Engineering Platform and Experimental Protokol for design og evaluering af et neuralt-kontrollerede Powered transfemoral Protese

1Joint Department of Biomedical Engineering, North Carolina State University & University of North Carolina at Chapel Hill, 2Department of Physical Medicine and Rehabilitation, University of North Carolina School of Medicine, 3Atlantic Prosthetics & Orthotics, LLC
Published 7/22/2014
0 Comments
  CITE THIS  SHARE 
Bioengineering

You must be subscribed to JoVE to access this content.

Fill out the form below to receive a free trial:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





By clicking "Submit," you agree to our policies.

 

Summary

Neural-maskine-grænseflader (NMI) er blevet udviklet til at identificere brugerens bevægelse tilstand. Disse NMI'er er potentielt nyttige til neurale kontrol af elektriske kunstige ben, men er ikke blevet fuldt ud påvist. Dette papir præsenteret (1) vores designet engineering platform for nem implementering og udvikling af neural kontrol for drevne benet proteser og (2) en forsøgsopstilling og protokollen i et laboratorium miljø at evaluere neuralt-kontrollerede kunstige ben på patienter med lavere lemmer amputationer sikkert og effektivt.

Cite this Article

Copy Citation

Zhang, F., Liu, M., Harper, S., Lee, M., Huang, H. Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis. J. Vis. Exp. (89), e51059, doi:10.3791/51059 (2014).

Please note that all translations are automatically generated through Google Translate.

Click here for the english version. For other languages click here.

Abstract

For at muliggøre intuitiv betjening af drevne kunstige ben, er en grænseflade mellem bruger og protese, der kan genkende brugerens bevægelser hensigt ønskes. En roman neural-maskine-interface (NMI) baseret på neuromuskulære-mekaniske fusion udviklet i vores tidligere undersøgelse har vist et stort potentiale til præcist at identificere den påtænkte flytning af transfemoral amputerede. Men denne grænseflade endnu ikke blevet integreret med en strøm benprotese for ægte neurale kontrol. Denne undersøgelse havde til formål at rapportere (1) en fleksibel platform at implementere og optimere neurale kontrol af motoriserede underbensprotese og (2) en forsøgsopstilling og protokollen til at evaluere neural protese kontrol på patienter med lavere lemmer amputationer. Først en platform baseret på en pc og en visuel programmering miljø blev udviklet til at gennemføre de protese kontrol algoritmer, herunder NMI uddannelse algoritme, NMI online test algoritme, og iboende kontrol algoritme. For at demonstrerefunktion af denne platform i dette studie, NMI baseret på neuromuskulære-mekanisk fusion blev hierarkisk integreret med iboende kontrol af en prototypisk transfemoral protese. En patient med en ensidig amputation blev rekrutteret til at vurdere vores implementeret neurale controller, når du udfører aktiviteter, såsom stående, niveau jorden gå, rampe opstigning, og rampe afstamning uafbrudt i laboratoriet. En roman forsøgsopstilling og protokol blev udviklet med henblik på at teste den nye protese kontrol sikkert og effektivt. Den præsenterede proof-of-concept-platform og forsøgsopstilling og protokol kunne støtte den fremtidige udvikling og anvendelse af neuralt-kontrollerede drevne kunstige ben.

Introduction

Powered benet proteser har fået stigende opmærksomhed i både kommercielle marked 1,2 og forskningsverdenen 3-5. Sammenlignet med traditionelle passive proteser ben, motoriserede proteser led har den fordel, at benet amputerede til mere effektivt at udføre aktiviteter, der er vanskelige eller umulige, når iført passive enheder. Men i øjeblikket, glat og problemfri aktivitet overgang (fx fra niveau jorden gå til trappe opstigning) stadig er et udfordrende spørgsmål til powered benprotese brugere. Denne vanskelighed er primært på grund af manglen på en brugervenlig maskine, der kan "læse" brugerens bevægelser hensigtserklæringer og straks justere protese kontrol parametre for at gøre det muligt for brugerne at problemfrit skifte aktivitet mode.

