Technische Plattform und experimentelles Protokoll für Entwurf und Evaluation eines Neural-kontrollierten Powered Oberschenkelprothese

Summary

Neural-Maschine-Schnittstellen (NMI) wurden entwickelt, um Bewegungsmodus des Benutzers zu identifizieren. Diese NMI sind potentiell nützlich für neuronale Steuerung von Geräten und künstlichen Beinen, aber noch nicht vollständig nachgewiesen. Dieses Papier präsentiert (1) unsere Engineering-Plattform entwickelt, für die einfache Implementierung und Entwicklung von neuronalen Steuerung für Motorbeinprothesen und (2) einem Versuchsaufbau und Protokoll in einer Laborumgebung zu neural gesteuerte künstliche Beine auf Patienten mit Amputationen der unteren Extremitäten sicher beurteilen und effizient.

Abstract

Um eine intuitive Bedienung von Geräten und künstlichen Beine zu ermöglichen, wird eine Schnittstelle zwischen Anwender und Prothese, die Bewegung der Absicht des Benutzers erkennen kann, gewünscht. Eine neuartige neuronale-Maschine-Schnittstelle (NMI), basierend auf neuromuskuläre mechanischen Fusion in unserer früheren Studie entwickelt hat ein großes Potenzial, um die beabsichtigte Bewegung der Oberschenkelamputierte genau zu identifizieren, demonstriert. Doch diese Schnittstelle noch nicht mit einer angetriebenen Beinprothese für echte neuronale Steuerung integriert. Ziel dieser Studie war zu berichten, (1) eine flexible Plattform zu implementieren und zu optimieren neuronalen Steuerung von Geräten und Unterschenkelprothese und (2) ein Versuchsaufbau und-Protokoll, um neuronale Prothese Kontrolle bei Patienten mit Amputationen der unteren Extremitäten beurteilen. Zunächst wird eine Plattform auf der Basis eines PC und einer visuellen Programmierumgebung entwickelt wurden, um die Prothese Regelalgorithmen, einschließlich NMI Trainingsalgorithmus, NMI Online-Test-Algorithmus und Eigenkontrollalgorithmus zu implementieren. Um zu demonstrieren, dieFunktion der Plattform, die in dieser Studie das NMI auf der Grundlage neuromuskuläre mechanischen Fusion wurde hierarchisch mit intrinsischer Kontrolle eines prototypischen Oberschenkelprothese integriert. Ein Patient mit einer einseitigen Oberschenkelamputation wurde rekrutiert, um unsere implementiert neuronalen Steuerung auswerten bei der Durchführung von Aktivitäten, wie Stehen, Level-Boden-Gehen, Rampe Aufstieg, Abstieg und Rampe kontinuierlich im Labor. Eine neuartige Versuchsaufbau und Protokoll wurden, um die neue Prothesensteuerung sicher und effizient zu testen, entwickelt. Die vorgestellte Proof-of-Concept-Plattform und Versuchsaufbau und Protokoll könnte die zukünftige Entwicklung und Anwendung von neural-gesteuerte Stromversorgung künstlichen Beine zu helfen.

Introduction

Powered Beinprothesen haben zunehmende Aufmerksamkeit sowohl in der kommerziellen Markt-und Forschungsgemeinschaft ^{1,2 3-5} gewonnen. Im Vergleich zu herkömmlichen passiven Beinprothesen, motorisierte Gelenkprothesen haben den Vorteil, dass der unteren Gliedmaßen Amputierte, effizienter zu Aktivitäten, die schwierig oder unmöglich sind, wenn das Tragen passiven Geräten durchzuführen. , Derzeit ist jedoch glatte und nahtlose Übergang Aktivität (zB von Level-Boden Fuß zu Treppen Aufstieg) immer noch ein schwieriges Thema für angetriebene Beinprothese Nutzer. Diese Schwierigkeit ist vor allem aufgrund des Fehlens einer Anwender-Maschine-Schnittstelle, "lesen" kann die Bewegung der Absicht des Benutzers und stellen Prothese Steuerparameter, um den Benutzern zu ermöglichen, nahtlos den Aktivitätsmodus sofort.

