emne i starten av arenaen går loop (figur 3).
- Starte datainnsamlingen som i 06.02-06.04.
- Trykk på utløserknappen for å starte walking. På den tiden avtrekkeren er gitt, den første retningsbestemt pil (→, ←, eller ↑) vises på skjermen på motsatt side av motivet (figur 3). Hvis → eller ← er observert, faget avslutter inngangen sett kjegler, slår 90 ° i den retningen, fullfører loopen og går tilbake til inngangen kjegler. Dersom & UARr, er observert, fortsetter faget rett ut av opptaksgrunnlaget kjegler og en manuell utløser og retning pilen (→ eller ←) gis når motivet når omtrent to meter før de infrarøde sensorer. Faget går gjennom det første settet med IR-sensorer og deretter gjør tilsvarende 90 ° sving for å fullføre loop, tilbake til inngangen kjegler. (Under gå, følger experimenter motivet på en avstand på ca 3-5 meter med verts-PC på en vogn med hjul for å forbedre trådløse signalet.)
- Temaet fortsetter å gå når han / hun når inngangen kjegler etter å ha fullført en enkelt sløyfe. Sequence 7.3 gjentas med tilfeldig bestilling av piler inntil tre sløyfer er gjennomført for hver innledende pil (→, ←, eller ↑).
- Etter tilfredsstillende tilstand 7.4, skyv den manuelle utløserknappen når motivet når inngangen kjegler for å signalisere overgangen til stående. Subject står stille i 30 sek og deretterdatainnsamlingen avsluttes ved å trykke på "q"-knappen på verts-PC.
8. Arena Walking (2)
- Omorganisere arena gå kurs slik at de fem sett med IR-sensorer er plassert i en halvsirkel foran motivet (figur 4).
- Starte datainnsamlingen som med tidligere studier (7,1-7,2).
- Ligner på Arena Walking jeg, gi en manuell utløser for å starte å gå. På tidspunktet for avtrekkeren, en av fem retningspiler (←, →,
, 
, Eller ↑) vises på skjermen. Hver pil tilsvarer ett sett med IR-sensorer som er plassert rundt arenaen (figur 4). - Faget observerer pilen på skjermen og walks til det tilsvarende sett med IR-sensorer, noe som gjør en U-sving rundt konusen utover sensorer, som er ført gjennom sensorene to ganger (figur 4). Etter at U-sving, går underlagt startpunktet og fortsetter å gå.
- Gjenta sekvensen 08.03 til 08.04, med tilfeldig bestilling av piler, inntil tre sløyfer er gjennomført for hver retningsbestemt pil.
- Etter tilfredsstillende tilstand 8.6, skyv den manuelle utløserknappen når motivet når utgangspunktet for å signalisere overgangen til stående. Komplett datainnsamling som i 7.5.
, 9. Sitte å stå
- Plasser en stol bak motivet og starte datainnsamlingen som i 06.02-06.03. Faget står stille i 15 sekunder i starten av datainnsamlingen.
- Etter 15 sek, trykker du på manuell utløser knappen. Etter å ha hørt cue underlagt overganger fra stand til å sitte holdning, holder sittestilling til neste lyd-signalet (tastetrykk).
- Gjenta 09.02 til 09.03 fram til 10 komplett stand-til-sitte og sitte-til-stå manøvrer er fullført, etter hvor motivet står stille i 15 sek. Deretter avslutte datainnsamlingen ved å trykke 'q' knappen.
- Gjenta stand-til-sitte-protokollen (09.01 til 09.04) for egeninitiert stand til å sitte og sitte-til-stå overgang. Snarere enn å gi faget en trigger til overgangen, har faget starte overføringen eier sin egen inntil 10 av hver manøver er fullført.
10. Gangen Walking
- Posisjon emne og datainnsamling cart i midten av 1/8 th mil, rett gangen. Starte datainnsamlingen som med tredemølle walking eksperimenter (06.02-06.04). Etter den første 30 sek hvileperiode, gi en manuell avtrekker for å initiere vandre.
- Den subject går kontinuerlig i 5 min. Når motivet kommer innenfor 10 meter av gangen enden, han / hun selv initierer en U-sving og fortsetter å gå i motsatt retning.
- Ved slutten av 5 min trykker på den manuelle utløseren for å stoppe vandre. Faget står stille i 30 sekunder mens du ser rett fram. Avslutte datainnsamlingen ved å trykke på "q"-knappen.
- Begynn en andre gangen eksperiment som i 10.1.