For at imødegå disse udfordringer, har forskellige tilgange i at designe bruger-maskine blevet udforsket. Hvori NMI baseret på elektromyografiske (EMG) signaler har vist et stort potentiale for at muliggøre intuitiv kontrol af elektriske benet proteser. To nylige undersøgelser 6,7 rapporteret afkode den tilsigtede bevægelse af den manglende knæ transfemoral amputerede ved overvågning af EMG-signaler optaget fra tilbageværende musklerne under en siddende stilling. Au et al. 5 brugte EMG signaler målt fra resterende skaft muskler til at identificere to bevægelseskomponenter modes (niveau-jord vandre og trappe afstamning) i en transtibial amputeret. Huang et al. 8 foreslået en fase-afhængige EMG mønstergenkendelse tilgang, der kan genkende syv aktivitets tilstande med cirka 90% nøjagtighed, som demonstreres på to transfemoral amputerede. For bedre at forbedre intent-anerkendelse ydeevne blev en NMI baseret på neuromuskulære-mekaniske fusion designet i vores gruppe 9 og online evalueres transfemoral amputerede iført passive proteser ben til hensigt anerkendelse 10,11. Denne NMI kan præcist at identificerebrugerens påtænkte aktiviteter og forudsige aktivitet overgange 9, som var potentielt nyttige for neurale kontrol af elektriske kunstige ben.

Den aktuelle spørgsmål os overfor, er, hvordan man kan integrere vores NMI i protesen kontrolsystem med henblik på at muliggøre intuitiv protese drift og sikre brugerens sikkerhed. Udvikling sande neuralt-kontrollerede kunstige ben kræver en fleksibel platform i laboratoriet for nem implementering og optimering af protese kontrol algoritmer. Derfor er formålet med denne undersøgelse er at rapportere en fleksibel teknik platform udviklet i vores laboratorium til afprøvning og optimering af protese kontrol algoritmer. Desuden er ny forsøgsopstilling og protokol forelægges til evaluering af neuralt-kontrollerede drevne transfemoral proteser patienter med lavere lemmer amputationer sikkert og effektivt. Platformen og eksperimenterende design præsenteres i denne undersøgelse kunne gavne den fremtidige develing sande neuralt-kontrollerede, drevet kunstige ben.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1.. Platform for gennemførelse af Neural Kontrol af Powered transfemoral Proteser

En ingeniør-platformen blev udviklet i denne undersøgelse for at gennemføre og evaluere neurale kontrol af elektriske kunstige ben. Hardwaren omfattede en stationær pc med 2,8 GHz CPU og 4 GB RAM, en multi-funktionelle dataopsamling bord med både analog-til-digital (ADC'er) og digital-til-analog konvertere (DAC), en motor controller, digital I / O'er og en prototypisk drevet transfemoral protese designet i vores gruppe 12. De analoge følerindgange blev først digitaliseret af ADC'erne og strømmede ind i desktop pc til signalbehandling. DAC blev anvendt til kontrol output til at drive DC-motor i protesen gennem en motorstyring. Digital I / O'er blev brugt til at aktivere / deaktivere motorstyringen. Den drevne protese blev tøjret til den stationære pc og drives af en 24 V strømforsyning.

Softwaren blev programmeret i annonceDVIKLING miljø egnet til virtuel instrumentering, der kører på den stationære pc. Udviklingsmiljøet var baseret på virtuel instrumentering, som effektivt kombinerer både brugerdefineret software og hardware til at gennemføre den tilpassede platform. Ved hjælp af strukturen i en grafisk blokdiagram kan forskellige modulære funktion knudepunkter være let og effektivt og opdateret. For at demonstrere funktionen af ​​platform til online styring af drevne kunstige ben blev foreløbigt designet protese kontrol gennemføres på denne platform. Styresystemet omfattede en neural controller og en iboende controller. De neurale controller bestod af vores tidligere designet NMI baseret på neuromuskulære-mekanisk fusion, der anerkendte brugerens aktivitet mode. De neurale controller som et højt niveau controller var hierarkisk forbundet med iboende styring til strøm underbensprotese kontrol.