Um diesen Herausforderungen zu begegnen, sind verschiedene Ansätze in der Gestaltung der Benutzer-Maschine-Schnittstelle erforscht. Wobei NMI basierend auf Elektromyographie (EMG-Signale) hat ein großes Potenzial zur intuitiven Steuerung von Geräten und Beinprothesen ermöglichen demonstriert. Zwei aktuelle Studien berichteten ^6,7 Decodierung der beabsichtigten Bewegung des fehlenden Knie des Oberschenkelamputierte durch die Überwachung der EMG-Signale von Rest Muskeln während einer sitzenden Position aufgezeichnet. Au et al. ⁵ verwendeten EMG-Signale gemessen von Rest Schaft Muskeln zu zwei Fortbewegungsarten (Niveau-Boden-Gehen und Treppensteigen) von einem Unterschenkelamputierten zu identifizieren. Huang et al. ⁸ schlug eine phasenabhängige EMG Mustererkennung Ansatz, der sieben Tätigkeitsarten mit etwa 90% Genauigkeit erkennen kann als auf zwei Oberschenkelamputierte demonstriert. Um die Intent-Erkennungsleistung besser zu verbessern, wurde ein NMI basierend auf neuromuskuläre mechanischen Fusion in unserer Gruppe ⁹ konzipiert und online auf Oberschenkelamputierte tragen passive Beinprothesen für Vorsatz Anerkennung ^10,11 bewertet. Das NMI eindeutig identifizieren kanngeplanten Tätigkeiten und des Benutzers Vorhersage der Aktivität Gänge ^9, die möglicherweise nützlich für neuronale Steuerung von Geräten und künstlichen Beinen war.

Die aktuelle Frage, die sich uns, wie wir unsere NMI in die Prothese Kontrollsystem, um eine intuitive Bedienung zu ermöglichen und Prothese zu gewährleisten die Sicherheit des Benutzers zu integrieren. Entwicklungs wahr neural gesteuerte künstliche Beine erfordert eine flexible Plattform im Labor für die einfache Implementierung und Optimierung von Prothesensteueralgorithmen. Daher ist das Ziel dieser Untersuchung, um eine flexible Plattform Technik zum Testen und Optimieren der Prothese Steueralgorithmen in unserem Labor entwickelt melden. Darüber hinaus werden neue Versuchsaufbau und das Protokoll für die Auswertung der neural-gesteuerte Stromversorgung Oberschenkelprothesen bei Patienten mit Amputationen der unteren Extremitäten sicher und effizient präsentiert. Die Plattform und die Versuchsplanung in dieser Studie präsentierten könnte die Zukunft Ent profitierenwicklung der wahren neural-kontrollierte, angetrieben künstlichen Beinen.

Protocol

1. Plattform für die Umsetzung des Neuronale Kontrolle von Powered Oberschenkelprothesen

Ein Engineering-Plattform wurde in dieser Studie zur Durchführung und Bewertung neuronalen Steuerung von Geräten und Beinprothesen entwickelt. Die Hardware enthalten einen Desktop-PC mit 2,8 GHz und 4 GB RAM, ein Multifunktionsdatenerfassungsplatine mit den beiden Analog-Digital-Wandler (ADCs) und Digital-Analog-Wandler (DACs), eine Motorsteuerung, digitale I / Os und eine prototypische angetriebene Oberschenkelprothese in unserer Gruppe ¹² ausgelegt. Die analogen Sensoreingänge wurden zuerst von den ADCs digitalisiert und in die Desktop-PC für die Signalverarbeitung gestreamt. Der DAC für Regelausgang des Gleichstrommotors in Prothese durch eine Motorsteuereinheit anzutreiben. Digital I / Os wurden verwendet, um Aktivieren / Deaktivieren der Motorsteuerung. Die Prothese versorgt wurde dem Desktop-PC angebunden und angetrieben von einem 24-V-Stromversorgung.

Die Software wurde in Ad programmiertntwicklung Umgebung für die virtuelle Instrumentierung auf dem Desktop PC. Die Entwicklungsumgebung wurde auf der virtuellen Instrumentierung, die effektiv kombiniert eine benutzerdefinierte Software-und Hardware-Plattform, die maßgeschneiderte Umsetzung basiert. Durch die Verwendung der Struktur eines graphischen Blockdiagramm, verschiedene modulare Funktionsknoten einfach und effizient durchgeführt und aktualisiert wird. Um die Funktion der Plattform für Online-Steuerung von Geräten und künstlichen Beine zu zeigen, wurde vorläufig entworfen Prothesensteuerung auf dieser Plattform implementiert. Das Steuersystem inklusive eines neuronalen Steuerung und eine Grenz Controller. Das neuronale Steuerung bestand aus unseren früheren NMI entwickelt, basierend auf neuromuskuläre mechanischen Fusion, die Aktivitätsmodus des Benutzers erfasst. Das neuronale Steuerung als High-Level-Regler wurde hierarchisch mit der Eigenkontrolle für Motorsteuerbeinprothese verbunden.

