Engineering Platform og eksperimentell protokoll for design og evaluering av et nevralt-kontrollerte 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-maskin-grensesnitt (DNMI) har blitt utviklet for å identifisere brukerens bevegelsesmodus. Disse NMIs er potensielt nyttige for neural kontroll av energidrevne kunstige ben, men har ikke blitt fullt ut demonstrert. Dette papiret presentert (1) vår designet ingeniør plattform for enkel implementering og utvikling av neural kontroll for drevne Ben-proteser og (2) en eksperimentell oppsett og protokollen i et laboratoriemiljø for å evaluere nevralt-kontrollerte kunstige ben på pasienter med lavere lem amputasjoner trygt 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 å aktivere intuitiv bruk av motoriserte kunstige ben, er et grensesnitt mellom bruker og protese som kan gjenkjenne brukerens bevegelser hensikt ønsket. En roman nevrale-maskin-grensesnitt (NMI) basert på nevromuskulær mekanisk fusjon utviklet i vår forrige undersøkelse har vist et stort potensial for å nøyaktig identifisere den tiltenkte bevegelse av transfemoralt amputerte. Men dette grensesnittet har ennå ikke blitt integrert med en drevet benprotesen for ekte neural kontroll. Målet med studien var å rapportere (1) en fleksibel plattform for å implementere og optimalisere neural kontroll av drevet lavere lem protese og (2) en eksperimentell oppsett og protokoll for å evaluere nevrale proteser kontroll på pasienter med lavere lem amputasjoner. Først en plattform basert på en PC og en visuell programmeringsmiljø ble utviklet for å implementere protese reguleringsalgoritmer, inkludert NMI trening algoritme, NMI online testing algoritme, og iboende kontroll algoritme. For å demonstrereFunksjonen til denne plattformen, i denne studien NMI basert på neuromuskulær mekanisk blanding ble hierarkisk integrert med indre kontroll av en prototypisk transfemoral protese. En pasient med en ensidig transfemoral amputasjon ble rekruttert til å evaluere vår implementert nevrale kontrolleren når du utfører aktiviteter, for eksempel stående, nivå-bakken gang, rampe oppstigning, og rampe ned kontinuerlig i laboratoriet. En roman eksperimentelle oppsettet og protokollen ble utviklet for å teste den nye protesen kontroll trygt og effektivt. Den presenterte proof-of-concept plattform og eksperimentelle oppsettet og protokoll kunne hjelpe den fremtidige utviklingen og anvendelsen av nevralt-kontrollerte drevet kunstig ben.

Introduction

Powered Ben-proteser har fått økende oppmerksomhet i både kommersielle markedet 1,2 og forskningsmiljø 3-5. Sammenlignet med tradisjonelle passive protese ben, motoriserte protese leddene har nytte av slik at nedre lem amputerte til mer effektivt å utføre aktiviteter som er vanskelig eller umulig når iført passive enheter. Men i dag, er jevn og sømløs aktivitet overgang (for eksempel fra nivå bakken vandre til trappe oppstigningen) fortsatt et utfordrende problem for drevne protese etappe brukere. Dette problemer er hovedsakelig på grunn av mangel på en bruker-maskin-grensesnitt som kan "lese" brukerens bevegelser hensikt og raskt justere protese kontrollparametre for å gjøre det mulig for brukerne å veksle sømløst aktivitetsmodus.