Arkitekturen i fortsrol-softwaren på platformen er illustreret i figur 1. NMI indeholder to dele:. offline undervisningsmodul og online test modul. Offline undervisningsmodul var designet til at indsamle træningsdata og sammensætte den klassificører i NMI. De indsamlede multikanals overflade EMG signaler og mekaniske målinger blev først forbehandles og opdelt i kontinuerlig skydevinduer. I hvert vindue er træk, som kendetegner signalmønstre ekstraheres og fusioneres derefter til en funktion vektor. Funktionen vektor i hvert vindue var mærket med aktivitets modes (klasser) og fase indeks baseret på de udøvende aktiviteter protese bruger og staterne i protesen i løbet af uddannelsen dataindsamling. De mærkede vektorer blev derefter anvendt til at bygge en fase-mønster der er afhængigt klassificeringen, som indeholder flere sub-klassifikatorer korreleret med individuelt faser. Den oprettede klassificeringen blev gemt og overført til online test modul til senere online evaluering. </ P>

Den online test-modulet blev brugt til online genkende brugerens bevægelser hensigt og skifte aktivitet modes i indre controller. Flerkanals neuromuskulære og mekaniske målinger blev samtidig strømmede ind online test modul og omdannet til vektorer. Derefter vektorer blev fodret ind i fase-afhængige klassificeringen som allerede blev bygget i offline uddannelse modul. Baseret på den nuværende fase i den indre controller, blev det tilsvarende undersystem klassificeringen tændt og bruges til at genkende brugerens hensigt. Klassificeringen output blev yderligere efterbehandlet og sendt til iboende controller til at skifte aktivitet modes.

En finite-state maskine (MFS) baseret impedans controller blev gennemført for den iboende kontrol af elektriske kunstige ben. Impedansen controller genereres ønskede output drejningsmoment på knæleddene. Finite-state maskine justeret fælles impedans i henhold tilden aktuelle tilstand for at udføre aktiviteten. Til brug aktiviteterne (dvs. niveau jorden vandre-og rampe stigning / fald), MFS bestod af fem stater, der svarer til fem gangart faser: holdning fleksion (STF), holdning Extension (STE), præ-swing (PSW), swing fleksion ( SWF), og swing forlængelse (SWE); til statisk stående, MFS omfattede to faser: vægtbærende (WB) og ikke-vægtbærende (NWB). Overgange mellem de stater, blev udløst af jorden udrykningsstyrke og knæleddet position. Overgangen mellem aktivitet tilstande var kontrolleret af output fra online test modul. For alle tre moduler diskuteret ovenfor blev grafisk brugergrænseflade (GUI) bygget, som tillod eksperimentatorerne i laboratoriet for at nemt justere kontrolparametre, overvåge systemets ydeevne, og gennemføre evaluering eksperimenter.