Die Architektur des control-Software auf der Plattform ist in Fig. 1 veranschaulicht das NMI enthält zwei Teile:. offline Trainingsmodul und Online-Test-Modul. Die Offline-Trainingsmodul wurde entwickelt, um Trainingsdaten zu sammeln und bauen die Klassifizierer in NMI. Die gesammelten Mehrkanal-Oberflächen-EMG-Signale und mechanische Messungen wurden zunächst vorverarbeitet und in kontinuierliche Schiebefenster segmentiert. In jedem Fenster, wurden Funktionen, die die Signalmuster charakterisieren extrahiert und dann in einen Merkmalsvektor fusioniert. Der Merkmalsvektor in jedem Fenster wurde mit Aktivität Modi (Klassen) und Phase-Index auf der Grundlage der Durchführung von Aktivitäten der Prothesennutzer und den Staaten der Prothese während der Datensammlung Ausbildung gekennzeichnet. Die markierten Merkmalsvektoren wurden dann verwendet, um eine Phase-abhängige Muster Klassifikator, der mehrere Unter Klassifizierer mit individuell Phasen korreliert enthält bauen. Der Klassifikator erstellt wurde gerettet und eine Online-Test-Modul für den späteren Online-Auswertung übergeben. </ P>

Der Online-Test-Modul wurde verwendet, um Online-Bewegung erkennen Absicht Benutzers und schalten die Aktivität Modi in Eigen Controller. Das Mehrkanal-neuromuskuläre und mechanische Messungen wurden gleichzeitig in den Online-Test-Modul gestreamt und in Merkmalsvektoren umgewandelt. Dann wurden die Merkmalsvektoren in der phasenabhängigen Klassifizierer, die bereits im Offline-Schulungsmodul aufgebaut wurde zugeführt. Basierend auf der aktuellen Phase, in Eigen Controller wurde der entsprechende Unter Klassifikator eingeschaltet und verwendet werden, um die Absicht des Benutzers zu erkennen. Die Klassifizierung Ausgabe wurde weiter nachbearbeitet und Eigen Controller gesendet, um die Aktivität wechseln.

Ein endlicher Automat (FSM) auf Basis Impedanzsteuerung wurde für die Eigenkontrolle von Geräten und künstlichen Beine implementiert. Die Impedanzsteuerung erzeugte Soll-Drehmomentausgabe der Kniegelenke. Die endlichen Automaten angepasst die gemeinsame Impedanz nachder aktuelle Stand der Durchführung der Aktivität. Für die Fortbewegung Aktivitäten (dh Niveau-Boden-Gehen und Rampe Aufstieg / Abstieg), bestand aus fünf Staaten entsprechend fünf Gangphasen die FSM: Flexionswiderstand (STF), Haltung Erweiterung (STE), Pre-Schaukel (PSW), schwenken Flexion ( SWF), und Swing-Erweiterung (SWE); für statische stehend, enthalten die FSM zwei Phasen: Gewichtsbelastung (WB) und nicht belasteten (NWB). Die Übergänge zwischen den Staaten wurden von der Bodenreaktionskraft-und Kniegelenk-Position ausgelöst. Der Übergang zwischen den Modi Aktivität wurde durch die Ausgabe von der Online-Testmodul gesteuert. Für alle drei Module oben diskutiert wurden grafische Benutzerschnittstelle (GUI) gebaut, die Experimentatoren im Labor leicht einstellen Regelparameter, Überwachung der Systemleistung und führen Experimente Auswertung erlaubt.

