Engineering Platform och experimentell protokoll för design och utvärdering av en Neurally styrd Powered transfemorala Protes

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

Gränssnitt Neural-maskin (NMI) har utvecklats för att identifiera användarens rörelseläge. Dessa NMIS är potentiellt användbara för neural reglering av drivna konstgjorda ben, men har inte kunnat påvisas. Detta dokument presenteras (1) vår utformad teknik plattform för enkel implementering och utveckling av neurala kontroll för motordrivna nedre extremiteterna proteser och (2) en experimentuppställning och protokoll i laboratoriemiljö för att utvärdera neuralt-styrda konstgjorda ben på patienter med nedre extremiteterna amputationer säkert och 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

För att möjliggöra intuitiv användning av drivna konstgjorda ben, är ett gränssnitt mellan användare och protes som kan känna igen användarens rörelser uppsåt önskas. En ny neural och maskin (NMI) baserat på neuromuskulär mekaniska fusion utvecklats i vår tidigare studie har visat en stor potential för att korrekt identifiera den avsedda rörelsen för lårbensamputerade. Men detta gränssnitt har ännu inte integrerats med ett motordrivet benprotes för sann neurala kontrollen. Denna studie syftade till att rapportera (1) en flexibel plattform för att implementera och optimera neural kontroll av motordriven benprotes och (2) en experimentuppställning och protokoll för att utvärdera neural protes kontroll på patienter med nedre extremiteterna amputationer. Först en plattform baserad på en dator och en visuell programmeringsmiljö utvecklades för att genomföra de protesstyralgoritmer, inklusive NMI utbildning algoritm, NMI online testa algoritmen, och inneboende styralgoritm. För att demonstrerafunktionen av denna plattform, i denna studie NMI bygger på neuromuskulär mekaniska fusion hierarkiskt integrerad med inneboende styrning av en proto transfemorala protes. En patient med en ensidig transfemorala amputation rekryterades för att utvärdera vår genomfört neurala styrenhet när du utför aktiviteter, såsom stående, nivå-mark promenader, ramp uppstigning, och ramp härkomst kontinuerligt i laboratoriet. En ny experimentuppställning och protokoll som utvecklades för att testa den nya protesen kontroll på ett säkert och effektivt sätt. Den presenterade proof-of-concept-plattform och experimentuppställning och protokoll kunde bistå den framtida utvecklingen och tillämpningen av neuralt-styrda drivna konstgjorda ben.

Introduction

Powered lägre lemproteser har fått allt större uppmärksamhet i både kommersiella marknaden 1,2 och forskarsamhället 3-5. Jämfört med traditionella passiva benproteser, motoriserade protesleder har den fördelen att de tillåter nedre extremiteterna amputerade att mer effektivt utföra aktiviteter som är svåra eller omöjliga när du bär passiva anordningar. Men för närvarande, är mjuk och smidig aktivitets övergång (till exempel från nivå-mark gå till trapp uppstigning) fortfarande en utmanande fråga för motordrivna benprotes användare. Denna svårighet är främst på grund av avsaknaden av en användar och maskin som kan "läsa" användarens rörelser uppsåt och snabbt justera protesstyrparametrar i syfte att göra det möjligt för användarna att sömlöst växla aktivitetsläge.

För att möta dessa utmaningar, har olika metoder i utformningen användare och maskin undersökts. Vari NMI baserat på elektromyografisk (EMG) signaler har visat en stor potential för att möjliggöra intuitiv kontroll av motordrivna nedre extremiteterna proteser. Två nya studier 6,7 rapporterade avkoda den avsedda rörelsen av den felande knät för lårbensamputerade genom att övervaka de EMG signaler inspelade från rest muskler under en sittande ställning. Au et al. 5 används EMG signaler mätt från rest skaft muskler för att identifiera två locomotion lägen (nivå-mark promenader och trapp härkomst) av en transtibial amputerad. Al. Huang et 8 föreslås en fas beroende EMG mönsterigenkänning strategi som kan känna igen sju aktivitetslägen med ca 90% noggrannhet som demonstreras på två lårbensamputerade. För att bättre förbättra intent-erkännande prestanda ades ett NMI baserad på neuromuskulär mekaniska fusion utformats i vår grupp 9 och online utvärderas på lårbensamputerade bär passiva benproteser för avsikt erkännande 10,11. Denna NMI kan identifieraanvändarens avsedda verksamheten och förutse aktivitets övergångarna 9, som var potentiellt användbara för neural reglering av drivna konstgjorda ben.

