Summary
Utveckling av en effektiv hjärna-maskin-interface (BMI) för restaurering och rehabilitering av tvåbent förflyttning kräver noggrann avkodning av användarens avsikter. Här presenterar vi ett nytt experimentellt protokoll och datainsamling teknik för samtidig non-invasiv förvärv av neural aktivitet, muskelaktivitet, och hela kroppen kinematik under olika locomotion arbetsuppgifter och villkor.
Abstract
Nya studier stödja deltagande av supraspinala nät i kontroll av tvåbent människa promenader. En del av dessa bevis omfattar studier, inklusive vårt tidigare arbete, vilket visar att gångsvårigheter kinematik och lem samordning under löpband promenader kan härledas från hårbotten elektroencefalogram (EEG) med någorlunda höga avkodning noggrannhet. Dessa resultat ger impulser för utveckling av icke-invasiva brain-machine-interface (BMI) system för användning vid restaurering och / eller förstärkning av gång-ett primärt mål för rehabilitering forskning. Hittills har studier som undersökt EEG avkodning av aktivitet under gång varit begränsad till löpband promenader i en kontrollerad miljö. Men för att vara praktiskt genomförbar ett BMI-systemet skall gälla för användning i vardagliga motoriska uppgifter såsom över marken promenader och svarvning. Här presenterar vi ett nytt protokoll för non-invasiv samling av hjärnans aktivitet (EEG), muskelaktiviteten (elektromyografi (EMG)), och groe-body kinematiska data (huvud, bål och lem banor) under både löpband och över marken promenader arbetsuppgifter. Genom att samla dessa data i okontrollerad miljö insikt kan vinnas om möjligheten att avkoda otvungen gång och ytan EMG från hårbotten EEG.
Introduction
Detta protokoll använder tre system för datainsamling för att samtidigt spela EEG, EMG, och hela kroppen kinematik (Figur 1, Tabell 1). EEG-data samlas in trådlöst från 64 kanaler med en samplingsfrekvens på 1000 Hz medan individer går. Elektromyografi (EMG) samlas vid 1000 Hz från ytelektroder placerade bilateralt på fyra muskelgrupper: tibialis anterior (TA), gastrocnemius (Gast), biceps femoris (BF), och vastus lateralis (VL). Kinematiska data samlas in på 128 Hz från 11 trådlösa sensorer monterade på huvudet, överkropp, ländryggen, armar, lår, skaft och fot för att spela in rörelser under gång. Varje sensor innehåller en treaxlig magnetometer, treaxlig gyroskop, och treaxlig accelerometer (dvs. MARG sensor).
Data samlas in från varje system och synkroniserad i tid med en enda värddator. Synkronisering åstadkommes med användning av en triggsignal sänds över en kontinuerlig serial kommunikationslänk nås av alla tre datasystem samtidigt. Den utlösande genomfördes som en enkel tryckknapp. När knappen trycks in en trigger signal (1) sänds till värddatorn, medan en null signal (0) skickas när ej intryckt. Genom att trycka på avtryckaren knappen också framkallar en 0,5 sek ton användas som ett ljud kö för ämnet, som beskrivs i protokollet nedan. Fem par infraröda (IR) sensorer tillverkades för att användas som plats utlöser under över grund walking experiment som beskrivs nedan. När IR-signalen avbryts en triggsignal (1) sänds till värddatorn via det seriella snittet via en radiofrekvens (RF)-anslutning med den manuella avtryckaren lådan.
En anpassad C + + ansökan, utnyttja Software Development Kit (SDK) som varje system har utvecklats för att spela in och synkronisera data. Koden använder en multi-threading teknik, funktioner för att spara data från varje system (EEG, EMG, och margs) återfinns i individual trådar. Den mjukvarualgoritm visas i figur 2. Datainsamlingen börjar när programmet körs och slutar när "q" trycks. Fem trådar aktiveras efter ansökan exekvering. En gänga (figur 2) övervakar värdet (0 eller 1) av avtryckaren signalen från den seriella anslutningen. Initial trigger värdet är noll. När en utlösare tas emot (dvs när knappen trycks eller siktlinje mellan IR-sensor paret bryts) är den globala utlösande variabler satt till 1. Dessa variabler är 1 tills de återställs inom datainsamling trådar.