2. Versuchsaufbau

1. Oberflächen Elektromyographie (sEMG)
   Oberflächen-EMG-Signale von der Oberschenkelmuskulatur des Amputierten subjectR17; s Stumpf werden mit einem Funk EMG Erfassungssystem aufgezeichnet. Die gezielten Oberschenkelmuskulatur enthalten die Rectus femoris (RF), vastus laeralis (VL), vastus medialis (VM), Bizeps femoris lang (BFL), Sartorius (SAR), semitendinosus (SEM) und Adduktor (ADM). Es ist bemerkenswert, dass gerade gezielt den spezifischen Muskel ist nicht notwendig, weil die verwendete ⁸ Mustererkennungsalgorithmus in NMI sucht Aktivierungsmuster von mehreren Muskeln, um den Aktivitätsmodus zu erkennen. Solange die gemessene neuromuskuläre Steuerinformationen für Hüft-und Kniesteuerung ist ausreichend, Cross-Gespräche unter EMG-Aufnahmen haben wenig Einfluss auf die NMI-Leistung.
   1. Stellen Sie das Thema Hip Flexion / Extension, Hüftadduktion / Entführung, und versuchen, sich zu biegen / erweitern das Kniegelenk amputiert, als er im Stehen ist durchzuführen.
   2. Ungefähre und bestimmen die Lage der Elektrodenplatzierungen durch Muskel Palpation eined Prüfung der EMG-Aufnahmen.
   3. Betten Sie die Elektroden in einem neu gestalteten EMG-Elektroden-Socket-Schnittstelle, wie in Abbildung 2 dargestellt, sowohl für den Komfort des Subjekts und zuverlässige Elektrode-Haut-Kontakt.
2. Mechanische Messungen von Powered Prothese
   Die von einem 6-DOF-Wägezelle aus der Prothesenstange gemessenen mechanischen Bodenreaktionskräfte und Momente werden mit EMG-Signale verschmolzen, um die Bewegung der Absicht der Person zu erkennen. Zusätzlich ist ein Potentiometer im Bereich des Kniegelenks instrumentiert, um das Kniegelenk Winkel zu messen und einen Codierer zu dem Gleichstrommotor verbunden ist, um Kniewinkelgeschwindigkeit zu berechnen. Diese Messungen werden als die Rückmeldungen für die Eigenkontrolle verwendet.
   1. Montieren Sie einen sechs-Grad-Freiheit Lastzelle auf der Prothesenstange.
   2. Ausrichten der X-Achse, Y-Achse und Z-Achse der Wägezelle mit der medio-lateralen Richtung anterior-posterior-Richtung und superoinferior Richtung der Prothese jeweilsly.
3. Labor-Umgebung einrichten
   Um die neuronalen Steuerung von Geräten und künstlichen Beine auf Oberschenkelamputierte zu bewerten, wurde ein Hindernis-Parcours im Labor aufgebaut, wie in Abbildung 3 dargestellt. Die Testumgebung enthielt eine 5-m gerade Gehweg, ein 4-m lange Rampe mit einer Neigung Winkel von 8 º und einem Niveau mit der Rampenplattform sicher befestigt ist. Entlang der Rampe wurden Handläufe installiert, um die Sicherheit der Person zu verbessern. Darüber hinaus wurde ein Deckenschienensystem mit einem Auffanggurt bereitgestellt, um das Thema aus während des Experiments fallen zu schützen.

3. Versuchsprotokoll

Diese Studie wurde mit Zustimmung des Institutional Review Board (IRB) an der Universität von Rhode Island und mit Einwilligung des rekrutiert Thema durchgeführt. Ein männlicher einseitigen Oberschenkelamputierten (Ursache der Amputation: Trauma, Alter: 57 Jahre, Dauer der Amputation: 32 Jahree) in dieser Studie rekrutiert. Das Verhältnis zwischen der Länge des Stumpfes (mit dem distalen Ende des Restgliedes, gemessen von der Sitzbeinhöcker) zu der Länge des nicht beeinträchtigt Seite (zum Oberschenkel Epicondylus gemessen von der Sitzbeinhöcker) betrug 51%. Das Thema trägt eine mikroprozessorgesteuerte Knieprothese durch einen Saug-Suspension-Buchse in seinem täglichen Leben. Vor dem Experiment in dieser Studie erhielten dieses Thema mehrere Trainingseinheiten von einem Physiotherapeuten geleitet, um das Thema auf die angetriebene Gerät anpassen und kalibrieren die gewünschte Impedanz in jedem Aktivitätsmodus zu lassen.

