Abstract
在机器人系统的进步已导致在假肢可以制作多功能运动的上肢。然而，这些复杂的系统，需要上肢截肢者学习复杂的控制方案。人类必须学会通过模仿等学习策略的新的运动的能力。本协议描述的结构化的康复方法，其中包括模仿，重复和强化学习，其目的在于评估，如果这种方法可以提高多功能假肢控制。阿左肘关节以下被截肢，用4年的假体的使用体验，在这种情况下，研究的一部分。所使用的假体是米开朗基罗手转动手腕，及腕屈伸的附加功能，这让手部动作的更多的组合。来自58个参与者的南安普敦手工评估程序得分提高到71以下的系统培训。这表明，IMIT的结构化培训协议通货膨胀，重复和强化可能在学习控制新假手的作用。然而，一个更大的临床研究需要支持这些发现。
Introduction
在截肢者更换手功能是一个艰巨的任务。协调高度熟练的手部动作是不是一种与生俱来的能力，并采取人多年的学习开发的1-5手的创伤性丧失之后，复制这种能力通过人工手段不是一个简单的任务，可能需要一段持续的学习。
假肢的设计和对它们的控制接口的方法都受到快速的技术革新，随着多功能控制以自然的方式的目的。6的这些控制系统的复杂性增加了基本上为截肢者提供更多的功能。为了确保这些系统的精确控制，并减少遗弃的新技术，充分的培训需要建立。这可能是比较成功的，如果它是基于截肢者固有的学习策略。
视力可以勒期间发挥重要作用arning手部动作。行为研究表明，通过观察他人7的动作或使用视觉提示8，身强力壮的人学习，并协调新的动作。通过观察，理解和执行观察到行动的过程中，个人能够模仿他人的行为。具体皮质网络，其可包括一个反射镜-神经元系统（MNS），被认为是背后这种能力，并且可以具有在控制假肢的作用。9-11
仿的作用可能不只是被实际上限制为执行该已看到的动作，但连同MNS，允许尚未被观察到，但由观察者的马达repetoire外推运动的执行。12，模仿可能不一定是一种与生俱来的能力，但运动技能随着时间的推移accruement导致有经验的和复杂的行动。13届观察行动，在只是简单想象他们的rength，已被证明是提高学习新的任务。14因此，模仿可能是一个务实的态度来训练截肢者，有证据表明它的目标指向15的方法，用在康复设定目标对实现有用的假手功能。
康复研究已分别显示视觉线索，如一个假手虚拟模拟中，鼓励被截肢者在康复训练。16此外，当使用时在被锁定的范例进行重复已被证明使上肢假体的快速学习控制。17虽然虚拟模拟已经被证明是同样有效的假肢手使体健，体用户控制肌电设备实时控制，使用标准化成果的措施截肢者18它们的作用尚不明确。最后，如果上肢AMPU协议塔季翁培训存在的，仿的假体控制学习中的作用没有明确讨论。19,20
本研究旨在理解，如果使用仿制的，在重复和强化相结合，对多功能假肢控制的学习产生积极的影响作为一个系统的培训计划的一部分。
这里介绍的是谁被训练使用的多功能假手一经桡动脉截肢的病例报告。参与者此前曾习惯于传统经营肌电假肢。利用视觉线索，无论是在模仿一个健康的示威者，并为简单的计算机视觉反馈的形式，截肢者提高很快处理了他的新设备。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
这项研究进行了按照赫尔辛基宣言，作为经当地研究伦理委员会。该研究在全面详细解释，以参与者启动前，让参与者权衡决定自愿参加研究，证实了他的参与知情，同意书的时间。
注：一个人，年龄27年来，在研究中的一部分。参与者有正常视力，被左低于肘部截肢者，并且是一位经验丰富的用户（4年共假体的使用）。在此之前开始这项研究，他用每天的假体是一个4通道肌电假手与转动手腕，每天12-15小时为15个月。参与者的右手此前被重建手术，但没有其他物理或神经系统受损。
1.研究设计
- 拆分研究了两会：NA39;已经使用，并使用下面的系统培训。
注：这是为了让前，后分别训练检体内的比较。 - 确保这两个会话是至少三个月分开，以便被视为彼此独立。
- 在这两届会议的开始，适合定制的插座和假体的参与者。确保假肢的硬件和控制算法匹配在这个协议中的材料部分详述。确保参与者不能够使用定制的假体在会话之间的间隔时间。
- 根据训练中的朴素会议和本协议的结构化培训会议部分所述的步骤病人。在每届会议开始时，校准假肢的硬件。使用收集的校准数据进行实时控制假肢。