2.. Forsøgsopstilling

  1. Surface Elektromyografi (sEMG)
    Surface EMG signaler fra låret muskler amputationspatienten subjectR17 s tilbageværende lem registreres af et trådløst EMG erhvervelse system. De målrettede lårmusklerne omfattede rectus femoris (RF), vastus laeralis (VL), vastus medialis (RL), biceps femoris lang (BFL), sartorius (SAR), semitendinosus (SEM) og adductor magnus (ADM). Det er bemærkelsesværdigt, at målrette specifikke muskler er ikke nødvendigt 8, fordi den anvendte mønstergenkendelse algoritme i NMI søger aktivering mønstre af flere muskler til at genkende aktivitet tilstand. Så længe den målte neuromuskulære information for hofte og knæ kontrol kontrol er tilstrækkelig, cross-samtaler blandt EMG optagelser har ringe indflydelse på NMI ydeevne.
    1. Spørg emne til at udføre hofte fleksion / ekstension, hofte adduktion / abduktion, og forsøg at bøje / strække den amputerede knæleddet, når han er i stående position.
    2. Omtrentlige og bestemme placeringen af ​​elektrode placeringer ved muskel palpering end undersøgelse af EMG-optagelser.
    3. Indlejre elektroderne i en ny designet EMG-elektrode-socket interface, som vist i figur 2, for både individets komfort og pålidelig kontakt mellem elektrode og huden.
  2. Mekaniske Målinger fra Powered Protese
    De mekaniske jorden reaktionskræfter og-momenter målt ved et 6-DOF vejecelle fra protese pylon fusioneres med EMG-signaler til at genkende motivets bevægelser hensigt. Desuden er et potentiometer instrumenteret på knæleddet at måle ledvinkel knæ og en encoder var forbundet til DC-motor til at beregne knæ vinkelhastighed. Disse målinger anvendes som feedback signaler til iboende kontrol.
    1. Monter en seks graders frihed vejecelle på protese pylon.
    2. Juster X-aksen, Y-aksen og Z-aksen vejecelle med mediolateral retning, anteroposterior retning, og superoinferior retning af protesen, respektively.
  3. Laboratorium Miljø Setup
    For at vurdere den neurale kontrol drevne kunstige ben på transfemoral amputerede blev en hindring naturligvis bygget i laboratoriet, som vist i fig. 3. Den testmiljø omfattede en 5-m lige passage, en 4 m lang rampe med en hældning vinkel på 8 °, og et niveau platform med rampen forsvarligt fastgjort. Langs rampen, blev hånd rækværk installeret for at forbedre sikkerheden for emnet. Desuden blev et loft skinnesystem med en fall-arrest harness leveres til at beskytte emnet falder under eksperimentet.

3.. Forsøgsprotokol

Denne undersøgelse blev udført med godkendelse af Institutional Review Board (IRB) ved University of Rhode Island og med informeret samtykke fra den rekrutteret emne. En han ensidig transfemoral amputeret (årsag til amputation: traumer, alder: 57 år; varighed amputation: 32 års) er ansat i denne undersøgelse. Forholdet mellem længden af ​​det tilbageværende lem (målt fra sædebensknuden til den distale ende af det tilbageværende lem) til længden af ​​den ikke-hæmmede side (målt fra sædebensknuden til den femorale epicondyle) var 51%. Emnet bærer en mikroprocessorstyret protese knæ gennem en suge suspension stik i hans daglige liv. Forud for forsøget i denne undersøgelse, dette emne modtaget flere træningssessioner ledet af en fysioterapeut for at lade emnet at tilpasse sig den drevne enhed og kalibrere den ønskede impedans i hver aktivitet mode.