Den EEG tråden åtkomst på distans hårbotten EEG-data i realtid med hjälp av TCP / IP-protokollet. Data skrivs till en textfil rad för rad vid motsvarande samplingsfrekvensen (1000 Hz). Den globala EEG utlösarsignal skrivs till den första kolumnen, medan kolumnerna 2-65 är de 64 EEG-kanalerna. Om den globala EEG triggersignalen var 1, är det återställs till noll. Datahandstil fortsätter tills EEG tråden avslutas. Två oberoende trådar rekord MARG sensordata. Två trådar är nödvändiga eftersom de 11 trådlösa marg sensorer sänder data med hjälp av tillverkarens programvara i robust streaming-läge, vilket buffrar data om de enskilda sensorerna för att förhindra förlust av data i händelse av trådlös överföring problem. Denna buffring försämrar realtid dataöverföring: om en sensor är oförmögen att överföra uppgifter för ett givet prov alla 11 sensorer bibehåller denna tidpunkt i sin buffert och överför den till nästa tillgängliga provtagningspunkten. MARG trådlös dataöverföring släpar oundvikligen bakom EEG, alltså Marg sensorer behöver tid för att avlasta buffrade data till värddatorn när datainsamlingen stoppas. Att lösa detta problem används två trådar används i MARG datainsamling algoritm (Figur 2). Den första tråden fyller en MARG trigger buffer från globala MARG trigger variabeln vid sensorn samplingsfrekvens (128 Hz) medan EEG tråden samlardata. När datainsamlingen slutar skriva till trigger buffer också slutar. Den MARG tråden (figur 2) använder funktioner från sensorn SDK för att ta emot data från sensorerna och skriva den till en fil på samma sätt som de EEG-data. Det vill säga, den första kolumnen värdet på den globala MARG avtryckaren (erhållen från MARG trigger buffert) och följande 99 kolumnerna är värdena från 11 Marg sensorer (9 sensorer per MARG enhet). Den MARG tråden skriver data tills tiden index för MARG trigger bufferten är detsamma som det senaste tidsindex av EEG-data vid vilken punkt tråd utförande avslutas.
Till skillnad från de EEG och MARG data, EMG uppgifterna registreras inte trådlöst. Istället EMG data in på ett SD-kort inom dataloggning enheten. En signal skickas via en Bluetooth-anslutning för att starta och stoppa uppgifter skriver till SD-kortet. Skriva börjar när första manuella avtryckaren tas emot av den EEG-tråden. Data skriver slutar med EEGtråd när "q"-knappen trycks.
Följande protokoll har granskats och godkänts av Institutional Review Board vid University of Houston. Alla försökspersoner fick, läsa, och undertecknat ett medgivande före deltagandet.
Protocol
Ett. Ämne Framställning
- Mät patientens längd, vikt, och spela in deras ålder.
- Bedöma patientens föredragna löpband hastighet genom att låta dem själv justera löpband hastighet tills bekväm.
- Med hjälp av en tuschpenna, markera vertex av huvudet som mittpunkten mellan nasion och Inion i ämnet. Dessutom markerar 10% av nasion till Inion avstånd som en referens för att rikta in locket.
2. Scalp elektroencefalografi (EEG)
- Fäst EEG-elektroder som specificerats av 10-20 internationella systemet med hjälp av en EEG lock monterat på den enskilda som i 12. Locket säkerställer korrekt placering av elektroderna i hårbotten.
- Placera EEG locket på motivet genom att rikta den 10%-strecket från steg 1.3 vid mittpunkten av de Fp1 och FP2 elektroder och Cz elektroden med den markerade vertex. Mer detaljer för placering av locket finns i 12. Sebota locket genom band under hakan.
- Anslut EEG-elektroder till EEG styrboxen. Börjar med marken och elektroder referens, använd en liten spruta för att injicera elektrolyt gel i varje elektrod tills impedansen hos åtgärder under 25 kQ som indikeras av elektrod LED bli grönt. Ytterligare detaljer om EEG elektrod beredning finns i 12,13.