- 一旦朴素会议及结构性培训课程完成后，评估PArticipant的表现用南安普敦手评估程序（SHAP）的测量结果。23用比较参与者的标准假体（无论是培训课程之前获得）的SHAP分数的基准指标。
2.材料
- 适合用定制插座的参与者。根据制造商的说明将市面上购买假体。装备假手与原型组件，使促动腕关节屈曲，后伸和旋转。这使得参与者，以控制手3.5自由度（自由度）（ 表1）。
注意：在这个实验中一个米开朗基罗手（见材料清单）中的使用。能够转动手腕，屈伸其它终端装置，连同标准握功能也将是适当的。 - 使用八个等距周围放置树桩原始信号电极记录EMG信号，和一个板上解码系统在1000赫兹的采样速率和数字化的10位深度。根据供应商的规格电极本身内执行的初始滤波和放大。使用个人计算机（PC）来进行主处理，它与采集硬件通信，并控制通过无线连接的假体。
注：在本研究中的表面肌电信号电极和车载使用的解码系统（AxonBus）来自奥托博克。类似设备的其他制造商也将是适当的。无线连接是通过蓝牙，同样其他方式可以适用。
3.控制算法
- 使用的控制算法，提供了在多个自由度的同时和比例控制假肢21在本研究中使用的算法是一个两阶段的决策模式，使得依赖于上下文的运动估计是可能的。
- 经系统培训，其中包含了所有的控制单自由度的运动，记录来电肌电图（EMG）。
- 在第一阶段中，评估基于从训练数据中的马哈拉诺比斯距离的新计算出的肌电特征向量的预期运动的固有维信息。作出决定用户的意图是否是执行罚款1自由度或粗糙的同时2自由度的运动。
注：一个特征向量 x类的马氏距离我带班的意思是我和协方差矩阵Σi的计算公式为载体μ：
如在Amsuess 等人所描述的，新计算出的特征向量被映射到高维空间和马哈拉诺比斯距离的变换点的任何经训练类点被取为量度新颖性。21所述的经验确定的阈值，以该距离给出了新颖性（2自由度，否则为1自由度）的决定。 - 在第二阶段，基于前决定，使用两个平行的估计1 - 1处理顺序的动作（序列-E）和其它处理同时运动（SIM-E） - 提供假体的控制信号。
注意：SEQ-E是在本质比例估计（即，肌肉收缩的强度），基于共同的空间模式（CSP）21，而SIM-E是一个线性回归，其同时操纵2自由度的手腕。
4.软件框架
注意：在此研究中允许假肢硬件和嵌入式控制算法之间的通信的处理中所使用的软件框架。它还提供了所需的最大化学员培训在视觉上支持性的培训工具。
- 显示均方根电子的平方（RMS）MG信号从8等距地置于电极的肌电振幅的极坐标图作为电极位置的功能的形式收集。这种视觉反馈可轻松监控肌电图在前臂的横向平面的空间分布。使用这样的设置中，每个用户的运动的可由此引起明显的图案 22中的极坐标图，然后可以被保存并用于训练为特定手势的重复性。
注：该框架允许的肌电图数据集合中的标准模式识别方法23对于每个肌电图通道的RMS超过40毫秒的计算方法。
导致观测每个合奏窗口。 - 对于初始校准收集的最大的长期随意收缩（MLVC）每个值拟提出的动议。通过示威的手进行提示参与者同时也让声音和视觉指示，持续5秒所需的运动。
- 校准后，目前的参与者与一组梯形线索。这些力配置文件包含高原定在30％，60％和90％的校准的最大的。
- 在每次试验中，指导参与者通过调节提示运动（ 图1）的力量水平，督导红色指针沿着线索。指针的垂直位置对应于在所有八个通道的求和的RMS值。与高原区间对应的中间3秒设定审判的持续时间5秒。
5.朴素会议
注：在天真的训练结束后，参与者曾在这项研究中所用的假体控制方案中没有现成的经验。
- 不给参加者的任何正式临床训练，但仅指示该残肢，其中一个是静止状态的8动作，将允许在计算机屏幕上的视觉目标的控制。这些任务类似于在经典模式识别用于接近假体控制23，以及用于这些方法在本研究参与者有大约60小时的以往的经验。
- 在屏幕上显示所要求的运动的文本和静态图象而言以下的视觉提示（图1），同时。
- 显示参与者他的肌电图的激活模式，其对应于八种特定和独特极坐标图（ 图2）。
- 使用可听指令，鼓励参与者遵循视觉线索。如果用在结构化的培训课程，这些可听指令必须相同。
- 重复任务的三次不同的手臂部位（放松，达到在前面，到达对面），以增强系统的培训。请记住，有8种不同的动作和三个力水平，一旦所有的手臂位置都包括在内，系统训练输入总计为72个体样本的总和。
- 一旦完成，让参与者有机会练习之前完成SHAP结局评估的实时控制。
- 确保参与者不具有访问定制的假体和控制算法超出天真会议结束。
6.结构化培训课程