For å møte disse utfordringene, har ulike tilnærminger i å designe bruker-maskin-grensesnitt blitt utforsket. Hvori NMI basert på elektromyografi (EMG) signaler har vist et stort potensial for å tillate intuitiv kontroll av energidrevne Ben-proteser. To nyere studier 6,7 rapportert dekoding den tiltenkte bevegelse av den savnede kneet av transfemoralt amputerte ved å overvåke EMG signaler spilt inn fra rest musklene under en sittende stilling. Au et al. 5 brukt EMG signaler målt fra restnakkemusklene til å identifisere to locomotion moduser (nivå-bakken gang-og trappe avstamning) av en transtibial amputert. Huang et al. 8 foreslått en fase avhengig EMG mønstergjenkjenning tilnærming som kan gjenkjenne sju aktivitets moduser med ca 90% nøyaktighet som demonstrert på to transfemoralt amputerte. For bedre å forbedre intent-anerkjennelse ytelse, ble en NMI basert på nevromuskulær mekanisk fusion utformet i vår gruppe 9 og online evaluert på transfemoralt amputerte iført passive protese ben for forsett anerkjennelse 10,11. Dette NMI nøyaktig kan identifiserebrukerens ment aktiviteter og forutsi aktiviteten overgangene 9, som var potensielt nyttige for neural styring av motordrevne kunstige ben.

Den aktuelle spørsmålet står overfor er å integrere vår NMI i protesestyringssystem for å muliggjøre intuitive protese drift og sørge for brukerens sikkerhet. Utvikling sanne nevralt-kontrollerte kunstige ben krever en fleksibel plattform i laboratoriet for enkel implementering og optimalisering av protese reguleringsalgoritmer. Derfor er målet med denne studien er å rapportere en fleksibel ingeniør plattform utviklet i vårt laboratorium for testing og optimalisering av protesen reguleringsalgoritmer. I tillegg er nye eksperimentelle oppsettet og protokoll presenteres for evaluering av nevralt-kontrollerte drevet transfemoralt proteser på pasienter med lavere lem amputasjoner trygt og effektivt. Plattformen og eksperimentell design presentert i denne studien kan være til nytte i fremtiden utvikling av sanne nevralt-kontrollerte, drevet kunstig ben.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

En. Plattform for Implementering av Neural Kontroll av Powered Transfemoralt proteser

En ingeniør plattformen ble utviklet i denne studien å implementere og evaluere neural kontroll av energidrevne kunstige ben. Maskinvaren inkludert en stasjonær PC med 2,8 GHz CPU og 4 GB RAM, en multi-funksjonelle datainnsamling bord med både analog-til-digital omformere (ADCs) og digital-til-analog omformere (DAC), en motor kontrolleren, digital I / Os, og en prototypisk drevet transfemoral protese laget i vår gruppe 12. De analoge sensor innganger ble først digitalisert av de adjutanter og streames til den stasjonære PC-en for signalbehandling. Den DAC ble anvendt for kontrollutgang for å drive likestrømsmotor i protesen via en frekvensomformer. Digital I / Os ble brukt til å aktivere / deaktivere motor kontrolleren. Den drevne protese ble tjoret til stasjonær PC og drevet av en 24 V strømforsyning.

Programvaren ble programmert i annonsenevelopment miljø egnet for virtuell instrumentering kjører på den stasjonære PCen. Utviklingsmiljøet var basert på virtuell instrumentering, som effektivt kombinerer både brukerdefinert programvare og maskinvare for å gjennomføre tilpasset plattformen. Ved å bruke strukturen av et grafisk blokkdiagram, kan forskjellige modulære funksjonsnoder være enkelt og effektivt gjennomføres og oppdatert. For å vise funksjonen av plattformen for online kontroll av motordrevne kunstige ben, ble preliminært utformet protese kontroll implementert på denne plattformen. Styresystemet omfattet en neural-kontroller og en iboende regulatoren. Det nevrale kontrolleren besto av vår forrige designet NMI basert på nevromuskulær mekanisk fusion, som anerkjente brukerens aktivitetsmodus. Det nevrale kontrolleren som et høyt nivå kontrolleren ble hierarkisk koblet med den iboende kontroll for drevet lavere lem protese kontroll.