1. Betreff Vorbereitung
   1. Messen des Subjekts Gewicht, Höhe, und notieren Sie seine Geschlecht und Alter.
   2. Stellen Sie das Thema auf seine eigene Kurzschlüsse in einer privaten Vorbereitungsraum gebracht.
   3. Setzen Sie eine Größe ausgestattete Auffanggurt zu dem Thema und es an der Deckenschienensystem.
2. Vorbereitung für die EMG-Aufnahme
   1. Wählen sieben voll aufgeladen drahtlosen EMG-Sensoren und schalten Sie sie ein.
   2. Legen Sie die EMG-Sensoren in der kundenspezifischen Ansaugstutzen an vorbereiteten Standorten. Notieren Sie sich die Auftragsnummer der Sensoren und verbinden sie mit EMG Standorten.
   3. Reinigen Sie die Haut des Subjekts Stumpf mit Isopropyl-Alkohol-Pads.
   4. Assist das Thema Anziehen der Saugstutzen und überprüfen, ob der Sockel ist fest mit Stumpf Person angebracht.
   5. Schalten Sie den Echtzeit-EMG analogen Daten-Streaming-Software.
   6. Stellen Sie das Thema Hip Flexion / Extension, Hüftadduktion / Entführung, und Knie-Flexion / Extension durchführen und prüfen, EMG-Signale an die EMG Elektrodenkontakt-und Datenübertragung zu überprüfen.
3. Ausrichtung und Erst-Kalibrierung von Powered Prothetik Bein
   1. Weisen Sie den Gegenstand in einer stehenden Position bleiben, während Sie eine assis Walker.
   2. Befestigen Sie die angetriebene Prothese am Saugstutzen mit einer Pyramide Anpassungtor. Einstellen einer Solldrehschrauben auf dem Adapter, bis die Position der Prothese geometrisch mit der Buchse ausgerichtet ist. Dieses Verfahren wurde durch ein Orthopädietechniker durchgeführt.
   3. Stellen Sie das Thema, um die Prothese vom Boden heben und Kalibrierung des Lastzelle auf der Prothesenstange.
   4. Weisen Sie das Thema in die Praxis zu Fuß auf verschiedenen Terrains (zB Level-Boden-, Rampen-Aufstieg, Abstieg und Rampe), wenn das Tragen der angetriebenen Beinprothese. Dieses Verfahren wird fortgesetzt, bis das Thema ist sich sicher, in zu Fuß mit dem angetriebenes Gerät und liefert konsistente Gangmuster in jeder Aktivität Leistung.
4. Trainingsdatenerfassung für die Schulung der Klassifizierer in NMI
   1. Weisen Sie den Gegenstand auf der Startposition eines vordefinierten Wanderweg stehen, wie in Abbildung 3 dargestellt.
   2. Schalten Sie die Stromversorgung Prothese und laden Sie die Parameter in die intrinsische Controller.
   3. Führen Sie einen Datensammlung Ausbildung comComputerprogramm und den Eigenkontrolle zu stehen Modus, indem Sie die "Standing"-Taste auf der grafischen Benutzeroberfläche (GUI).
   4. Start der Datenerhebung durch Klicken auf die Schaltfläche "Start Recording" auf GUI. Weisen Sie den Gegenstand in stehender Position für 5 Sekunden zu bleiben.
   5. Weisen Sie das Motiv in seiner / ihrer selbst gewählten bequeme Wandergeschwindigkeit auf über ebenem Boden gehen; in der gleichen Zeit, klicken Sie auf die Schaltfläche "Walking" im GUI vor toe-off der führende Bein des Themas und stellen die Eigenkontrolle auf Ebene Fuß-Boden-Modus.
   6. Wenn das Thema wurde an den Rand der Rampe Aufstieg nähert, klicken Sie auf die Schaltfläche "Ramp Aufstieg" auf der GUI vor der Zehenablösung des Prothesen Bein Schritt auf der Rampe und schalten Sie die Eigenkontrolle zu Aufstiegsmodus Rampe. Zur Sicherheit, dass sich das Motiv ein Geländer beim Gehen auf einer Rampe zu verwenden.
   7. Wenn das Objekt an das Ende der Rampe kommt, klicken Sie auf die Schaltfläche "Walking"wieder, bevor die Ferse des Sprungbeinprothese auf der Ebene Plattform und schalten Sie die Prothese Eigenkontrolle auf Ebene-Boden-Gehen-Modus.
   8. Am Ende der Laufstrecke, weisen Sie den Gegenstand zu stoppen und bleiben in stehender Position. Zur gleichen Zeit, klicken Sie auf die Schaltfläche "Standing" vor dem Doppelstandphase und schalten Sie die Eigenkontrolle zurück zu stehen-Modus.
   9. Nach ca. 5 Sekunden beenden Datenerhebung durch Klicken auf die Taste "Stop". Etiketten gesammelten Daten als "Trainingsdatensatz 1".
   10. Wiederholen Sie den Vorgang, wenn das Thema 3.4.4-3.4.9 Spaziergänge in einer umgekehrten Weg zurück zum Ausgangspunkt; der einzige Unterschied besteht darin, den Eigenkontrolle zur Rampe Abstieg Modus, wenn das Motiv geht auf den nach unten Rampe.
   11. Wiederholen 3.4.4-3.4.10 bis zehn komplette Trainingsdatensätze werden gesammelt. Überprüfen Sie die Signalqualität der gesammelten Trainingsdatensatz.
   12. Lassen Sie das Thema, um eine Ruhezeit nach th habene Datensammlung Sitzung.
   13. Trainieren Sie die Mustererkennung in Klassifizierer NMI über offline Trainingsmodul (Abbildung 1). Verwenden Sie die gesammelten EMG-und mechanische Signale, die Aktivitätsarten (Klassen) während der Trainingsverfahren beschriftet und detektierten Phasen, die phasenabhängige Muster Klassifizierer bauen. Parameter speichern der Klassifizierer automatisch für spätere Online-Test-Session.
5. Online-Prüfung von Neural Powered Kontrolle der Oberschenkelprothese
   1. Weisen Sie den Gegenstand an den Ausgangspunkt der Laufstrecke stehen.
   2. Schalten Sie die Stromversorgung Prothese. Laden Sie den Klassifikator trainiert, um Online-Test-Modul und die Parameter der Eigen Controller.
   3. Weisen Sie den Gegenstand, um die Testversuche in einer stehenden Position zu beginnen, dann kontinuierlich Übergang zu Level-Boden-Walking, Walking Rampe, Niveau-Boden-Gehen, und schließlich zu stoppen und beenden diese Prüfung am Ende des Laufweges. Weisen Sie den unterführen jede Aktivität in einem gemütlichen Tempo. Lassen Ruhezeiten zwischen Studien Müdigkeit zu vermeiden.
   4. Bei jedem Test-Studie zeigen die Aktivität Modi der Prothese und Kniegelenkwinkel Messwerte auf einem TV-Monitor. Speichern Sie alle Messungen und Steuerausgänge für die spätere Auswertung Zweck.
   5. Wiederholen Sie die Schritte, bis 3.5.1-3.5.4 zehn komplette Test-Studien fertig sind.