- 天真会议三个月后，进行系统的培训会议。
- 结构在下面的顺序步骤（图3）的会话：
- 对于模仿，指导参与者直接模仿所需的8行动的示威者在实时进行（ 表1）。 3秒执行每个动作。
- 对于重复，要求与会者重申，一直被模仿10次的动作，所以30秒执行每个动作。
- 为了增强与计算机SYS统的培训，要求参加者到现在用电脑的视觉反馈搞，这是完全一样的设置为天真的会话。确保在这两个部分之间没有区别。
- 对于假体的控制，要求参与者在完成成果的评估之前练习定制假体的实时控制。
- 在模仿，座位的参加者从示威者45°角，并与示威者的手参与者患侧匹配过程中的所有操作（ 图4）充分和一览无遗提供。从计算机屏幕没有视觉线索应提供给参与者在这个时候。
- 用于重复，在与会者的动作，具有示范观察对应EMG活动如由极座标图的每个运动（图4）表示。一旦验证机已确定该participant也会产生独特的和可重复的肌电激活模式的每一个动作，要求参与者重复30秒的动作没有任何视觉线索。
注：总共有8个独特的行动 - 他们中的七个（腕旋前/旋后，腕屈/伸，手开，重点抓地力和细捏），需要肌肉活化，和第八是没有行动代表一个稳定宽松的状态。 - 经过加固和计算机系统的训练，目前的参与者与视觉的他的八个动作反馈，正是因为主要出现在天真会议上，对应于八个不同的和具体的极坐标图在计算机屏幕上（ 图3）。为了优化性能，要求参与者在观看与录制的动态覆盖实时极坐标图来加强学习，一般2-4尝试每个动作之间执行的操作。一旦有信心，参与者就可以完成那名PERF完全相同的任务 ormed在天真会议。
7.人工控制
- 使用从每个会话的训练数据集来校准和调整假体的实时控制。
- 最初，只有允许参与者通过顺序比例控制， 即，一运动的时间，与设备成比例肌肉收缩的水平的速度，以控制假肢。
- 一旦每个八个操作以可重复和可靠的方式执行的，切换控制方案，以比例和同时控制，允许在一时间手腕的一个以上的运动。
- 有参与者实践简单的任务，如拾取瓶子并铺设在其一侧（2次尝试就足够了）。允许一段时间的休息进行成果评估前。在这项研究中，2小时的休息天真的会议，和24小时的休息结构化会议的情况。
- 评估不仅是使用SHAP，它监视手和上肢功能密切相关的日常生活（一项ADLs）活动的天真和结构化的培训课程全球上肢功能。在SHAP执行的任务包括操纵轻和重的物体，以及ADL的任务，如切削的对象，用小刀或撤消按钮。该SHAP已被证实为病理和假肢手部功能评估。24
注：此测量被选为这项研究的参与者已经定期随访，用他的临床团队这一结果的措施。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
经临床人员8人个月前开始测试时，测得他每天假肢参与者的基线SHAP表现为81。 100一SHAP分数代表身强力壮的手部功能。24与会者的天真会拥有较先进的假肢控制系统中打进了58的整体SHAP得分。然而，3个月后，用与新系统没有进一步交互，除了从结构化训练，参与者达到71 SHAP得分用相同的先进系统 （ 表2）。
当整体SHAP比分被细分为功能配置文件评估，有人指出，参与者已全部官能团（球形，功率，尖，侧和延伸的把握）的表现不错，除了三脚架的把握。然而，最大的观察到的改进是扩展过程中，新的控制方案和提供假体，而他的传统功能人假体没有（ 图5）。这可能也促成了改善球的把握，这是比基线或天真会议系统培训会议结束后更好。除了复杂的ADL动作，其中所涉及的手腕和手的组合动作，如壶和纸箱浇筑采用了先进的假肢系统中执行的结构化训练后最佳。
图用于参与者加固和系统训练视觉线索1。实施例的蓝色目标轮廓代表一定的运动过程中产生的EMG收缩的期望的水平。红色跟踪线代表参与者的努力。 请点击此处查看该网络的放大版本古尔。
图2.为活动的动作的概况，仿任务时提到由参与者产生单个动作来作为极性图，这些过程中的系统的训练进行了加 固，并最终用于控制假手。请注意，休息或没有运动被认为是一个独特的动作，因此不会产生重叠。 请点击此处查看该图的放大版本。
图3.此原理图代表了结构化的培训课程。参加者首先观察和模仿示威者的行动。在观看喜表现为在计算机屏幕上的图形，他重复了学会的动作，没有视觉反馈。该学会的动作是通过匹配的肌肉收缩，以记录EMG模式强化，然后用来训练系统的控制算法，这使得多功能假肢控制。