  1. Emne Forberedelse
    1. Mål individets vægt, højde og indspille sit køn og alder.
    2. Spørg emne at sætte på hans egne shorts i et privat forberedelse rum.
    3. Put en størrelse udstyret Opfangningsapparat sele på emnet, og fastgør den til loftet jernbanesystemet.
  2. Forberedelse til EMG optagelse
    1. Vælg syv fuldt opladet trådløse EMG sensorer og tænd for dem.
    2. Placer EMG sensorer i den tilpassede suge stikket forberedte steder. Skriv ned ordrenummeret af sensorerne og knytte dem til EMG placeringer.
    3. Rens huden af ​​subjektets resterende lem med isopropylalkohol pads.
    4. Assist emnet i ifører suge sokkel og kontrollere, at stikket er solidt fastgjort til motivets resterende lemmer.
    5. Tænd for real-time EMG analoge data streaming software.
    6. Spørg emne til at udføre hofte fleksion / ekstension, hofte adduktion / abduktion og knæ flexion / extension og undersøge EMG-signaler til at kontrollere EMG elektrode kontakt og datatransmission.
  3. Justering og Initial Kalibrering af Powered benprotese
    1. Instruer motivet til at forblive i en stående position, mens du holder et hjælpemiddel rollator.
    2. Fastgør drevne protese til suge-stikket med en pyramide tilpastor. Justering af et sæt af rotation skruer på adapteren, indtil positionen af ​​protesen geometrisk linie med soklen. Denne procedure blev udført ved en prosthetist.
    3. Spørg emne at løfte protesen fra jorden og kalibrere vejecelle på protese pylon.
    4. Instruer motivet til at øve gå på forskellige terræner (f.eks niveau jorden, rampe opstigning, og rampe afstamning), når du bærer drevne benprotese. Denne procedure fortsætter, indtil emnet føler sig sikker i at gå med den drevne enhed og udbytter konsekvent gangmønster i hver aktivitet performance.
  4. Træning Dataindsamling for Uddannelse af Klassificører i NMI
    1. Instruere emnet til at stå på startplacering af en foruddefineret walking sti, som vist i figur 3..
    2. Tænd drevne protese og indlæse parametrene i den iboende controller.
    3. Kør en uddannelse dataindsamling computer program og indstille den iboende kontrol til stående tilstand ved at klikke på "Stående" knappen på den grafiske brugergrænseflade (GUI).
    4. Begynd dataindsamlingen ved at klikke på "Start optagelse" knappen på GUI. Instruer motivet til at bo i stående stilling i 5 sek.
    5. Instruer motivet til at gå over niveau jorden på hans / hendes selvvalgte komfortabel ganghastighed; på samme tid ved at klikke på "Walking"-knappen på GUI før tå-off af de førende ben af ​​emnet og sæt den iboende kontrol til niveau-jord gå-tilstand.
    6. Når motivet nærmede til kanten af ​​rampen opstigning, klik på "Ramp Ascent" knappen på GUI før toe-off af benprotese træde på rampen og skifte den iboende kontrol at rampe opstigning mode. For sikkerhed, at motivet ikke bruge en hånd gelænder, når man går på en rampe.
    7. Når motivet kommer til enden af ​​rampen, klik på "Walking"-knappenigen, før hælen strejke benprotese træde ind på det niveau, platform og skifte protesen iboende kontrol til niveau-jord gå-tilstand.
    8. Ved udgangen af ​​vandrestien, instruere underlagt stoppe og forblive i stående stilling. Samtidig, klik på "stående" knappen, før den dobbelte holdning fase og skifte den iboende kontrol tilbage til stående tilstand.
    9. Efter omkring 5 sekunder afslutte dataindsamlingen ved at klikke på knappen "Stop". Label indsamlede data som "træningsdata sæt 1".
    10. Gentag proceduren 3.4.4-3.4.9 når motivet vandreture i en omvendt vej tilbage til udgangspositionen placering; den eneste forskel er at skifte den indre kontrol til rampe afstamning tilstand, når emnet går på ned rampen.
    11. Gentag 3.4.4-3.4.10 indtil ti komplette uddannelse datasæt indsamles. Undersøge kvaliteten af ​​indsamlede uddannelse datasæt signal.
    12. Lad patienten have en hvileperiode efter the dataindsamling session.
    13. Træn klassificører mønstergenkendelse i NMI via offline-undervisningsmodul (Figur 1). Brug det indsamlede EMG og mekaniske signaler, aktivitetsdata modes (klasser) mærket i løbet af proceduren træning, og opdaget faser for at bygge fase-afhængige mønster classifiers. Gem parametre af klassificører automatisk til senere online test session.
  5. Online Test af Neural Kontrol af Powered transfemoral Protese
    1. Instruer motivet til at stå ved udgangspunktet af vandresti.
    2. Tænd drevne protese. Indlæse uddannet klassificeringen til online test modul og de parametre, den iboende controller.
    3. Instruer motivet for at starte test-forsøg i stående stilling, derefter løbende overgang til niveau-jord walking, rampe gå, niveau-jord walking, og til sidst stoppe og afslutte dette forsøg i slutningen af ​​vandresti. Instruer forbeholdudføre hver aktivitet i et behageligt tempo. Tillad hviletider mellem forsøg for at undgå træthed.
    4. Under hver test forsøg, vise aktivitet former for protesen og knæ ledvinkel aflæsninger på en tv-skærm. Gem alle de målinger og kontrol udgange til senere evaluering formål.
    5. Gentag trin 3.5.1-3.5.4 indtil ti komplet test forsøg er færdig.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

4a viser syv kanaler af overflade EMG signaler målt fra lårmusklerne af fagets resterende lemmer, da han udførte hofte fleksion / ekstension 4b viser seks gangart cyklusser af EMG-signaler registreres, når motivet gik videre, som beskrevet i protokol 3.2.6. Figur et niveau-jord vandresti, under protokol 3.3.4. Fra denne figur kan det ses, at den nye designet EMG-elektrode-socket grænseflade kan give god kvalitet af overfladevand EMG signal målinger.