Representative Results

4a zeigt sieben Kanäle des Oberflächen-EMG-Signale von der Oberschenkelmuskulatur von Stumpf des Patienten gemessen wird, wenn er Hüfte Flexion / Extension durchgeführt, wie in Protokoll 3.2.6 beschrieben. Abbildung 4b zeigt sechs Gangzyklen der EMG-Signale aufgezeichnet, wenn das Thema ging auf ein Niveau-Boden-Wanderweg, während Protokoll 3.3.4. Aus dieser Figur ist ersichtlich, dass die neu gestalteten EMG-Elektroden-Socket-Schnittstelle können gute Qualität von Oberflächen-EMG-Signal Messungen liefern.

Abbildung 5 zeigt, Steuerarten, detektierten Phasen und führte Kniegelenkwinkel von neural-gesteuerte Stromversorgung Oberschenkelprothese in einer repräsentativen Online-Test-Studie. Das Thema wurde aufgefordert, in einer stehenden Position zu beginnen, Übergang zum Niveau-Boden-Gehen, Rampe Aufstieg Niveau-Boden-Gehen, und beenden Sie dann am Ende der Laufstrecke. Das Thema dann auf die ursprüngliche Ausgangspunkt entlang t zurücker umkehren Route. Wie in Abbildung 5 dargestellt, mit der neuronalen Steuerung war die rekrutiert unterliegen der Lage, reibungslos schalten Sie die Stromversorgung Oberschenkelprothese Steuermodus auf der Grundlage seiner beabsichtigte Tätigkeit Modi. Die rot gestrichelten Linie angedeutet unsere definierten kritischen Timing jedes Aktivitätsmodus Übergang. Für Übergang von Stufe-Boden Fuß zu Aufstieg / Abstieg Rampe und vom Stehen zum Gehen, wurde die kritische Timing Beginn der Schwungphase (dh Zehe ab) in den Übergangszeiten; für den Übergang von der Rampe Aufstieg / Abstieg zu Level-Boden-Gehen und zu Fuß zum Stehen, war der kritische Zeitpunkt der Beginn der Gewichtsabnahme (dh Fersenkontakt) auf der Ebene Boden. Etwa 18 Sekunden in dieser repräsentativen Studie, die Prothese nicht richtig geschaltet, Rampe Aufstiegsmodus, wenn das Thema auf der Ebene ging Grund aufgrund der fehlerhaften Erkennung der Absicht des Benutzers von der NMI. Diese Fehler keine signifikante Veränderung der Gehst Kinematik des su entlockenbject und nicht vom Subjekt wahrgenommen. Allerdings haben wir einige Fehler zu beobachten, die Gangstabilität des Subjekts in einigen Testversuchen gestört. Aber keine dieser Fehler verursacht das Thema zu fallen.

Abbildung 1. Die Architektur der Steuerungssoftware auf der Test-Plattform für die Bewertung von Online-neuronale Steuerung eines prototypischen angetriebene Oberschenkelprothese. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

2. A) frontalen und sagittalen Ansicht der sorbehaltlich Tragen der angetriebenen Oberschenkelprothese mit der EMG und mechanischen Messaufbau, b.) Datensammlung Warenkorb mit dem Desktop-PC, WLAN-EMG-Basisstation, Multifunktions-Datenerfassungskarte und Netzteil Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung 3. Experimentelle Hindernis-Parcours in der Laborumgebung aufgebaut.