Den aktuella frågan för oss är hur man kan integrera vår NMI i protesen styrsystem för att möjliggöra intuitiv protes drift och säkerställa användarens säkerhet. Utveckla sanna neuralt-styrda benproteser kräver en flexibel plattform i laboratoriet för enkel implementering och optimering av protesstyralgoritmer. Därför är syftet med denna studie att rapportera en flexibel teknisk plattform som utvecklats i vårt labb för att testa och optimera protesstyralgoritmer. Dessutom är nya experimentuppställning och protokoll presenteras för utvärdering av neuralt-kontrollerade motordrivna transfemorala proteser på patienter med nedre extremiteterna amputationer säkert och effektivt. Plattformen och experimentell design som presenteras i denna studie skulle kunna gynna den framtida utveckling av sanna neuralt-styrda, eldrivna benproteser.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Plattform för genomförande av Neural kontroll av Powered transfemorala proteser

En teknisk plattform har utvecklats i denna studie för att genomföra och utvärdera neural kontroll av elektriska konstgjorda ben. Hårdvaran inkluderade en stationär dator med 2,8 GHz processor och 4 GB RAM, en multifunktionell datainsamling styrelse med både analog-till-digital-omvandlare (ADC) och digital-till-analog-omvandlare (DAC), en motorstyrenhet, digital I / O, och en proto driven transfemorala protes konstruerad i vår grupp 12. De analoga sensoringångar först digitaliseras av ADC och strömmade in i den stationära datorn för signalbehandling. DAC användes för styrutgång för att driva likströmsmotorn i protesen genom en motorstyrning. Digital I / O användes för att aktivera / inaktivera motorstyrning. Den drivs protesen var bundna till den stationära datorn och drivs av ett 24 V-nätaggregat.

Mjukvaran programmerades i annonsentveckling miljö lämplig för virtuell instrumentering som körs på den stationära PC. Utvecklingsmiljön var baserad på virtuell instrumentering, som effektivt kombinerar både användardefinierade program-och hårdvara för att genomföra den anpassningsbara plattformen. Genom att använda strukturen för ett grafiskt blockschema, kan olika modulära funktionsnoder vara enkelt och effektivt genomförs och uppdateras. För att demonstrera funktionen av plattform för online-styrning av motordrivna benproteser, preliminärt designad protes kontroll genomförs på denna plattform. Styrsystemet inkluderade en neural styrenhet och en inneboende controller. Den neurala styrenheten bestod av vår tidigare utformade NMI baseras på neuromuskulär mekaniska fusion, som erkände användarens aktivitetsläge. Den neurala styrenheten som en hög nivå controller var hierarkiskt förbunden med den inre kontrollen för motordrivna benprotes kontroll.

Arkitekturen för fortsrol programvara på plattformen illustreras i figur 1 NMI innehåller två delar:. offline utbildning modul och online-testning modul. Offlineutbildningsmodul var utformad för att samla in data utbildning och bygga klassificerare i NMI. De insamlade flerkanaliga ytan EMG signaler och mekaniska mätningar först förbehandlas och uppdelad i kontinuerliga skjutbara fönster. I varje fönster, var egenskaper som kännetecknar signalmönster utvinns och sedan smält in i en funktion vektor. Funktionen vektor i varje fönster märktes med aktivitetslägen (undergrupper) och fas-index baserat på de som utför verksamhet protes användare och staterna i protesen under samlingen träningsdata. De märkta särdragsvektorerna användes sedan för att skapa en fas-beroende mönster klassificerare, som innehåller flera under klassificerare korrelerade med individuellt faser. Den skapade klassificerare sparades och överfördes till online-test modul för senare på nätet utvärdering. </ P>

Online-testmodul användes till nätet igen användarens rörelser uppsåt och byta verksamhetssätten i inneboende controller. Den flerkana neuromuskulära och mekaniska mätningar gjordes samtidigt strömmade in i online-test modul och omvandlas till särdragsvektorer. Då särdragsvektor matades in i fas beroende klassificerare som redan byggdes offline utbildningsmodul. Baserat på den nuvarande fasen i inneboende controller, var en ansluten klassificerare påslagen och används för att känna igen användarens avsikt. Klassificeringen utgång ytterligare efterbehandlade och skickas till inneboende att växla aktivitetslägen.