结构化训练中图4实验装置的参与者有示威者的左手模仿过程中充分和一览无遗。在复读阶段，示威者会发出声音指令，以确保参与者的运动匹配在模仿阶段产生的收缩。最后，在系统的训练，运动用该被显示在计算机屏幕上，以两者的参与者和演示视觉线索增强。
图5.之间的整体SHAP得分的崩溃，基线（BL）的天真会议（NS）和结构化的培训课程（STS）。 请点击此处查看该图的放大版本。
| 假肢功能 | 幻肢运动 |
| 旋前 | 转动手腕向内具有完全放松手指 |
| 旋后 | 手腕向外转用完全放松手指 |
| 屈曲 | 尺侧偏斜 |
| 扩展 | 伸腕 |
| 掌握 | 拇指阿杜ction略微越过向后朝向手背 |
| 细捏 | 拇指反对前三个手指，小指轻微延伸 |
| 手开 | 开放的手，焦点位于中间三位数的延伸 |
| 无动作 | 手和手腕的充分放松 |
表1.所需的修复功能映射到幻肢运动，其参与者是能够可视化，并与他剩下的解剖执行的。
| 抽象对象 | |||||||
| BL | NS | STS | BL | NS | STS | ||
| 光球 | 2.46 | 2.66 | 2.5 重球 | 3.25 | 4.78 | 2.1 | |
| 轻型三脚架 | 2.35 | 3.56 | 2.78 | 重型三脚架 | 2.44 | 3.53 | 2.5 |
| 灯功率 | 2.41 | 3.25 | 2.28 | 重型电力 | 2.41 | 3.22 | 2.72 |
| 光侧* | 4.72 | 2.81 | 4.97 | 重型侧向 | 5.1 | 5.31 | 5.22 |
| 光提示 | 2.25 | 2.88 | 2.53 | 重型提示 | 3.1 | 4.47 | 2.22 |
| 光扩展 | 1.96 | 3.88 | 2.37 | 重型扩展 | 2.9 | 4.88 | 2.59 |
| 日常生活活动 | |||||||
| BL | NS | STS | BL | NS | STS | ||
| 硬币 | 17.81 | 22.25 | 21.53 | 全部罐 | 3.13 | 10.37 | 3.75 |
| 按钮板 | 8.25 | 35.2 | 27.06 | 空天 | 2.53 | 4.15 | 2.82 |
| 切割 | 18.15 | 27.47 | 25.59 | 纸盘提升 | 3.97 | 7.25 | 5.5 |
| 翻页 | 8.18 | 11.97 | 5.19 | 重点 | 4.82 | 9.25 | 6.03 |
| 瓶盖 | 2.93 | 3.3 | 2.38 | 邮编 | 4.83 | 10.59 | 7.31 |
| 壶浇注 | 10.16 | 8.93 | 螺丝刀 | 10.1 | 25.31 | 15.31 | |
| 纸箱浇注 | 11 | 11.35 | 9.72 | 门把手 | 2.24 | 3.53 | 2.75 |
| SHAP得分 | 81 | 58 | 71 | ||||
表2. SHAP结果幼稚会议（NS）的过程中的参与者，其次是结构化的训练（STS）3个月后，相对于他的基线（BL）。*参与者仅落后的光侧向任务中的结构化训练会议相比，天真的会话。总体SHAP得分是满分100。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
我们的研究结果表明了参与这一研究，系统的训练帮助一个单独的会话中改进的多功能假手控制。此处所用的结构化的方案是仿，重复和手部动作的加强件的组合，参与者无法完成与他的传统假手。
虽然参与者的得分更高，他的传统假体在SHAP测试，值得一提的是，他通常穿的设备每天12至15小时之间历时15个月。记录在案的基线SHAP得分，很显然，他已经学会并经过一个很长的学习期已经习惯了他的传统假体。在如此习惯了他的传统假体后，切换到多功能手的困难是在性能的天真会观察到的锐减强调。这是意料之中的，因为证据Šuggests，作为一个单独的学习新的运 动技能，他们开发正在执行的操作的内部模型25时有某种形式的扰动在这个内部模型，例如改变到一个新的假体需要新的控制输入时，后的效果学习需要一定的时间，同时创建一个新的内部模型消散。26然而，结构化训练的一个会话允许参与者超越他一贯的装置中的一些由SHAP测试要求完成的任务，并就整体得分接近该与传统的装置获得的。作为该协议的第6节概述了使用结构化的培训可能是有可能使参与者达到精通控制的关键一步。