Arkitekturen fortsrol-programvaren på plattformen er vist på figur 1. Den NMI inneholder to deler:. frakoblet opplæringsmodul og elektronisk testmodulen. Den frakoblede opplæringsmodul designet for å samle inn treningsdata og bygge klassifiserere i NMI. De innsamlede flerkanals overflate EMG signaler og mekaniske målinger ble først forbehandlet og segmentert i kontinuerlig skyvevinduer. I hvert vindu, ble det som kjennetegner de signalmønstre ekstrahert og deretter smeltet i en funksjon vektor. Funksjonen vektor i hvert vindu var merket med aktivitetsmodi (klasser) og fase indeks basert på de som utfører aktivitetene til protese brukeren og delstatene protese under trening datainnsamling. De merkede funksjonssvektorer ble deretter anvendt for å bygge opp en faseavhengig mønster klassifikator, som inneholder flere under klassifiserere korrelert med individuelt faser. Den opprettede klassifikator ble lagret og overført til online testing modul for senere online evaluering. </ P>

Den elektroniske testmodulene ble brukt til online gjenkjenne brukerens bevegelser hensikt og bytte aktivitets moduser i indre kontrolleren. Den flerkanals nevromuskulære og mekaniske målinger ble samtidig strømmet inn online testing modul og forvandlet til funksjons vektorer. Da funksjonssvektorer ble matet inn i den fase-avhengige klassifikator som allerede er bygget i frakoblet opplæringsmodul. Basert på den nåværende fasen i indre kontrolleren, ble den tilsvarende sub-klassifikator slått på og brukes til å gjenkjenne brukerens hensikt. Utgangen klassifiseringen ble ytterligere etter behandlet og sendt til iboende kontrolleren for å bytte aktivitet moduser.

En endelig-tilstandsmaskin (FSM) basert impedans kontrolleren ble iverksatt for den iboende kontroll av energidrevne kunstige ben. Impedansen kontrolleren generert ønsket utgang dreiemoment på kneledd. Den finite-state machine justert felles impedans i henhold tilden nåværende tilstand av aktiviteten utfører. For locomotion aktiviteter (dvs. nivå bakken gang-og rampe opp / ned), FSM besto av fem stater som tilsvarer fem ganglag faser: holdning fleksjon (STF), holdning forlengelse (STE), pre-swing (PSW), swing fleksjon ( SWF), og swing forlengelse (SWE); for statisk stående, inkludert FSM to faser: vektbærende (WB) og ikke-vektbærende (NWB). Overganger mellom statene ble utløst av jordreaksjonsstyrke og kneleddet posisjon. Overgangen mellom aktivitetsmodi ble styrt av utgangssignalet fra den elektroniske testmodulen. For alle tre moduler omtalt ovenfor, ble det grafiske brukergrensesnittet (GUI) bygget, som tillot forskere i laboratoriet for å enkelt justere styringsparametere, overvåke systemytelse, og gjennomføre evaluerings eksperimenter.

2. Forsøksoppsett

  1. Overflate (sEMG)
    Overflate EMG signaler fra lårmusklene i amputert subjectR17, s stumpen er spilt inn av en trådløs EMG innsamlingssystem. De målrettede lårmusklene inkludert rectus femoris (RF), vastus laeralis (VL), vastus medialis (VM), biceps femoris lang (BFL), Sartorius (SAR), semitendinosus (SEM), og adductor magnus (ADM). Det er bemerkelsesverdig at nettopp rettet mot den spesifikke muskelen er ikke nødvendig 8 fordi den brukte mønstergjenkjenning algoritme i NMI søker aktiveringsmønstre flere muskler til å gjenkjenne aktiviteten modus. Så lenge den målte nevromuskulær informasjon kontroll for hofte og kne kontroll er tilstrekkelig, kryss-forhandlingene blant EMG innspillinger har liten innvirkning på NMI ytelse.
    1. Spør lagt utføre hoftefleksjon / forlengelse, hip adduksjon / bortføring, og forsøk å bøye / utvide den amputerte kneleddet når han er i stående stilling.
    2. Tilnærmet og bestemme plasseringen av elektrode plasseringer etter muskel palpasjon end undersøkelse av EMG opptak.
    3. Legge elektrodene i en ny utformet EMG elektrode-socket-grensesnitt, slik det er vist i figur 2, for både faget komfort og pålitelig elektrode-kontakt med huden.
  2. Mekaniske Målinger fra Powered protese
    De mekaniske bakkereaksjonsstyrker og momenter målt av en 6-DOF last celle fra protese pylon er smeltet sammen med EMG-signaler til å gjenkjenne motivets bevegelser hensikt. I tillegg er et potensiometer instrumentert på kneleddet til å måle kneleddet vinkel og en koder er koblet til likestrømmotoren for å beregne kneet vinkelhastighet. Disse målingene brukes som tilbakekoblingssignaler for indre kontroll.
    1. Monter en seks-graders-frihet veiecelle på protese pylon.
    2. Juster X-aksen, Y-aksen og Z-aksen til lastcelle med mediolateral retning, anteroposteriøre retning, og superoinferior retning av protesen, respektivly.
  3. Laboratory Miljø Setup
    For å evaluere det nevrale styring av motordrevne kunstige ben på transfemoralt amputerte, ble en hindring naturligvis bygget i laboratoriet, slik det er vist i figur 3.. Testomgivelsene inkluderte en 5-m rett gangvei, en 4 m lang rampe med en helling vinkel på 8 °, og et nivå plattform med rampen fast forankret. Langs rampen, ble hånd rekkverk installert for å forbedre sikkerheten til faget. I tillegg ble en tak-bjelkesystem med en fallsperre-selen gitt for å beskytte den gjenstand fra å falle i løpet av eksperimentet.