En ändlig-tillståndsmaskin (FSM) baserad impedans controller genomfördes för inneboende styrning av elektriska konstgjorda ben. Impedansen controller genereras önskad vridmoment på knälederna. Den finit maskinen justerade den gemensamma impedansen enligtdet aktuella läget för den som utför verksamheten. För transport verksamhet (dvs. nivå-mark promenader och ramp uppstigning / nedstigning) bestod FSM av fem stater som motsvarar fem gång faser: hållning flexion (STF), hållning förlängning (STE), pre-swing (PSW), swing böjning ( SWF), och swing förlängning (SWE); för statisk stående, FSM ingår två faser: vikt bärande (WB) och icke-viktbärande (NWB). Övergångar mellan de stater utlöstes av markreaktionskraften och knäled läge. Övergången mellan aktivitetslägen kontrollerades av utdata från online testmodulen. För alla tre moduler som diskuterats ovan, har grafiskt användargränssnitt (GUI) byggd, vilket gjorde praktiker i labb för att enkelt justera styrparametrar, övervaka systemprestanda, och göra experiment för utvärdering.

2. Experimentuppställning

  1. Surface elektromyografi (sEMG)
    Surface EMG-signalerna från lårmusklerna av den amputerade subjectR17; s stumpen registreras av ett trådlöst EMG förvärvssystemet. De riktade lårmusklerna ingår rectus femoris (RF), vastus laeralis (VL), vastus medi (VM), biceps femoris långa (BFL), Sartorius (SAR), semitendinosus (SEM), och adductor magnus (ADM). Det är anmärkningsvärt att just rikta den specifika muskeln inte är nödvändig 8 eftersom den använda mönsterigenkänningsalgoritm i NMI söker aktiveringsmönster för flera muskler att erkänna aktivitetsläge. Så länge som den uppmätta neuromuskulära styrinformation för höft-och knäleds kontroll är tillräcklig, kors samtal bland EMG inspelningar har liten påverkan på NMI prestanda.
    1. Be motivet att utföra höftböjning / extension, höft adduktion / abduktion, och försök att böja / förlänga amputerade knäleden när han är i stående position.
    2. Ungefärlig och bestämma placeringen av elektrodplaceringar av muskel palpation ettd undersökning av EMG inspelningar.
    3. Använd elektroderna i ett nytt design EMG-elektrod-socketgränssnittet, såsom visas i fig. 2, för både patientens komfort och tillförlitlig kontakt mellan elektrod och hud.
  2. Mekaniska Mätningar från Powered Protes
    De mekaniska markreaktionskrafter och moment mätt med en 6-DOF lastcell från protes pylon är sammansmälta med EMG-signaler för att känna igen motivets rörelser uppsåt. Dessutom är en potentiometer instrumenterad på knäleden för att mäta knäleden vinkel och en kodare var ansluten till DC-motorn för att beräkna knä vinkelhastighet. Dessa mätningar används som återkopplingssignaler för inneboende kontroll.
    1. Montera en sex-graders-frihetslastcell på protes pylon.
    2. Rikta in X-axeln, Y-axeln och Z-axeln för lastcell med mediolateral riktning, anteroposterior riktning och superoinferior riktning hos protesen, respektively.
  3. Laboratorium Miljö Setup
    För att utvärdera den neurala kontrollen av motordrivna artificiella ben på lårbensamputerade ades en hinderbana byggd i laboratoriet, såsom visas i fig. 3. Testmiljön inkluderade en 5-m rak gångväg, en 4 m lång ramp med en lutning vinkel på 8 °, och en nivå plattform med rampen fast ordentligt. Längs rampen, var handen räcken installeras för att öka säkerheten i ämnet. Dessutom har ett tak järnvägssystem med en fallsele förutsatt att skydda föremål från att falla under experimentet.