- Anslut EEG-elektroder till den trådlösa EEG sändaren. Fäst sändaren på ämnet på ett kardborreband placeras runt axlarna och anslut den trådlösa EEG mottagaren till två 32 kanals förstärkare.
- Anslut förstärkarna till värddatorn via en USB-port med en fiberoptisk till USB-omvandlare.
- Ställ EEG kanal upplösningen till 0,1 μV, låg gränsfrekvens till DC, och hög gränsfrekvens till 1000 Hz i EEG datainsamling programvara.
Tre. Surface Elektromyografi (EMG)
- Förbered för EMG elektrodplacering vid 8 muskel webbplats: shave huden, slipa med sandpapper och rengör med en isopropylalkohol. Placera elektroderna på förberedda platser och ansluta till EMG dataloggning enhet. Placera EMG jordelektrod till vänster eller höger handled, och anslut till dataloggning enhet.
4. Motion Capture
- Synkronisera MARG sensorer när den är dockad i enlighet med tillverkarens anvisningar.
- Ta Marg sensorer och placera i ämnet med kardborreband eller dubbelhäftande tejp på platser i tabell 2.
Fem. Miljö Framställning
- Förbered löpband genom att tejpa en diagonal linje (45 ° från horisontalplanet) på bandet. Placera en tv-monitor ansluten till en videokamera ca 1 m framför löpbandet. Tejpa en bit papper med en 2 tums diameter svart cirkel på tv.
- Setup walking arena genom att placera fem uppsättningar av IR-sensorer, koner och TV screen belägna såsom i figur 3.
6. Löpband
- Ämne stiger på löpband. Fäst säkerhetsselen.
- Före datainsamling, granska EEG och EMG-signaler för att verifiera korrekt elektrod placering, elektrod anslutning och dataöverföring.
- Börja datainsamlingen genom att köra C + + konsol ansökan. Tryck på knappen för manuell trigger push för att initiera EMG inspelning och ger ett ljud cue (pip) för att starta experimentet.
- Ämnet stannar i lugn hållning under 30 sek.
- Efter 30 sek tryck trigger knappen för att starta promenader, löpbandet långsamt accelereras till motivets förvald hastighet.
- Ämnet går i 5 min.
- I slutet av 5 min, tryck avtryckaren för att starta promenad stå övergången genom att långsamt stoppa löpbandet. Efter att ha kommit till ett stopp ämnet förblir stående under 30 sek. Tryck på "q" för att stoppa datainsamlingen trial och spara data.
- Upprepa steg från 6,2 till 6,7 för alla tre löpband villkor:
- Löpband promenader medan du tittar på svart prick i fjärran.
- Löpband promenader under iakttagande rörelse egna ben på TV-skärmen.
- Löpband fots när du använder video feedback undvika diagonal linje på löpbandet (för att simulera kognitiva belastning 6).
7. Arena Vandring (1)
- Placera motivet i början av arenan går slingan (Figur 3).
- Börja datainsamling som på 6,2-6,4.
- Tryck på avtryckaren för att starta promenader. Vid den tidpunkt då avtryckaren ges, den första riktningspil (→, ← eller ↑) visas på skärmen mittemot ämnet (Figur 3). Om → eller ← observeras ämnet lämnar ingången uppsättning kottar, fyller 90 ° i den riktningen, avslutar slingan och återgår till ingången kottar. Om & UARr, observeras, fortsätter ämnet rakt ut i entrén kottar och en manuell trigger och riktning pil (→ eller ←) ges när motivet når ca 2 meter innan de IR-sensorer. Ämnet fortsätter genom den första uppsättningen av IR-sensorer och sedan gör de motsvarande 90 ° sväng för att fullborda slingan, återvänder till ingången konerna. (Under promenader, följer försöksledaren motivet på ett avstånd av cirka 3-5 meter med den mottagande datorn på en hjulförsedd vagn för att förbättra trådlös signalkvalitet.)
- Ämnet fortsätter gå när han / hon når ingången koner efter att ha avslutat en enda slinga. Sekvens 7.3 upprepas med slumpmässig beställning av pilarna tills 3 slingor har avslutats för varje initial pil (→, ← eller ↑).