Figur 5 viser reguleringsformer, opdaget faser, og resulterede knæleddet vinkel på neuralt-kontrollerede drevne transfemoral protese i en repræsentant online test retssag. Emnet blev bedt om at begynde i en stående stilling, overgang til niveau-jord walking, rampe opstigning, niveau-jord walking, og derefter stoppe ved slutningen af ​​den vandresti. Emnet derefter returneres til det oprindelige punkt langs than omvendt rute. Som vist i figur 5, med den neurale kontrol, rekrutteret emne var i stand til problemfrit skifte drevne transfemoral protese styringstilstand baseret på hans tilsigtede aktivitets tilstande. Den røde streg linje angives vores definerede kritiske tidspunkt for hver aktivitet modus overgang. For overgangen fra niveau jorden walking til rampe opstigning / nedstigning og fra at stå til fods, blev den kritiske timing begyndelsen af swing fase (dvs. tå off) i overgangsperioderne; for overgangen fra rampe opstigning / nedstigning til niveau-jord walking og walking til stående, den kritiske timing var begyndelsen på vægten accept (dvs. hæl kontakt) på niveauet jorden. Omkring 18 sekunder inde i dette repræsentative forsøg, protesen forkert skiftede til rampe opstigning tilstand, når emnet gik på niveau jorden på grund af den fejlagtige anerkendelse af brugerens hensigt med NMI. Disse fejl ikke fremkalde væsentlige ændringer i walking kinematik subject og blev ikke opfattet af emnet. Men vi observere nogle fejl, som forstyrrede motivets gangart stabilitet i nogle test forsøg. Men ingen af ​​disse fejl givet motivet til at falde.

Figur 1
Figur 1.. Arkitekturen af kontrol software på test platform for evaluering af online neurale kontrol af en prototypisk drevne transfemoral protese. Klik her for at se en større version af dette tal.

Figur 2
Figur 2. A) Frontal og sagittalbillede af sed forbehold iført drevne transfemoral protese med EMG og mekaniske setup målingen. b) Dataindsamling kurv med den stationære pc, trådløst EMG basestation, multifunktionelle DAQ bord, og strømforsyning Klik her for at se en større version af dette tal.

Figur 3
Figur 3.. Eksperimentel forhindringsbane bygget i laboratoriet miljøet.

Figur 4
Figur 4.. Rå EMG signaler optaget fra lårmusklerne af fagets resterende lemmer, når emnet (en (B), gik på et niveau jorden vandresti.

Figur 5
Figur 5.. Eksempel på reguleringsformer, opdaget faser, og deraf drevet knæled vinkel på neuralt-kontrollerede drevne transfemoral protese i en repræsentant online test retssag. Den røde streg linje angiver den definerede kritiske timingen af ​​hver aktivitet modus overgang.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En ingeniør-platformen blev udviklet i dette studie for nemt implementere, optimere og udvikle ægte neurale kontrol af elektriske proteser. Hele platformen programmeret i en virtuel instrumentering baseret udviklingsmiljø og gennemføres på en stationær pc. Den kontrol software var sammensat af flere uafhængige og udskiftelige moduler, i hver af hvilke en specifik funktionalitet blev henrettet (dvs. NMI hensigt anerkendelse, og iboende kontrol). Fordelen ved dette modulære design er, at hver funktionsblok kan let fejlrettet, ændres og opdateres. Desuden kan tilføjelse eller sletning af funktioner eller ændre forbindelser mellem modulerne nemt gøres i denne computer program. Derfor kan platformen let anvendes til at gennemføre andre NMI baseret på forskellige neurale information kontrol eller baseret på forskellige brugergrupper intent anerkendelse teknikker. For eksempel, når en EEG-baserede neurale maskine er udviklet, kan det være let gennemmenteret på denne platform ved at ændre datafangst modul og hensigt anerkendelse modul; når en neural-maskine baseret på en ny hensigt dekodning Metoden er udviklet, kan det anvendes ved blot at erstatte den hensigt anerkendelse modul. Imidlertid bør det bemærkes, at softwaren til denne teknik platform blev designet baseret på en hierarkisk struktur, som er forbundet et højt hensigt anerkendelse modul med et lavt niveau protese controller. Derfor kan kun den neurale-maskine, der kan afkode og output brugerens bevægelser hensigt let anvendes på denne platform. Derudover bemærke, at denne platform kun bruges til at bevise konceptet. Når den neurale kontrol af elektriske kunstige ben er afsluttet væsentlige regulatorerne bør gennemføres på en kraftig indlejret computer-system og integreres inden protesen for at gøre de kunstige ben praktisk og transportabel til brug på daglig basis.