3. Experimentprotokoll

Denna studie genomfördes med godkännande av Institutional Review Board (IRB) vid University of Rhode Island och med informerat samtycke av den rekryterade ämnet. En hane ensidig transfemorala amputerad (orsaken till amputation: trauma, ålder: 57 år, längd amputation: 32 års) rekryterades i denna studie. Förhållandet mellan längden av den kvarvarande lemmen (mätt från sittbensknölen till den distala änden av den kvarvarande lemmen) till längden på den icke-nedsatt sida (mätt från sittbensknölen till den femorala epikondylen) var 51%. Ämnet bär en mikroprocessorstyrd protes knä genom ett sug fjädring uttag i sitt dagliga liv. Före experimentet i denna studie fick detta ämne flera träningspass som leds av en sjukgymnast för att låta motivet att anpassa sig till den motordrivna anordningen och kalibrera den önskade impedansen i varje verksamhet läge.

  1. Ämne Framställning
    1. Mät patientens vikt, längd, och spela in hans kön och ålder.
    2. Be motivet att sätta på sina egna shorts i ett privat behandlingsutrymmen.
    3. Sätt en storlek-monterat fallsele i ämnet och fäst den i taket järnvägssystemet.
  2. Förberedelse för EMG inspelning
    1. Välj sju fulladdade trådlösa EMG-sensorer och slå på dem.
    2. Placera EMG-sensorer i den anpassade sug uttaget på förberedda platser. Skriv ner ordernumret av sensorerna och associera dem med EMG platser.
    3. Rengör huden på patientens kvarvarande lem med isopropylalkohol dynorna.
    4. Assist motivet i påtagning sug uttaget och kontrollera att uttaget är ordentligt fäst vid motivets stumpen.
    5. Slå på realtids EMG analog uppgifter streaming programvara.
    6. Be motivet att utföra höftböjning / extension, höft adduktion / abduktion, och knä flexion / extension och undersöka EMG-signaler för att kontrollera EMG elektrodkontakt och dataöverföring.
  3. Justering och Initial Kalibrering av Powered benprotes
    1. Instruera patienten som förblir i en stående position och samtidigt hålla en hjälpmedels walker.
    2. Fäst motordriven protesen till sugan sockel med en pyramid adaptor. Ställ en uppsättning rotationsskruvar på adaptern tills läget för protesen geometriskt linje med uttaget. Detta förfarande utfördes genom en protesutprovaren.
    3. Be motivet att lyfta protesen från marken och kalibrera lastcellen på protes pylon.
    4. Instruera förutsättning att öva gå på olika terrängtyper (t.ex. nivå-mark, ramp Ascent, och ramp härkomst) när du bär den motordrivna benprotes. Denna procedur fortsätter tills motivet känner sig säker på promenader med den motordrivna anordningen och ger konsekvent gångmönster i varje verksamhet prestanda.
  4. Utbildning Datainsamling för Utbildning av Classifiers i NMI
    1. Instruera patienten som står på startplatsen av en fördefinierad gångbana, såsom visas i fig 3.
    2. Slå på den motordrivna protesen och ladda parametrarna i den inneboende controller.
    3. Kör en samling träningsuppgifter comdatorprogrammet och ställa den inneboende kontrollen till stående läge genom att klicka på knappen "Stå" på den grafiska användargränssnitt (GUI).
    4. Börja datainsamling genom att klicka på "Starta inspelning" på GUI. Instruera motivet att stanna i stående position i 5 sekunder.
    5. Instruera motivet att gå över plan mark på hans / hennes självvald bekväm gånghastighet; samtidigt, klicka på knappen "Gå" på GUI före tå-off av de ledande benet på motivet och ställa den inneboende kontroll på nivå malet gångläge.
    6. När motivet närmade till kanten av rampen uppstigning, klicka på "Ramp Ascent" på GUI innan toe-off av benprotes kliva på rampen och växla inneboende kontrollen att ramp uppstigning läge. För säkerheten, att motivet för att använda en hand räcke när man går på en ramp.
    7. När ämnet kommer till slutet av rampen, klicka på knappen "Walking"igen innan hälisättning av benprotes kliva in i plan plattformen och byta protesen inneboende kontroll på nivå-mark gångläge.