- Efter tillfredsställande skick 7.4, trycker på den manuella avtryckaren knappen när motivet når ingången kottar att signalera övergång till stående. Angående står stilla i 30 sekunder och sedandatainsamling avslutas genom att trycka på "q"-knappen på värddatorn.
8. Arena Vandring (2)
- Arrangera arena går kursen så att de fem uppsättningar av IR-sensorer är placerade i en halvcirkel framför motivet (Figur 4).
- Börja datainsamling som med de tidigare studierna (7,1-7,2).
- Liknar Arena Walking jag, ger en manuell avtryckare för att initiera promenader. Vid tidpunkten för avtryckaren, en av fem pilarna (←, →,
, 
, Eller ↑) visas på skärmen. Varje pil motsvarar en uppsättning IR-sensorer, som är placerade runt arenan (Figur 4). - Ämnet observerar pilen på skärmen och waLKS till motsvarande uppsättning av IR-sensorer, gör en U-sväng runt konen bortom sensorer, passerar sensorerna två gånger (Figur 4). Efter att ha gjort en U-sväng, återgår ärendet till startpunkten och fortsätter gå.
- Upprepa sekvensen 8,3-8,4, med slumpmässig beställning av pilar, tills 3 slingor har avslutats för varje pil.
- Efter tillfredsställande skick 8.6, trycker på den manuella avtryckaren knappen när motivet når startpunkten för att signalera övergång till stående. Komplett datainsamling som i 7,5.
, 9. Sitt till Stand
- Placera en stol bakom motivet och påbörja datainsamling som på 6,2-6,3. Ämnet står stilla i 15 sekunder i början av datainsamlingen.
- Efter 15 sekunder, trycker du på den manuella avtryckaren knappen. Efter att ha hört övergångar cue föremål från stand att sitta hållning, hålla sittställning tills nästa audio cue (knapptryck).
- Upprepa 9.2-9.3 tills 10 kompletta stand-till-sitta och sitta-på-stå manövrar är klar, varefter motivet står stilla i 15 sek. Sedan avsluta datainsamlingen genom att trycka på "q"-knappen.
- Upprepa stand-till-sit-protokoll (9,1-9,4) för självinitierad stand-till-sitta och sit-to-stand övergången. Hellre än att ge ämnet en trigger för övergången, har motivet initiera överföringen äga sin egen tills 10 på varje manöver är klar.
10. Hall Walking
- Placera motivet och datainsamling varukorg i mitten av 1/8: e mil, rak korridoren. Börja datainsamling som med löpband promenader experimenten (6,2-6,4). Efter den inledande 30 sek viloperiod, ge en manuell avtryckare för att initiera promenader.
- Den subject går kontinuerligt i 5 min. När motivet når inom 10 meter från hallen slutet, han / hon själv initierar en U-sväng och fortsätter gå i motsatt riktning.
- Vid slutet av 5 min trycker på den manuella triggern för att stoppa promenader. Ämnet står stilla i 30 sekunder samtidigt som du tittar rakt fram. Avsluta datainsamlingen genom att trycka på "q"-knappen.
- Börja en andra hall experiment som i 10.1.
- Efter en slumpmässig tidsintervall för promenader (20-40 sek), ger en manuell avtryckare och ljud kö för att få motivet sluta gå.
- Ämnet står kvar för korta, slumpmässig varaktighet (5-15 sek).
- Skjut den manuella avtryckaren för att få motivet återuppta promenader.
- Upprepa steg 10.5-10.7 fram till 10 cykler av stop-start är klar, avsluta datainsamlingen som i 10.3.
Representative Results
Figur 5 visar 10 sek av tiden låst EEG, MARG, och EMG uppgifter som registrerats under löpband promenader (Protocol avsnitt 3). Observera att varje MARG senor faktiskt spelar 9 signaler (triaxiala magnetometrar, gyroskop och accelerometrar) men endast vertikala accelerationen visas. De rådata i figur 5 innehåller artefakter som skall erläggas under förbehandlingen före analys och neural avkodning. Exempel på EEG-artefakter i figur 5 inkluderar öga blinkar närvarande vid ca 8,5 sek och lågfrekvent rörelseartefakt närvarande under hela.