Abbildung 4. Raw EMG-Signale von der Oberschenkelmuskulatur des Stumpfes Probanden aufgezeichnet, wenn das Motiv (a (B) ging auf einem Niveau-Boden-Wanderweg.

Abbildung 5. Beispiel für Steuerarten, detektierten Phasen, und der daraus resultierenden angetriebene Kniegelenkswinkel von neural-gesteuerte Stromversorgung Oberschenkelprothese in einer repräsentativen Online-Test-Studie. Die rot gestrichelte Linie zeigt den definierten kritischen Timing jedes Aktivitätsmodus Übergang.

Discussion

Ein Engineering-Plattform wurde in dieser Studie die einfache Implementierung, Optimierung und Entwicklung wahr neuronalen Steuerung von Geräten und Prothesen entwickelt. Die gesamte Plattform wurde in einem virtuellen Instrumentierung basierte Entwicklungsumgebung programmiert und auf einem Desktop-PC implementiert. Die Steuersoftware wurde von mehreren unabhängigen und austauschbaren Modulen zusammengesetzt ist, in denen jeweils eine bestimmte Funktion ausgeführt wurde (dh NMI Absicht Erkennung und Eigenkontrolle). Der Vorteil dieses modularen Aufbaus ist, dass jeder Baustein kann leicht ausgetestet werden, geändert und aktualisiert. Außerdem kann das Hinzufügen oder Löschen von Funktionen Ändern der Verbindungen zwischen den Modulen leicht in diesem Computerprogramm durchgeführt werden. Daher kann die Plattform leicht angewendet werden, um andere NMI implementieren, basierend auf verschiedenen neuronalen Steuerungsinformation oder auf der Basis verschiedener Benutzerabsicht Erkennungstechniken. Zum Beispiel, wenn ein EEG-basierten neuronalen-Maschine-Schnittstelle entwickelt, es kann leicht implementiert werdenmentiert auf dieser Plattform durch Modifizieren der Datenerfassungsmodul und Vorsatz Erkennungsmodul; Wenn ein neuronales-Maschine-Schnittstelle auf der Basis eines neuen Vorsatz Decodierungsverfahren entwickelt, kann es durch einfaches Austauschen der Absicht Erkennungsmodul angewendet werden. Es sollte jedoch angemerkt, dass die Software des Engineering-Plattform wurde basierend auf einer hierarchischen Struktur, die eine High-Level-Vorsatz Erkennungsmodul mit einer Low-Level-Steuerung verbunden Prothese ausgebildet sein. Daher kann nur das neuronale-Maschine-Schnittstelle, die zu dekodieren und Ausgangsbewegung kann die Absicht des Benutzers einfach auf dieser Plattform angewendet werden. Zusätzlich ist zu beachten, dass diese Plattform wird nur verwendet, um das Konzept zu beweisen. Sobald der neuronalen Steuerung von Geräten und künstlichen Beine finalisiert wurde, im Wesentlichen die Regler sollte auf einem leistungsfähigen Embedded-Computer-System implementiert und in der Prothese, um die künstlichen Beine praktisch und tragbar für den Einsatz auf täglicher Basis zu machen integriert werden.