- Etter et tilfeldig tidsintervall på walking (20-40 sek), gi en manuell utløser og lyd kø for å få faget stop walking.
- Faget blir stående for kort, tilfeldig varighet (5-15 sek).
- Skyv den manuelle utløserknappen å ha gjenstand CV walking.
- Gjenta trinn 10.05 til 10.07 fram til 10 sykluser av stopp-start er komplett; avslutte datainnsamlingen som i 10.3.
Representative Results
Figur 5 viser 10 sek av tiden låst EEG, MARG, og EMG data registrert under tredemølle walking (Protokoll § 3). Legg merke til at hver MARG senor faktisk registrerer 9 signaler (triaksiale magnetometre, gyroskoper og akselerometre), men bare vertikal akselerasjon vises. Rådata i Figur 5 inneholder gjenstander som må gjøres rede for under forbehandling før analyse og nevrale dekoding. Eksempler på EEG gjenstander i figur 5 omfatter øye blinker tilstede på ca 8,5 sek og lav frekvens bevegelsesartefakt stede hele.
Figur 6 viser en komplett sløyfe (~ 35 sek) på over bakken vandre på arenaen walking (1) protokoll. Kvalitativt data fra arenaen over grunn walking oppgaver inneholder flere gjenstander enn tredemølle walking grunn av den ekstra bevegelse av faget hode og nakke i løpet snu. Ansiktsbehandling og cranial muskelaktivitet er spesig merkbar på tidsmessige elektrodene (kanalene merket FT og T på figur 1) på figur 6.. Legg merke økningen i EMG-signalet aktivitet sammenlignet med tredemølle vandre (figur 5), spesielt i ankelen agonist-antagonist par. Figur 6 viser også arrangementer av suboptimal trådløs EEG datainnsamling som må gjøres rede for under databehandling. Umiddelbart før den 4. trigger, EEG-data viser flate linjer, noe som indikerer en trådløs overføring avbrudd mellom verts-PC og EEG system. Denne delen av data må trimmes fra hele datasettet (EEG, MARG, og EMG).
Figur 7 viser en syklus stand til å sitte og sitte-stå data. Som med andre data, bevegelsesforstyrrelser gjenstander er tilstede i EEG, både under slutten av overgangen og som hodet er steadied som sitter (eller stående) opprettholdes. Ett intervall av gangen walking inkludert stand-til-gå ennd walk-til-stå overgangen er vist i Figur 8. Legg merke til ramping av EMG og akselerasjon data etter lydsignaler for å starte og stoppe å gå. Sammenfallende med denne ramping er utseendet og forsvinningen av bevegelsesartefakt i EEG-data. Figur 8 viser også en suboptimal tilkobling på EEG elektroder PO10 som oppstår ved ca 7 s. Denne atferden er tidvis observert under forsøket og er sannsynligvis på grunn av tap av kontakt mellom EEG elektroden og hodebunnen. Elektrode PO10 må fjernes fra dataanalyse for denne rettssaken. Fordi EEG-data kan observeres i sanntid, og tilkobling av EEG elektroder er bekreftet (protokoll trinn 6.2) før hvert forsøk i protokollen, kan de fattige tilkobling av elektroder utbedres før den neste rettssaken.
| Navn | Selskapet | Antall |
| BrainAmp Amplifier | Brain Products, GmbH | 2 |
| actiCAP EEG cap med 64 elektroder | Brain Products, GmbH | 1 |
| Brainvision FLYTT trådløs EEG system | Brain Products, GmbH | 1 |
| Datalogg MWX8 EMG data oppsamlingsenheten | Biometri, Ltd | 1 |
| SX230 EMG elektroder | Biometri, Ltd | 8 |
| R506 EMG bakkeelektrode | Biometri, Ltd | 1 |
| Opal bevegelse monitor (MARG sensor) | APDM, Inc. | 11 |
| Opal dokkingstasjon for trådløse data streaming | APDM, Inc. | 2 |
| Opal trådløst tilgangspunkt | APDM, Inc. | 2 |
| Velleman, Inc. | 5 | |
| Wixel Programmable USB Wireless Module | Pololu, Inc. | 6 |
Tabell 1. Utstyr.
| Sensor | Beliggenhet |
| Hode | Midten av pannen over øyenbrynene |
| Bagasjerom | Mellom brystmusklene på bunnen av brystbenet |
| Lumbar | Midten av ryggen på minimum lumbar kurve |
| Arm 1 | Laterale siden av armen, proksimalt for håndleddet ~ 10% til albue |
| Lår 1 | Laterale siden av låret, 50% mellom hofte og kne |
| Shank 1 | Laterale siden av skaftet, 75% distal fra kneet |
| Foot 1 | Sentrert på vristen av foten |
| En arm, lår, Shank, og Foot sensorer er plassert bilateralt. | |
Tabell 2. Marg Sensor Locations.