Figur 6 visar en komplett slinga (~ 35 sek) över marken promenader under arenan promenader (1) protokollet. Kvalitativt data från arenan över marken promenader uppgifter innehåller fler artefakter än löpband promenader på grund av den ytterligare rörelse av patientens huvud och hals under svarvning. Den ansikts-och kraniala muskelaktivitet är särbundet märkbar på de temporala elektroderna (kanaler märkta FT och T i figur 1) i figur 6. Notera ökningen i EMG-signal aktivitet jämfört med löpband promenader (Figur 5), särskilt i ankeln agonist-antagonist paret. Figur 6 visar även händelser av suboptimal trådlös EEG datainsamling som måste redovisas under databehandling. Omedelbart före den 4: e utlösa, EEG-data visar platta linjer, vilket indikerar en trådlös överföring avbrott mellan värddatorn och Anläggning. Denna del av uppgifterna måste trimmas från hela datamängden (EEG, MARG, och EMG).
Figur 7 visar ett cykelställ-till-sitta och sitta-stå data. Som med andra uppgifter, rörelseartefakter förekommer i EEG, både under slutet av övergången och när huvudet stabiliserats som sitter (eller stående) bibehålls. Ett intervall av korridoren walking inklusive fot-gå ennd walk-till-stand övergången visas i Figur 8. Notera rampning av EMG och accelerationsuppgifterna efter ljud ledtrådar för att starta och stoppa promenader. Samtidigt med detta ramp är utseendet och försvinnandet av rörelseartefakt i EEG-data. Figur 8 visar också en suboptimal anslutning på EEG elektrod PO10 som inträffar efter cirka 7 sekunder. Detta beteende är ibland observeras under experimentet och beror sannolikt på förlust av kontakt mellan EEG-elektroden och hårbotten. Elektrod PO10 måste avlägsnas från dataanalysen för detta försök. Eftersom EEG-data kan observeras i realtid, samt anslutning av EEG-elektroder är verifierad (protokoll steg 6.2) före varje försök i protokollet, kan de fattiga elektrodanslutning åtgärdas innan nästa försök.
| Namn | Company | Kvantitet |
| BrainAmp Amplifier | Brain Products, GmbH | 2 |
| actiCAP EEG mössa med 64 elektroder | Brain Products, GmbH | 1 |
| Brainvision flytta trådlösa Anläggning | Brain Products, GmbH | 1 |
| Datalog MWX8 EMG datainsamling enhet | Biometrics, Ltd | 1 |
| SX230 EMG elektroder | Biometrics, Ltd | 8 |
| R506 EMG jordelektrod | Biometrics, Ltd | 1 |
| Opal rörelse monitor (MARG sensor) | APDM, Inc. | 11 |
| Opal dockningsstation för trådlösa data streaming | APDM, Inc. | 2 |
| Opal trådlös åtkomstpunkt | APDM, Inc. | 2 |
| Velleman, Inc. | 5 | |
| Wixel Programmerbar USB-modul för trådlöst | Pololu, Inc. | 6 |
Tabell 1. Utrustning.
| Sensor | Plats |
| Head | Center för pannan ovanför ögonbrynen |
| Bagageutrymme | Mellan bröstmusklerna vid basen av bröstbenet |
| Ländryggen | Center of tillbaka på minimum av ryggradens kurva |
| Arm 1 | Laterala sidan av armen, proximal till handleden ~ 10% till armbågen |
| Lår 1 | Laterala sidan av låret, 50% mellan höft och knä |
| Shank en | Laterala sidan av skaftet, 75% distal från knä |
| Fot 1 | Centrerad på vristen av foten |
| 1 Arm, Lår, Shank, och Foot sensorer placeras bilateralt. | |
Tabell 2. Marg Sensor Platser.