    8. I slutet av gångvägen, instruera förutsättning att stanna och förbli i stående ställning. Samtidigt, klicka på "Stå"-knappen innan den dubbla hållning fasen och växla inneboende kontrollen tillbaka till stående läge.
    9. Efter cirka 5 sekunder, avsluta datainsamlingen genom att klicka på "Stop"-knappen. Etikett insamlade data som "träningsdata set 1".
    10. Upprepa proceduren 3.4.4-3.4.9 när motivet går i en motsatt väg tillbaka till startplatsen; den enda skillnaden är att byta den inre kontrollen för att ramp härkomst läge när motivet promenader på ner rampen.
    11. Upprepa 3.4.4-3.4.10 fram tio kompletta träningsdatamängder samlas. Undersök signalkvaliteten för uppsamlades träningsdatauppsättning.
    12. Låt motivet att ha en viloperiod efter the datainsamling session.
    13. Utbilda mönsterigenkännings klassificerare i NMI via offline utbildningsmodul (figur 1). Använd insamlade EMG och mekaniska signaler, aktivitetslägen (klasser) märkta under träningsförfarandet, och upptäckt faser för att bygga fas beroende mönster klassificerare. Spara parametrar för klassificerare automatiskt för senare online-test session.
  5. Online Test av Neural kontroll av Powered transfemorala Protes
    1. Instruera motivet att stå vid startpunkten för vandringsled.
    2. Slå på den motordrivna protesen. Ladda utbildad klassificerare till online testa modul och parametrarna till den inneboende controller.
    3. Instruera förutsättning att påbörja testförsök i en stående position, sedan kontinuerligt övergången till nivå-mark promenader, ramp promenader, nivå-mark promenader, och slutligen stoppa och avsluta detta försök i slutet av gångvägen. Instruera föremål förutföra varje aktivitet i ett behagligt tempo. Låt vila mellan försöken för att undvika utmattning.
    4. Under varje test rättegång, visar aktivitetslägen protesen och knäleden vinkel avläsningar på en TV-skärm. Spara alla mätningar och styrutgångar för senare utvärdering ändamål.
    5. Upprepa steg 3.5.1-3.5.4 fram tio kompletta testförsök är klar.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 4a visar sju kanaler av yt-EMG-signaler mätt från musklerna i motivets stumpen lår när han utförde hip böjning / sträckning, som beskrivs i protokoll 3.2.6. Figur 4b visar sex gång cykler av EMG signaler inspelade när motivet gick på en nivå-mark vandringsleder, under protokoll 3.3.4. Från denna figur kan det ses att den nya design EMG-elektrod-socketgränssnittet kan ge god kvalitet på ytan signalmätningar EMG.

Figur 5 visar styrsätt, upptäcktes faser, och resulteknäledsvinkeln neuralt-kontrollerade motordrivna transfemorala protes i en representativ studie online-testning. Ämnet blev ombedd att börja i en stående position, övergång till nivå-mark promenader, ramp uppstigning, nivå-mark promenader, och sedan stannar vid slutet av gångvägen. Ämnet återvände sedan till den ursprungliga startpunkten längs than vända rutten. Som visas i figur 5, med det neurala kontrollen, den rekryterade ämne kunde smidigt växla motordrivna transfemorala protes styrning baserat på hans avsedda aktivitetslägen. Den röda streckade linjen visade vår definierad kritisk tidpunkt för varje aktivitet läge övergång. För övergång från nivå-mark promenader till ramp stigning / nedstigning och från stående till promenader, var den kritiska tidpunkten i början av svingfasen (dvs., toe off) i de övergångsperioder; för övergång från ramp uppstigning / nedstigning till nivå-mark promenader och gå till stående, den kritiska tidpunkten var i början av vikt acceptans (dvs. häl kontakt) på plan mark. Ungefär 18 sekunder in denna representativa försök, protesen felaktigt bytt till ramp uppstigning läge när motivet gick på plan mark på grund av den felaktiga erkännande av användarens avsikter med NMI. Dessa fel har inte framkalla betydande förändring i walking kinematik i subject och var inte uppfattas av ämnet. Men vi observerar några fel som störde patientens gångstabilitet i några testförsök. Men inget av dessa fel orsakade ämnet falla.