学习被截肢者的新任务是由缺少关节周围的神经感受器的，并且其中对位置和运动变化敏感的肌肉复杂。27帖Ë本体感受器使身强力壮的人知道，他们的手是相对于他们的身体没有使用的视线。28当一个肢体丢失，这些本体感受器都将丢失，从而导致视力起到控制更大的作用比在正常情况下。截肢者不仅要重新学习如何控制手部动作，但也有这样做的使用设备，可提供没有反馈比视觉上获得的其他。这使得学习过程更加困难。
因此，使用假体提供任何触觉或本体反馈任何培训策略必须将重点放在视觉反馈。在我们的例子中，我们试图这样做，采用仿所需的动作。仿的复杂性是由神经过程的分布式特性举例说明。29,30独立区域在额叶，颞叶和顶叶被认为是负责感知更为31,32的运动，然后结合此信息到一个合适的运动反应。9,33,34这是可能的参与者发展到成年，并截肢，执行学会手部动作所需要的神经回路之前，期间已经成为明确的界定，以至于自然手运动是快速的和本能。解剖下列截肢的失真可能需要形成新的神经回路，以使他的传统假肢的控制。在SHAP的改善得分后的系统培训会议，认为这些神经回路是足够的延展性，以适应新的假肢控制策略，尽管缺乏经验。
值得一提的是，与会者表示，模仿的行为使他在内部可视化的手部动作，并产生相应的肌肉收缩。他发现这个更直观不是仅匹配了收缩视觉representa系统蒸发散在电脑屏幕上。它也知道，截肢者宁愿从其他假肢用户学习11在本研究中所用的设备和控制算法都是新的。因此没有以往的经验截肢谁可以作为示威。该协议今后的改进将因此受益于一个有经验的截肢者演示的动作被模仿。
尽管这项研究显示系统培训的好处，设计是不足以确定的模仿，重复，加固或三种学习策略的组合是否促成了最终结果的措施。相反，这种情况下，研究为进一步开展工作，研究涉及先进的假肢控制的神经回路的基础。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者宣称没有竞争的经济利益。
Acknowledgments
作者要感谢主席汉斯Oppel和他的假肢奥托博克保健品有限公司的技术人员制造在这项研究中所用的参与者插座。这项研究是由财务欧洲研究委员会（ERC）通过ERC高级资助DEMOVE（267888号），奥地利议会研究和技术开发，和奥地利联邦科学，研究和经济支持。
Materials
| Name | Company | Catalog Number | Comments |
| Michelangelo Hand | Otto Bock Healthcare Products GmbH, A | 8E500=L-M | |
| AxonRotation | Otto Bock Healthcare Products GmbH, A | 9S503 | |
| Wrist Flexor | Otto Bock Healthcare Products GmbH, A | prototype unit | |
| AxonMaster | Otto Bock Healthcare Products GmbH, A | 13E500 | |
| Electrode | Otto Bock Healthcare Products GmbH, A | 13E200=50AC | |
| ScissorFenceElectrodeCarrier | Otto Bock Healthcare Products GmbH, A | prototype unit | |
| Acquisition Software | Otto Bock Healthcare Products GmbH, A | prototype unit | |
| Carbon shaft | Otto Bock Healthcare Products GmbH, A | prototype unit |
References
- Forssberg, H., Eliasson, A. C., Kinoshita, H., Johansson, R. S., Westling, G. Development of human precision grip. I: Basic coordination of force. Experimental Brain Research. 85 (2), 451-457 (1991).