Figur 1. Sagittal (a) och främre (b) vy av ett ämne som bär EEG, EMG, och MARG tröghetssensorer för datainsamling. (C) topografiska representation av EEG elektrodplaceringar i hårbotten, ritade med EEGlab Matlab toolbox 14. ( d) Mobil datainsamling varukorg innehåller värddatorn, manuell avtryckare, EMG Bluetooth, MARG trådlösa åtkomstpunkter, och EEG trådlös mottagare, förstärkare och strömförsörjning.d/50602/50602fig1large.jpg "target =" _blank "> Klicka här för att visa en större bild.
Figur 2. Flödesschema algoritmen för färdig konstruerad, flertrådade datainsamling programvara. Klicka här för att visa en större bild .
Figur 3. Schematisk (fågelperspektiv) representation av arenan promenader (1) experimentella protokollet. En pil (→, ← eller ↑) presenteras på bildskärmen när motivet är i slutet av entrén konen s. Om höger (→) eller vänster (←) presenteras, följer motivet den röda eller gröna slingan, respektive, passerar fyra uppsättningar infraröda (IR) sensorer (IR1-IR4). Om raka (↑) presenteras, går du motivet till bildskärm (blå linje), och en andra pil (→ eller ←) presenteras när motivet är ca 1 meter innan IR-sensorer (IR5). Efter att ha passerat genom IR5 sensor set, slutför ämnet slingan längs motsvarande (röd eller grön) väg, tillbaka till startpunkten.
Figur 4. Schematisk (fågelperspektiv) representation av arenan promenader (2) experimentella protokollet. Vid starten av experimentet, en enda pil (pload/50602/50602larrhighres.jpg "/>, 
, →, ← eller ↑) presenteras motivet på bildskärmen. Baserat på pilen mottagits, går ämnet direkt till den motsvarande uppsättning IR-sensorer, passerar genom sensorerna, fullbordar en U-sväng runt könen, och återgår till startpunkten (slinga motsvarande pilen visas ovan).
Figur 5. Exempel på data från 10 sek av löpband promenader. Övre panel visar 64 kanaler råa EEG-data med kanalnamn 10-20 internationell konvention. Middle panelen visar accelerationen i vertikal riktning från 11 MARG sensorer. Undre panel visar 8 kanals rå EMG. Klicka här för att visa en större bild .
Figur 6. Exempel på data från en slinga (högerpil väg, figur 3) av promenader under arenan I protokollet. EEG, acceleration, och EMG data presenteras som i figur 5. Finns plats för triggers som mottagits av programvaran Vertikala svarta ränder. Den första trigger är från den manuella tryckknappen inledande slingan genom att presentera → pilen. Följande fyra triggers är från IR-sensorer IR1-IR4 (Figur 3) som ämnet passerar slingan.tp_upload/50602/50602fig6large.jpg "target =" _blank "> Klicka här för att visa en större bild.
Figur 7. Exempel på data från stand-till-sitta och sit-to-stand övergången. EEG, acceleration och EMG presenteras som i figur 5. Anger manuella triggers (och ljud ledtrådar) att inleda stående och sittande, respektive vertikala staplar. Klicka här att visa en större bild .
Figur 8. Exempel på data från korridoren walking visar övergången från standing till promenader och promenader till stående. EEG, acceleration, och EMG data visas i figur 5. Vertikala staplar indikerar manuella triggers och audio cue att börja ANSD sluta gå, respektive. Klicka här för att visa en större bild .
Discussion
Protokollet presenteras här sammanför tre datainsamlingssystem att samtidigt spela hjärnaktivitet, muskelaktivitet, och hela kroppen kinematik under en mängd olika lok arbetsuppgifter. Slutförande av hela protokollet tar ungefär 3 timmar, inklusive 1 timme av ämnet förberedelser. Varje system är monterat på, och rör sig med, ämnet. Därför är det viktigt att kontrollera anslutningarna för EEG och EMG elektroder före starten av varje ny rättegång. Detta kan enkelt göras med hjälp av de programvaror som tillhandahålls av respektive tillverkare, vilket gör att data kan granskas i realtid med hjälp av grafiska gränssnitt på värddatorn. Datainsamlingen applikationen kräver dessa programpaket vara igång, förenkla kontrollarbetet. Dessutom måste man se till att Marg sensorer är robust kopplade till ämnet före varje försök.