Figur 1
Figur 1. Arkitekturen av programvara kontroll på testplattform för utvärdering av online-neural reglering av en prototypisk driven transfemorala protes. Klicka här för att se en större version av denna siffra.

Figur 2
Figur 2. A) Frontal och sagittal vy av sm inte annat följer bär den motordrivna transfemorala protesen med EMG och mekanisk mätning inställning,. b) Insamling av uppgifter varukorg med stationär dator, trådlös EMG basstation, multifunktionella DAQ ombord, och strömförsörjning Klicka här för att se en större version av denna siffra.

Figur 3
Figur 3. Experimentell hinderbana byggts i laboratoriemiljö.

Figur 4
Figur 4. Raw EMG signaler inspelade från musklerna i motivets stumpen lår, när motivet (en (B) gick på en nivå-mark vandringsled.

Figur 5
Figur 5. Exempel på reglertyper, upptäcktes faser, och resulte driven knäledsvinkeln neuralt-kontrollerade motordrivna transfemorala protes i en representativ studie online-testning. Den röda streckade linjen visar den definierade kritiska tidpunkten för varje aktivitet läge övergång.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En teknisk plattform har utvecklats i denna studie för att enkelt implementera, optimera och utveckla sann neural reglering av motordrivna proteser. Hela plattformen var programmerad i en virtuell instrumentering baserad utvecklingsmiljö och genomföras på en stationär dator. Kontroll program bestod av flera oberoende och utbytbara moduler, i vilka en specifik funktionalitet avrättades (dvs. NMI uppsåt erkännande, och inneboende kontroll). Fördelen med detta modulära konstruktionen är att varje funktionsblock kan enkelt rättas till, ändras, och uppdateras. Dessutom kan lägga till eller ta bort funktioner eller ändrar anslutningarna mellan modulerna lätt göras i detta datorprogram. Därför kan plattformen enkelt appliceras för att genomföra andra NMI bygger på olika neurala styrinformation eller baserat på olika användar uppsåt tekniker erkännande. Till exempel, när ett EEG-baserad neural-maskin-gränssnitt är utvecklat, kan det vara lätt genomfömenterade på denna plattform genom modifiering av datainsamlingsenheten och avsikt igenkänningsmodulen; när en neural-maskin gränssnitt baserat på en ny avsiktsavkodningsmetod utvecklas, kan den appliceras genom att helt enkelt byta ut den avsikten erkännande modulen. Dock bör det noteras att mjukvaran i detta ingenjörs plattformen utformades utifrån en hierarkisk struktur som förband en avsikt erkännande modul på hög nivå med en låg nivå protes controller. Därför kan endast den neurala och maskin som kan avkoda och utgång användarens rörelser uppsåt lätt appliceras på den här plattformen. Dessutom, notera att denna plattform används endast för att bevisa konceptet. När den neurala kontrollen av drivna konstgjorda ben har slutförts, i huvudsak de registeransvariga bör genomföras på ett kraftfullt inbäddade datorsystem och integrerad i protesen för att göra konstgjorda ben praktisk och portabel för användning på daglig basis.