Figur 1. Sagittal (a) og frontal (b) syn på et emne på seg EEG, EMG, og Marg bevegelighetssensorer for datainnsamling. (C) Topografisk representasjon av EEG elektroder steder i hodebunnen, plottet med EEGlab Matlab verktøykasse 14. ( d) Mobile datainnsamling handlevogn inneholder verts-PC, manuell utløser, EMG Bluetooth, MARG trådløse tilgangspunkter, og EEG trådløs mottaker, forsterkere og strømforsyning.d/50602/50602fig1large.jpg "target =" _blank "> Klikk her for å se større figur.
Figur 2. Flytskjema detaljering algoritmen for tilpasset designet, multi-threaded datainnsamling programvare. Klikk her for å se større figur .
Figur 3. Skjematisk (fugleperspektiv) representasjon av arena walking (1) eksperimentell protokoll. En pil (→, ←, eller ↑) er presentert på TV-skjermen når motivet er på slutten av inngangen kjegle s. Hvis høyre (→) eller venstre (←) er presentert, følger motivet den røde eller grønne loop, henholdsvis passerer gjennom fire sett med infrarøde (IR) sensorer (IR1-IR4). Hvis den rette (↑) er presentert, går faget mot skjermen skjerm (blå linje), og en annen pil (→ eller ←) er presentert når motivet er ca 1 meter før de infrarøde sensorer (IR5). Etter passasjen gjennom IR5 sensorsett, fullfører faget sløyfen langs den tilsvarende (rød eller grønn) bane, tilbake til utgangspunktet.
Figur 4. Skjematisk (fugleperspektiv) representasjon av arena walking (2) eksperimentell protokoll. Ved starten av forsøket, én pil (pload/50602/50602larrhighres.jpg "/>, 
, →, ←, eller ↑) er presentert i emnet på skjerm. Basert på pilen mottatt, går emnet direkte i det tilsvarende sett med IR-sensorer, passerer gjennom sensorene, fullfører en U-sving rundt konusen, og går tilbake til utgangspunktet (sløyfen tilsvarer pilen vist ovenfor).
Figur 5. Eksempel på data fra 10 sek av tredemølle walking. Topplate viser 64 kanals rå EEG data med kanalnavn 10-20 internasjonal konvensjon. Midten panelet viser akselerasjonen i vertikal retning fra 11 Marg sensorer. Nedre panel viser 8 kanals rå EMG. Klikk her for å se større figur .
Figur 6. Eksempel på data fra en loop (høyre pil banen, figur 3) for å vandre i arenaen jeg protokollen. EEG, akselerasjon og EMG-data er presentert som i figur 5.. Vertikale svarte striper er plassering av utløsere som mottas av programvaren. Den første trigger er fra manuell trykknapp initiere løkken ved å presentere → pilen. Følgende fire triggere er fra IR-sensorer IR1-IR4 (figur 3) som emne traverser sløyfe.tp_upload/50602/50602fig6large.jpg "target =" _blank "> Klikk her for å se større figur.
Figur 7. Eksempel på data fra stand-til-sitte og sitte-til-stå overgang. EEG, akselerasjon, og EMG data presenteres som i figur 5. Vertikale linjer indikerer manuelle utløsere (og lydsignaler) for å initiere stående og sittende, henholdsvis. Klikk her å se større figur .
Figur 8. Eksempel på data fra gangen walking viser overgangen fra standing å gå og gå til stående. EEG, akselerasjon og EMG data vises som i figur 5. Vertikale linjer indikerer manuelle utløsere og lyd cue å begynne ansd stoppe gange, henholdsvis. Klikk her for å se større figur .
Discussion
Protokollen presenteres her bringer sammen tre datainnsamling systemer å samtidig ta opp hjernens aktivitet, muskel aktivitet, og hele kroppen kinematikk under en rekke lokomotiv oppgaver. Ferdigstillelse av hele protokollen tar omtrent tre timer, inkludert en time av faget forberedelse. Hvert system er montert på, og flytter med, emnet. Derfor er det avgjørende å verifisere tilkoblinger av EEG og EMG elektroder før starten av hver ny rettssak. Dette kan enkelt gjøres ved hjelp av programvarepakkene som tilbys av den respektive produsenten, som gjør at data kan undersøkes i sanntid ved hjelp av grafiske grensesnitt på vertsmaskinen. Datainnsamlingen applikasjonen krever disse programmene til å kjøre, forenkle godkjenningsprosessen. I tillegg må man sørge for at Marg sensorene er robust festet til emnet før hvert forsøk.