EEG och MARG data överförs trådlöst över 2,4-2,5 GHzspektrumområde. Eftersom många andra elektroniska enheter använder detta frekvensband, är det viktigt att överväga möjligheten att trådlöst gränssnitt i experimentell miljö. En kritisk aspekt av datainsamlingen är line-of-sight sikt mellan den mobila vagnen och motivet, vilket ger robusthet till trådlösa störningar. Både EEG trådlösa mottagaren och Marg åtkomstpunkter (figur 1) ger lysdioder som indikerar anslutning trohet. Värden PC och trådlösa mottagare för EEG och MARG sensorer placeras på en mobil vagn att upprätthålla direkt siktlinje och maximera trådlös dataöverföring som ämnet gick över marken. Vi hittade robust datainsamling bäst bibehölls genom att hålla den mobila kundvagnen inom 5 meter från ämnet, ett avstånd som inte begränsar motivrörelse under någon av de uppgifter. Den C + + program använder flera trådar för datainsamling för att ge stabilitet till dataförlust på grund av avbrott i trådlös connection av EEG. Om EEG anslutningen bryts är MARG och EMG uppgifter fortfarande registreras, men inga EEG-data kommer att vara tillgängliga för dessa tidpunkter. De Marg sensorer ger på enheten buffring som diskuterats ovan för att förhindra förlust av data i händelse av trådlös anslutning, medan EMG data lagras på ett SD-kort i den mobila dataloggning enheten.
Ett vanligt problem med insamling av EEG-data under gång är förekomsten av artefakt i signalerna. I stort sett kan artefakter delas in i två grupper: fysiologiska källor artefakter inklusive blinkar, syna rörelse, ansikts muskelaktivitet, hjärta slår och mekaniska artefakter såsom rörelse av elektroder och / eller kablar under experimentprotokoll utförande. Artifact avlägsnande är ett ämne av pågående forskning, och omfattar sådana metoder som oberoende komponent analys 15,16 och kanal-baserad mall förfaranden regression 17. Artifact minimering och borttagning är ett avgörande steg i preprocessing av data för neural avkodning av kroppsrörelse. Upplägget presenteras här liknar tidigare studier i att EEG elektrodkablarna var paketerade i en enda kontakt. Resultaten från dessa studier tyder på att mekaniska artefakter på grund av kabel gungning eller rörelse inte spela en roll i avkodning av rörelse från neural aktivitet 7,8. Dessa resultat stöds av andra studier som drar slutsatsen att gångsvårigheter relaterade artefakter var obetydlig i långsam till måttlig gånghastigheter 17. Dock mäter detta experiment EEG under aktiviteter som kräver mer rörelse i kroppen än tidigare studier, inklusive sit-to-stand övergångar, över marken promenader och svarvning, och därmed måste en noggrann undersökning av de råa EEG-data göras för att identifiera potentiella förorening från mekaniska artefakter. Fast ännu inte allmänt tillgängliga, kan dessa potentiella problem lösas genom integrering av ny hårdvara i det nuvarande protokollet. Sådan maskinvara incLudes aktiva EEG-elektroder (används i detta protokoll) och fjäderbelastade, torra EEG-elektroder, som har potential att förbättra hudens-elektrod kontakt impedans under rörelse 18. Dessa tekniker håller på att införlivas i trådlösa EEG-system som kan minska effekten av rörelseartefakter 19. Integration av nya hårdvara trots ger detta protokoll en unik möjlighet att fortsätta att utveckla nya algoritmer för rörelse-och EMG artefakt avvisande eftersom varje segment av kroppen har varit instrumenterad 16. Vi planerar att studera tidsserier korrelation och frekvensdomänen samstämmighet mellan EEG, EMG, och segment rörelse att utveckla robusta paradigm artefakter som gäller för närvarande tillgängliga EEG inställningar. Våra avkodningsmetoder har visat robusthet mot artefakter 7,8, dessa metoder kommer att prövas enligt de mer komplexa scenarier i det nuvarande protokollet.