- Forssberg, H., Kinoshita, H., Eliasson, A. C., Johansson, R. S., Westling, G., Gordon, A. M. Development of human precision grip. II. Anticipatory control of isometric forces targeted for object’s weight. Experimental Brain Research. 90 (2), 393-398 (1992).
- Gordon, A. M., Forssberg, H., Johansson, R. S., Eliasson, A. C., Westling, G. Development of human precision grip. III. Integration of visual size cues during the programming of isometric forces. Experimental Brain Research. 90 (2), 399-403 (1992).
- Forssberg, H., Eliasson, A. C., Kinoshita, H., Westling, G., Johansson, R. S. Development of human precision grip. IV. Tactile adaptation of isometric finger forces to the frictional condition. Experimental Brain Research. 104 (2), 323-330 (1995).
- Eliasson, A. C., et al. Development of human precision grip. V. anticipatory and triggered grip actions during sudden loading. Experimental Brain Research. 106 (3), 425-433 (1995).
- Roche, A. D., Rehbaum, H., Farina, D., Aszmann, O. C. Prosthetic Myoelectric Control Strategies A Clinical Perspective. Current Surgery Reports. 2 (44), (2014).
- Buccino, G., et al. Neural circuits underlying imitation learning of hand actions: An event-related fMRI study. Neuron. 42 (2), 323-334 (2004).
- Saunders, J. A., Knill, D. C. Humans use continuous visual feedback from the hand to control fast reaching movements. Experimental Brain Research. 152 (3), 341-352 (2003).
- Rizzolatti, G., Craighero, L. The mirror-neuron system. Annual Review of Neuroscience. 27, 169-192 (2004).
- Maruishi, M., et al. Brain activation during manipulation of the myoelectric prosthetic hand: a functional magnetic resonance imaging study. NeuroImage. 21 (4), 1604-1611 (2004).
- Cusack, W. F., et al. A Neural activation differences in amputees during imitation of intact versus amputee movements. Frontiers in Human Neuroscience. 6 (June), 182 (2012).
- Vogt, S., Buccino, G., Wohlschläger, A. M., Canessa, N., Shah, J. N., Zilles, K., Eickhoff, S. B., Freund, H. J., Rizzolatti, G., Fink, G. R. Prefrontal involvement in imitation learning of hand actions: Effects and expertise. Neuroimage. 37 (4), 1371-1383 (2007).
- Gonzalez-Rosa, J. J., Natali, F., Tettamanti, A., Cursi, M., Velikova, S., Comi, G., Gatti, R., Leocani, L. Action observation and motor imagery in performance of complex movements: Evidence from EEG and kinematics analysis. Behavioural Brain Research. 281, 290-300 (2015).
- Bekkering, H., Wohlschläger, A. M., Gattis, M. Imitation of gestures in children is goal-directed. The Quarterly Journal of Experimental Psychology. 53 (1), 153-164 (2000).
- Catmur, C., Walsh, V., Heyes, C. Associative sequence learning: the role of experience in the development of imitation and the mirror system. Philosophical Transactions of the Royal Society B. 364 (1528), 2369-2380 (2009).