EEG og MARG data overføres trådløst over 2.4 til 2.5 GHzspektrum rekkevidde. Fordi mange andre elektroniske enheter bruker dette frekvensbåndet, er det viktig å vurdere muligheten for trådløst grensesnitt i den eksperimentelle miljøet. En kritisk del av datainnsamlingen er line-of-sight synlighet mellom den mobile cart og motivet, noe som gir robusthet til trådløse forstyrrelser. Både EEG trådløs mottaker og Marg tilgangspunkter (figur 1) gir lysdioder for å indikere forbindelse troskap. Verts-PC og trådløse mottakere for EEG og MARG sensorer er plassert på en mobil cart å opprettholde direkte siktlinje og maksimere trådløs dataoverføring som emne gikk over bakken. Vi fant robust datainnsamling ble beste opprettholdes ved å holde den mobile cart innen 5 meter av faget, en avstand som ikke begrenser bevegelser i motivet under noen av oppgavene. The C + +-programmet bruker flere tråder for datainnsamling for å gi robusthet til datatap på grunn av avbrudd av trådløse connection av EEG. Hvis EEG-tilkobling er tapt, Marg og EMG data fortsatt registrert, men ingen EEG-data vil være tilgjengelig for de tidspunkter. De Marg sensorer gir on-enhet bufring som omtalt ovenfor for å forhindre tap av data i tilfelle av trådløs tilkobling, mens EMG data er lagret på et SD-kort innen den mobile data logging enhet.
Et vanlig problem med innsamling av EEG-data under gange er tilstedeværelsen av gjenstand i signalene. Grovt sett kan gjenstander deles inn i to grupper: fysiologiske kilder til gjenstander inkludert blinker, øye bevegelse, ansikts muskel aktivitet, hjertet slår og mekaniske gjenstander som for eksempel bevegelse av elektroder og / eller kabler under eksperimentell protokoll utførelse. Artifact fjerning er et tema av pågående forskning, og omfatter slike teknikker som selvstendig komponent analyse 15,16 og kanal-baserte mal regresjon prosedyrer 17. Artifact minimering og fjerning er et viktig skritt i preprocessing av data for nevrale dekoding av kroppsbevegelser. Oppsettet presenteres her er lik tidligere studier i at EEG elektroder kabler ble buntet i en enkelt kontakt. Resultater fra disse studiene indikerer at mekaniske artefakter som følge av kabel-eller svaie bevegelse ikke spilte en rolle i dekoding av bevegelse fra nevral aktivitet 7,8. Disse resultatene støttes av andre studier som konkluderer med at ganglag relaterte gjenstander var ubetydelig i sakte til moderat gange hastigheter 17. Men måler dette eksperimentet EEG under aktiviteter som krever mer bevegelse av kroppen enn tidligere studier, inkludert sit-til-stå overganger, over bakken går, og slå, og dermed må nøye undersøkelse av de rå EEG-data bli gjennomført for å identifisere potensielle forurensning fra mekaniske gjenstander. Men ennå ikke allment tilgjengelig, kunne disse potensielle problemene løses gjennom integrasjon av nye maskinvaren i gjeldende protokoll. Slik maskinvare incLudes aktive EEG elektroder (brukt i denne protokollen) og fjærbelastede, tørre EEG elektroder, som har potensial til å forbedre hud og elektrode impedans under bevegelse 18. Disse teknologiene blir innlemmet i trådløse EEG-systemer som kan redusere effekten av bevegelsesfeil 19. Integrering av romanen hardware til tross, gir denne protokollen en unik mulighet til å fortsette å utvikle nye algoritmer for bevegelse og EMG artefakt avvisning fordi hvert segment av kroppen har vært instrumentert 16. Vi planlegger å studere tidsserier korrelasjon og frekvens domene sammenheng mellom EEG, EMG, og segment bevegelse for å utvikle robuste artefakt avvisning paradigmer gjeldende til nå tilgjengelige EEG oppsett. Våre dekoding metoder har vist robusthet mot gjenstander 7,8, og disse metodene vil bli undersøkt under de mer komplekse scenarier i denne protokoll.