En erfarimental setup var designet til at teste neurale controller til drevne kunstige ben på patienter med transfemoral amputationer. To vigtige aspekter i vores setup er fremhævet. Først sikrer sikkerhed rekrutteret emnet er nødvendig. Dette skyldes misklassifikation i NMI (som et eksempel vist i figur 5) eller fejl i indre kontrol kan forekomme i den oprindeligt designet protese kontrol, hvilket kan forstyrre protesen brugerens walking stabilitet (observeret i denne undersøgelse, selv om ikke alle NMI fejl forstyrre gå stabilitet), føre til fald, og truslen deres sikkerhed. Derfor, i vores setup hånd rækværk blev installeret til ujævne terræner. Desuden blev et loft skinnesystem med et fald anholdelse seletøj bygget, som dækkede hele eksperimenterende område i laboratoriet og blev anvendt på maksimalt beskytte emnet sikkerhed. For det andet er det afgørende at udvikle en komfort og pålidelig EMG elektrode-socket interface. Indsættelse af sensorer i prosthetic stikkontakter kan bygge højt tryk eller friktion mod visse regioner af resterende lemmer, hvilket fører til ubehag i walking og dårlig gangmønster i emnet. Tilgange, afbøde tryk / friktion kan dog forårsage løs kontakt mellem elektroderne og det tilbageværende lem, hvilket resulterer i støjende EMG-optagelser. I denne undersøgelse har vi præsenteret en ny elektrode-socket brugerflade baseret på trådløs EMG elektroder, som gav høj kvalitet i EMG-signaler til nøjagtig hensigt anerkendelse (som demonstreret i figur 4), stram socket suspension og god brugerkomfort. Selv om nogle cross-samtaler blev observeret i et par kanaler (dvs. Channel 3 og 6 i figur 4b), de har ringe indvirkning på udførelsen af NMI. Det er fordi den mønstergenkendelse algoritme i NMI søger aktivering mønstre af flere muskler til at genkende aktivitet tilstand. Denne opsætning kan også gavne andre forsknings-eller kliniske grupper, der planlægger at undersøge muscle ejendom eller funktion i restprodukter lemmer benet amputerede.

For effektivt at vurdere de neuralt-kontrollerede kunstige ben blev eksperimentelle forsøg designet til at omfatte alle de undersøgte aktivitet tilstande og mode-overgange. Det er bemærkelsesværdigt, at det er nødvendigt at gangart og balance træning af benet amputerede i at bruge drevne proteser forud for den præsenterede eksperiment for at gøre NMI præcise i at genkende brugerens aktivitet mode. Dette er fordi mønstergenkendelse bruges i vores NMI, som anerkender forskellige aktiviteter tilstand ved at søge på EMG og mekaniske signaler mønster, der er konsistent for den ene aktivitet tilstand, men forskellig fra de øvrige transportformer. Træningen sikrer brugerne at tilpasse sig de elektriske anordninger, der redefinerer deres dynamik i gå og producere konsekvent gangmønster, når du udfører den samme aktivitet. Derudover, for samme formål, bør der gives emnet tid i begyndelsen af ​​experiment at akklimatisere sig til den drevne protese og opnå en jævn og konsekvent gå mønster.