Dragen av inspelade ytanEMG är beroende av många faktorer, och tolkning av yt-EMG-signaler för att studera neurala strategier kräver deras övervägande 20. De strikta rutiner för hudpreparering och EMG elektrod placering används i detta protokoll var utformade för att minimera inverkan av icke-fysiologiska faktorer på ytan EMG-signalerna. Amplituden och frekvensen av EMG registreras av detta protokoll är relaterade till nätet motorenheten aktivitet, och därmed inspelningen inte ska tolkas som en direkt representation av neural aktivitet i den önskade muskeln. Ändå noggrant övervägande av ytan EMG-signalen och mer avancerade metoder för att uppskatta neural köra till muskel genom sönderdelning av EMG-signalen för att bestämma relativa förändringar i neural aktivering (t.ex. genom att identifiera ansvarsfrihet tider av motoriska enheter) kan ge en värdefull inblick i mönster muskelaktivering 20. Dessutom, inom ramen för neural avkodning, även hjärnaktivitetförvärvat invasivt har visat sig innehålla uppgifter om ytan EMG 21, är det för närvarande okänt om hårbotten EEG också kan användas för att avkoda lägre aktivitet lem muskler under promenader förutom gång-kinematik. Vi förväntar oss att detta protokoll gör det möjligt för oss att undersöka om den reducerade rumsliga upplösningen av icke-invasiva metoder hjärnavbildning är tillräcklig för att isolera neural aktivitet i enskilda muskler.
Tidigare studier har visat genomförbarheten i att utnyttja icke-invasiv EEG att avkoda kinematik under löpband promenader 7,8 ger impulser för utveckling av en hjärna maskin-gränssnitt (BMI) för att återställa promenader med hjälp av signaler från hjärnan. Time-domain avkodningsmetoder baserade på amplitudmodulering av delta-band EEG-signaler har också visat sig vara okänsligt för artefaktuella komponenter 7,8. Ändå löpband studier äger rum i en kontrollerad miljö under vilken användarens vision och rörelseär begränsad, vilket begränsar förorening av neural aktivitet på grund av yttre stimuli. Genom införandet av trådlös datainsamling, ger detta protokoll samling synkroniserade EEG, EMG, och kinematiska data under en variation av locomotion arbetsuppgifter och miljöer. Integrering av tröghetssensorer för motion tracking kräver mer beräkning och offline behandling för att extrahera kinematik än en motion capture-system, och resulterande åtgärder innehåller en liten - men acceptabelt - felmarginal som inte skulle finnas i en kamera baserad systemet 22. Dessa hanterbara svårigheter är en nödvändighet för att skapa ett experimentellt protokoll som möjliggör mobilt studie av kognitiv-motorik i föränderliga miljöer. Som diskuterats på andra ställen 10,11, är en sådan inställning nästan obegränsade i forskningsfrågor som kan behandlas. Vårt fokus under den närmaste framtiden kommer att ligga på frågor som är avgörande för utvecklingen av ett BMI för rehabilitering av stående och gående efterhjärnskada och neuropati. En viktig komponent, som nämnts ovan, kommer att vara utveckling av nya robusta avkodning strategier för brain-maskin gränssnitt till rehabilitering robotsystem som kan avvisa fysiologiska och mekaniska artefakter att återställa rörelse med hjälp av signaler mätt från hjärnan. Till exempel är hallen går protokoll utförs i ett offentligt rum med andra personer närvarande under datainsamlingen, och därmed ger en testplattform för utveckling av neurala avkodningstekniker i naturmiljön. Andra frågeställningar av intresse med detta protokoll är att jämföra rehabilitering robotliknande paradigm där rytmiska kontra icke-rytmisk gångträning, och studier av neural aktivitet under funktionell återhämtning efter skada vid både akuta och kroniska faser.
Disclosures
Produktion och publicering avgifter för den här artikeln var sponsrad av APDM.
Acknowledgments
Detta arbete stöddes av National Institute of neurologiska sjukdomar och stroke (NINDS) beviljar # R01NS075889-01. Denna forskning stöds delvis av Interna forskningsprogram av NIH, Clinical Center. Författarna tackar också Shahriar Iqbal och Yongtian han för hjälp med datainsamling. Kostnaden för open-access publiceringen av denna artikel var sponsrad 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).