Eine Erfahrungrimental Aufbau wurde entwickelt, um die neuronale Steuerung für motorisierte Prothesen bei Patienten mit Oberschenkelamputationen zu testen. Zwei wichtige Aspekte in unserer Einrichtung werden hervorgehoben. Erstens, die Gewährleistung der Sicherheit des rekrutiert Thema notwendig. Dies liegt daran, Fehlklassifikationen in NMI (als ein in 5 gezeigten Beispiel) oder Fehler in Eigenkontrolle kann in der ursprünglich entwickelt Prothesensteuerung auftreten, die zu Fuß die Stabilität der Prothese Benutzers (in dieser Studie beobachtet stören könnten, auch wenn nicht alle die NMI-Fehler stören Fuß Stabilität) zu Stürzen führen und Bedrohung ihrer Sicherheit. Daher wird in unserem Aufbau Handgeländer für unebene Gelände installiert wurden. Zusätzlich wird ein Deckenschienensystem mit einem Auffanggurt wurde gebaut, die die gesamte Versuchsfläche im Labor bedeckt und wurde angelegt, um maximal zu schützen, die Sicherheit der Person. Zweitens ist es wichtig, einen Komfort und zuverlässige EMG-Elektroden-Socket-Schnittstelle zu entwickeln. Einfügen von Sensoren in Prothetic Steckdosen können hohen Druck oder Reibung an bestimmten Regionen der Stümpfe, die zu Fuß und schlechte Gangbild in der Betreffunbehagen führt zu bauen. Ansätze, die den Druck / Reibung zu mindern kann jedoch dazu führen, losen Kontakt zwischen Elektroden und den Stumpf, was laut EMG-Aufnahmen. In dieser Studie haben wir eine neue Elektrode-Socket-Schnittstelle auf Basis von Wireless-EMG-Elektroden, die hohe Qualität in der EMG-Signale für die genaue Absicht Anerkennung (wie in Abbildung 4 dargestellt), enge Buchse Suspension und gute Benutzerkomfort. Obwohl einige Quer Gespräche wurden in ein paar Kanäle beobachtet (dh Kanal 3 und 6 in Abb. 4b), haben sie wenig Einfluss auf die Leistung des NMI. Es ist wegen der Mustererkennungsalgorithmus in NMI ausgelegt sucht Aktivierungsmuster von mehreren Muskeln um das Aktivitätsmodus zu erkennen. Diese Einrichtung kann auch andere Forschung oder klinischen Gruppen, die um die m untersuchen planen profitierenuscle Eigenschaft oder Funktion in Stümpfen von Amputierten der unteren Extremitäten.

Um die neural gesteuerte künstliche Beine effizient zu bewerten, wurden experimentelle Studien entwickelt, um alle untersuchten Aktivitätsarten und Zustandsübergänge enthalten. Es ist bemerkenswert, dass die Gang-und Gleichgewichtstraining der unteren Extremität Amputationen bei der Verwendung angetriebene Prothesen notwendig ist, vor dem Experiment vorgestellt, um das NMI präzise erkennen Aktivitätsmodus des Benutzers zu machen. Das ist, weil die Mustererkennung ist in unserer NMI, die unterschiedliche Aktivitätsmodus durch die Suche der EMG-und mechanische Signale Muster, die im Einklang für ein Aktivitätsmodus unterscheidet sich aber von den anderen Modi ist erkennt eingesetzt. Die Schulungen sicherzustellen, dass Benutzer auf die angetriebene Geräte, die ihre Dynamik neu zu definieren und zu Fuß konsistente Gangbild, wenn die die gleiche Tätigkeit anzupassen. Zusätzlich zu dem gleichen Zweck, die Person sollte Zeit zu Beginn des exp werdeneriment auf die angetriebene Prothese zu gewöhnen und erreichen eine reibungslose und einheitliche Gangmuster.

Schließlich möchten wir betonen, dass die flexible Testplattform, Versuchsaufbau und Versuchsprotokoll in dieser Studie vorgestellt waren nützlich für Labor Entwicklung und Evaluierung der neuronalen Steuerung für Motor künstlichen Beinen. Um sicherzustellen, finalisierte neural gesteuerte künstliche Beine für den täglichen Gebrauch, die Entwicklung von Embedded-Engineering-Plattform und benutzerfreundliche Kalibrierung und Auswertung in realistischen Umgebungen sind in der Zukunft notwendig ist. Zusätzlich ist die neuronale Steuerung in dieser Studie präsentierten vorläufigen und verwendet, um die Funktion der Testplattform und nur experimentelle Design zeigen; es ist nicht die letzte Kontrolle für angetriebene Geräte, da wir nicht Fehler in NMI, die die Gangmuster der unteren Extremität Amputierte, die beseitigt werden sollten stören beobachten. Unsere Plattform berichtet und Bewertung und Setup-Protokoll vorgesehenen convenient Tools zur weiteren Optimierung der neuronalen Steuerung und Eigenkontrolle und entwickeln eine wahre bionische Beinprothese, die von den Benutzern leicht bedient werden können, zuverlässig und intuitiv.

Materials

Name	Company	Catalog Number	Comments
Trigno Wireless EMG Sensors	Delsys, Inc.	7
Trigno Wireless EMG Base Station	Delsys, Inc.	1
Multi-functional DAQ card (PCI-6259)	National Instruments, Inc.	1
Potentiometer (RDC503013A)	ALPS Electric CO., LTD	1
Encoder (MR series)	Maxon Precision Motors, Inc.	1
Motor controller (ADS50/10)	Maxon Precision Motors, Inc.	1
24 V Power Supply (DPP480)	TDK-Lambda Americas, Inc.	1
6 DOF Load Cell (Mini58)	ATI Industrial Automation	1
Ceiling Rail System	RoMedic, Inc.	1
NI LabView 2011	National Instruments, Inc.	1