- Resnik, L., Etter, K., Klinger, S. L., Kambe, C. Using virtual reality environment to facilitate training with advanced upper-limb prosthesis. Journal of Rehabilitation Research and Development. 48 (6), 707-718 (2011).
- Bouwsema, H., van der Sluis, C. K., Bongers, R. M. The role of order of practice in learning to handle an upper-limb prosthesis. Archives of Physical Medicine and Rehabilitation. 89 (9), 1759-1764 (2008).
- Bouwsema, H., vander Sluis, C. K., Bongers, R. M. Learning to control opening and closing a myoelectric hand. Archives of Physical Medicine and Rehabilitation. 91 (9), 1442-1446 (2010).
- Simon, A. M., Lock, B. A., Stubblefield, K. A. Patient training for functional use of pattern recognition-controlled prostheses. Journal of Prosthetics and Orthotics JPO. 24 (2), 56-64 (2012).
- Stubblefield, K. A., Miller, L. A., Lipschutz, R. D., Kuiken, T. A. Occupational therapy protocol for amputees with targeted muscle reinnervation. The Journal of Rehabilitation Research and Development. 46 (4), 481 (2009).
- Amsüss, S., Roche, A. D., Göbel, P., Graimann, B., Farina, D., Aszmann, O. C. Regaining high functional, multiple degrees of freedom hand control following bionic reconstruction. , MyoElectric Controls Symposium. (2014).
- Dosen, S., Muller, K. -R., Farina, D. Myoelectric Control of Artificial Limbs—Is There a Need to Change Focus [In the Spotlight]. IEEE Signal Processing Magazine. 29 (5), (2012).
- Amsuess, S., Gobel, P., Graimann, B., Farina, D. A Multi-Class Proportional Myocontrol Algorithm for Upper Limb Prosthesis Control: Validation in Real-Life Scenarios on Amputees. IEEE Transactions on Neural Systems and Rehabilitation Engineering : A Publication of the IEEE Engineering in Medicine and Biology Society. 4320(c), 1-11 (2014).
- Light, C. M., Chappell, P. H., Kyberd, P. J. Establishing a Standardized Clinical Assessment Tool of Pathologic and Prosthetic Hand Function: Normative Data, Reliability, and Validity. Archives of Physical Medicine and Rehabilitation. 83 (6), 776-783 (2002).
- Wolpert, D. M., Ghahramani, Z., Jordan, M. I. An internal model for sensorimotor integration. Science (New York, N.Y). 269 (5232), 1880-1882 (1995).
- Shadmehr, R., Mussa-Ivaldi, F. A. Adaptive representation of dynamics during learning of a motor task. The Journal of Neuroscience the Official Journal of the Society for Neuroscience. 14 (5 Pt 2), (1994).
- Hogervorst, T., Brand, R. A. Mechanoreceptors in joint function. The Journal of Bone and Joint Surgery. American Volume. 80 (9), 1365-1378 (1998).
- Bosco, G., Poppele, R. E. Proprioception from a spinocerebellar perspective. Physiological Reviews. 81 (2), 539-568 (2001).
- Iacoboni, M., Molnar-Szakacs, I., Gallese, V., Buccino, G., Mazziotta, J. C. Grasping the intentions of others with one’s own mirror neuron system. PLoS Biology. 3 (3), 0529-0535 (2005).
- Williams, J. H. G., Whiten, A., Waiter, G. D., Pechey, S., Perrett, D. I. Cortical and subcortical mechanisms at the core of imitation. Social Neuroscience. 2 (1), 66-78 (2007).
- Allison, T., Puce, A., McCarthy, G. Social perception from visual cues: Role of the STS region. Trends in Cognitive Sciences. 4 (7), 267-278 (2000).
- Thompson, J. C., Hardee, J. E., Panayiotou, A., Crewther, D., Puce, A. Common and distinct brain activation to viewing dynamic sequences of face and hand movements. NeuroImage. 37 (3), 966-973 (2007).
- Binkofski, F., et al. A fronto-parietal circuit for object manipulation in man: Evidence from an fMRI-study. European Journal of Neuroscience. 11 (9), 3276-3286 (1999).
- Iacoboni, M. Cortical Mechanisms of Human Imitation. Science. 286 (5449), 2526-2528 (1999).