Funksjoner av innspilte overflatenEMG er avhengig av mange faktorer, og tolkning av overflaten EMG-signaler for studiet av nevrale strategier krever deres vurdering 20.. De strenge prosedyrer for klargjøring av huden og EMG plassering av elektrodene som brukes i denne protokollen ble utviklet for å minimalisere påvirkning av ikke-fysiologiske faktorer på overflaten EMG-signalene. Amplituden og frekvensen til EMG registrert av denne protokoll er relatert til nettet motoraggregatet aktivitet, og derfor opptaket ikke må tolkes som en direkte representasjon av nevral aktivitet av det ønskede muskel. Likevel, nøye vurdering av overflaten EMG-signalet og mer avanserte metoder for å anslå nevrale kjøretur til muskel ved dekomponering av EMG-signalet for å bestemme relative endringer i nevrale aktivering (f.eks ved å identifisere utslipp ganger av motoriske enheter) kan gi verdifull innsikt i muskel aktivering mønstre 20. Dessuten, innen rammen av nevrale dekoding, selv om hjerneaktivitetanskaffet invasively har vist seg å inneholde informasjon om overflate EMG 21, er det for tiden ukjent om hodebunnen EEG kan også brukes til å dekode nedre lem muskelaktivitet under gange, i tillegg til gangart kinematikk. Vi forventer at denne protokollen ville tillate oss å undersøke om redusert romlig oppløsning av ikke-invasive hjernen imaging modaliteter er tilstrekkelig til å isolere nevrale aktiviteten knyttet til individuelle muskler.
Tidligere studier har vist gjennomførbarhet i å utnytte ikke-invasiv EEG å dekode kinematikk under tredemølle walking 7,8 gi drivkraft for utvikling av en hjerne-maskin-grensesnitt (BMI) for å gjenopprette gå med signaler fra hjernen. Tid-domene dekoding metoder basert på amplitude modulasjon av delta-bånd EEG-signaler har også vist seg å ikke være sensitiv til komponenter artifactual 7,8. Likevel, tredemølle Studiene foregår i et kontrollert miljø der brukerens syn og bevegelseer begrenset, og derved begrense forurensning av nevral aktivitet på grunn av ytre stimuli. Gjennom inkorporering av trådløse data logging, gjør denne protokollen samling av synkronisert EEG, EMG, og kinematiske data under en rekke bevegelsesmønstrene oppgaver og miljøer. Integrering av treghet sensorer for bevegelse sporing krever mer beregning og offline behandling for å trekke kinematikk enn en motion capture system, og som følge tiltak inneholder en liten - men akseptabelt - feilmargin som ikke ville være til stede i et kamera basert system 22. Disse håndterbare problemer er en nødvendighet for å etablere en eksperimentell protokoll som muliggjør mobil studie av kognitiv-motor atferd i skiftende miljøer. Som omtalt andre steder 10,11, er et slikt oppsett nesten ubegrenset i de problemstillinger som kan tas opp. Vårt fokus i nær fremtid vil være på spørsmål kritisk til utviklingen av en BMI for rehabilitering av å stå og gå etterhjerneskade og nevropati. En viktig del, som nevnt ovenfor, vil være utvikling av nye strategier for dekoding robuste hjerne-maskingrensesnitt til rehabilitering robot-systemer som kan avvise fysiologiske og mekaniske gjenstander for å gjenopprette bevegelse ved hjelp av signaler målt fra hjernen. For eksempel er den gangen går protokollen utført i et offentlig rom med andre folk til stede under datainnsamlingen, og dermed gir en test seng for utvikling av nevrale dekoding teknikker i det naturlige miljøet. Andre problemstillinger av interesse ved hjelp av denne protokollen omfatter sammenligne rehabilitering robot paradigmer som involverer rytmisk versus ikke-rytmisk gåtrening, og studiet av nevral aktivitet i løpet av funksjonell restitusjon etter skade i akutte og kroniske faser.
Disclosures
Produksjon og publisering gebyr for denne artikkelen er sponset av APDM.
Acknowledgments
Dette arbeidet ble støttet av National Institute of nevrologiske lidelser og hjerneslag (NINDS) gi # R01NS075889-01. Denne forskningen ble støttet delvis av egenutført Research Program av NIH, Clinical Center. Forfatterne takker også Shahriar Iqbal og Yongtian Han for å få hjelp med innsamling av data. Kostnaden for open-access publisering av denne artikkelen ble sponset av 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).