En erfarentell inställning var utformad för att testa neurala styrenheten för drivna konstgjorda ben på patienter med transfemorala amputationer. Två viktiga aspekter i vår inställning markeras. Först, garantera säkerheten för den rekryterade motivet är nödvändig. Detta beror på att felklassificeringar i NMI (som exempel visas i figur 5) eller fel i inre kontroll kan förekomma i den ursprungligen tänkt protes kontroll, vilket skulle kunna störa protesen användarens gångstabilitet (observerades i denna studie även om inte alla NMI fel stör promenader stabilitet), leda till fall, och hot deras säkerhet. Därför, i vår installations handen räcken installerades för ojämn terräng. Dessutom har ett tak järnvägssystem med en fallsele byggt, som omfattade hela försöksområdet i laboratoriet och tillämpades för att maximalt skydda patientens säkerhet. För det andra är det viktigt att utveckla en tröst och pålitlig EMG-elektrod-socket gränssnitt. Sätta sensorer i prosthEtic uttag kan bygga högt tryck eller friktion mot vissa regioner i stumpar, vilket leder till obehag i promenader och dålig gångmönster i ämnet. Tillvägagångssätt som minskar trycket / friktion kan dock orsaka lös kontakt mellan elektroderna och den resterande lemmen, vilket resulterar i bullriga EMG inspelningar. I denna studie presenterade vi en ny elektrod-socket gränssnitt baserat på trådlösa EMG elektroder, som tillhandahålls av hög kvalitet i EMG-signaler för exakt uppsåt erkännande (vilket visas i Figur 4), tätt socket fjädring och bra användarkomfort. Även om vissa kors samtal observerades i några kanaler (dvs. Kanal 3 och 6 i figur 4b), de har liten påverkan på resultatet för NMI. Det beror på att mönsterigenkänningsalgoritm designad i NMI söker aktiveringsmönster för flera muskler att erkänna aktivitetsläge. Denna inställning kan också gynna andra forsknings-eller kliniska grupper, som planerar att undersöka muscle egendom eller funktion i stumpar av nedre extremiteterna amputerade.

För att effektivt utvärdera neuralt-kontrollerade benproteser, har experimentella studier som syftar till att inkludera alla de studerade aktivitetslägen och lägesövergångar. Det är anmärkningsvärt att den gång-och balansträning av nedre extremiteterna amputerade i att använda motordrivna proteser är nödvändig innan den presenterade experiment för att göra NMI korrekta i att känna igen användarens aktivitetsläge. Detta beror på att mönsterigenkänning används i vårt NMI, som känner igen olika aktivitetsläge genom att söka på EMG och mekaniska signaler mönster som är konsekvent för en verksamhet läge men skiljer sig från de andra lägena. De utbildningar garantera användarna att anpassa sig till de drivna enheter som omdefinierar deras dynamik i gång och producerar konsekvent gångmönster när du utför samma verksamhet. Dessutom, för samma ändamål, ämnet bör ges tid vid början av experiment anpassa sig till den motordrivna protesen och uppnå en jämn och konsekvent gångmönster.

Slutligen vill vi understryka att den flexibla testplattform, experimentuppställning och försöksprotokoll som presenteras i denna studie var användbart för laboratorie utveckling och utvärdering av neural kontroll för drivna konstgjorda ben. För att göra slutförda neuralt-styrda benproteser använda dagligen, krävs utveckling av inbäddad teknik plattform och användarvänlig kalibrering och utvärdering i realistiska miljöer i framtiden. Dessutom är den neurala kontrollen som presenteras i denna studie preliminära och användes för att demonstrera funktionen av vår testplattform och endast experimentell design; det är inte den sista kontrollen för drivna enheter som vi observerar fel i NMI som stör gångmönstret i nedre extremiteterna amputerade, som bör avskaffas. Vårt rapporterade plattform och utvärdering installation och protokoll som convenient verktyg för att ytterligare optimera neurala styrenheten och inneboende styrning och utveckla en riktig Bionic benprotes som kan drivas av användarna enkelt, pålitligt och intuitivt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Inga intressekonflikter deklareras.

Acknowledgements

Detta arbete stöddes delvis av National Institutes of Health enligt Grant RHD064968A, delvis av National Science Foundation enligt Grant 0.931.820, Grant 1.149.385 och Grant 1.361.549, och i en del av det nationella institutet för handikapp-och rehabiliteringsforskning inom Grant H133G120165. Författarna tackar Lin Du, Ding Wang och Gerald Hefferman vid University of Rhode Island, och Michael J. nunnekloster vid nunnekloster Ortopediska och Protes Technology, LLC, för deras stora förslag och hjälp i denna studie.

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