Endelig ønsker vi at understrege, at den fleksible test-platform, forsøgsopstilling, og forsøgsprotokol præsenteres i denne undersøgelse var nyttigt for laboratorie udvikling og evaluering af neural kontrol for drevne kunstige ben. For at gøre afsluttede neuralt-kontrollerede kunstige ben praktisk til daglig brug, er det nødvendigt udvikling af indlejrede engineering platform og brugervenlig kalibrering procedure og evaluering i realistiske miljøer i fremtiden. Derudover neurale kontrol præsenteres i denne undersøgelse er foreløbige og bruges til at demonstrere funktionen af ​​vores test-platform, og kun eksperimenterende design; det er ikke den endelige kontrol for drevne enheder som vi gjorde observere fejl i NMI, der forstyrrer gå mønster af benet amputerede, som bør fjernes. Vores rapporteret platform og evaluering opsætning og protokol billede Convenient redskaber til yderligere at optimere den neurale controller og iboende kontrol og udvikle et sandt bionic underbensprotese, som kan betjenes af brugerne nemt, pålideligt og intuitivt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter erklæret.

Acknowledgements

Dette arbejde blev støttet delvist af National Institutes of Health i henhold til Grant RHD064968A, delvist af National Science Foundation under Grant 0.931.820 Grant 1.149.385 og Grant 1.361.549, og delvist af National Institute on Disability and Rehabilitation Research under Grant H133G120165. Forfatterne takker Lin Du, Ding Wang og Gerald Hefferman ved University of Rhode Island, og Michael J. Nonnekloster ved nonnekloster Orthotic og Prosthetic Technology, LLC, for deres store forslag og hjælp i denne undersøgelse.

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

DOWNLOAD MATERIALS LIST

References

  1. The POWER KNEE. http://www.ossur.com/prosthetic-solutions/products/knees-and-legs/bionic-knees/power-knee (2014).
  2. Walk. BiOM Ankle System. http://www.biom.com (2014).
  3. Martinez-Villalpando, E. C., Herr, H. Agonist-antagonist active knee prosthesis: a preliminary study in level-ground walking. J Rehabil Res Dev. 46, 361-373 (2009).
  4. Sup, F., Bohara, A., Goldfarb, M. Design and Control of a Powered Transfemoral Prosthesis. Int J Rob Res. 27, 263-273 (2008).
  5. Au, S., Berniker, M., Herr, H. Powered ankle-foot prosthesis to assist level-ground and stair-descent gaits. Neural Netw. 21, 654-666 (2008).
  6. Hargrove, L. J., Simon, A. M., Lipschutz, R. D., Finucane, S. B., Kuiken, T. A. Real-time myoelectric control of knee and ankle motions for transfemoral amputees. JAMA. 305, 1542-1544 (2011).
  7. Ha, K. H., Varol, H. A., Goldfarb, M. Volitional control of a prosthetic knee using surface electromyography. IEEE Trans Biomed Eng. 58, 144-151 (2011).
  8. Huang, H., Kuiken, T. A., Lipschutz, R. D. A strategy for identifying locomotion modes using surface electromyography. IEEE Trans Biomed Eng. 56, 65-73 (2009).
  9. Huang, H., et al. Continuous Locomotion Mode Identification for Prosthetic Legs based on Neuromuscular-Mechanical Fusion. IEEE Trans Biomed Eng. 58, 2867-2875 (2011).
  10. Zhang, F., Dou, Z., Nunnery, M., Huang, H. Real-time implementation of an intent recognition system for artificial legs. Conf Proc IEEE Eng Med Biol Soc. 2011, 2997-3000 (2011).
  11. Zhang, F., Huang, H. Source Selection for Real-time User Intent Recognition towards Volitional. Control of Artificial Legs IEEE Journal of Biomedical and Health Informatics. PP, (2013).
  12. Liu, M., Datseris, P., Huang, H. A prototype for smart prosthetic legs: analysis and mechanical design. Proceedings of the International Conference on Control, Robotics and Cybernetics. March 21-23, New Delhi, India, 139-143 (2011).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Video Stats