Tre. Experimental Protocol

Denne studien ble gjennomført med godkjenning av Institutional Review Board (IRB) ved University of Rhode Island og med informert samtykke fra rekruttert faget. En mannlig ensidig transfemoral amputert (årsak til amputasjon: traume, alder: 57 år, varighet av amputasjon: 32 åre) ble rekruttert i denne studien. Forholdet mellom lengden av stumpen (målt fra ischial tuberosity til den distale ende av stumpen) til lengden av den ikke-svekket side (målt fra ischial tuberosity til femoral epicondyle) var 51%. Faget bærer en mikroprosessorstyrt protese kne gjennom en suge suspensjon socket i sitt daglige liv. Før eksperimentet i denne studien fikk dette temaet flere treninger ledet av en fysioterapeut for å la motivet til å tilpasse seg den strømførende enhet og kalibrere ønsket impedans i hver aktivitet modus.

  1. Subject Forberedelse
    1. Mål faget vekt, høyde, og spille inn sitt kjønn og alder.
    2. Spør faget å sette på sine egne shorts i et privat rom for klargjøring.
    3. Sett en størrelse utstyrt falloppfangendesystem sele om emnet, og feste den til taket rail system.
  2. Forberedelse for EMG-opptak
    1. Velg syv fulladede trådløse EMG sensorer og slå dem på.
    2. Plasser EMG sensorer inn i tilpasset sugekontakten på preparerte steder. Skriv ned rekkefølgen antall sensorer og knytte dem til EMG steder.
    3. Rengjør huden av motivets stumpen med isopropyl alkohol pads.
    4. Assist emnet i donning sugekontakten og kontrollere at kontakten er godt festet til motivets stumpen.
    5. Slå på sanntids EMG analoge data streaming programvare.
    6. Spør lagt utføre hoftefleksjon / utvidelse, hip adduksjon / bortføring, og kne bøy / strekk og undersøke EMG signaler å verifisere EMG elektroder kontakt og dataoverføring.
  3. Justering og Initial Kalibrering av Powered Prosthetic Leg
    1. Instruere underlagt forbli i en stående posisjon mens du holder en hjelpe rullator.
    2. Fest drevet protese til sugekontakten med en pyramide tilpasningtor. Juster et sett av rotasjonsskruene på adapteren inntil posisjonen til protesen er geometrisk linje med kontakten. Denne prosedyren ble utført av en ortopediingeniør.
    3. Spør lagt løfte protesen opp fra bakken og kalibrere veiecelle på protese pylon.
    4. Instruere underlagt øve vandre på ulike terreng (f.eks, nivå-bakken, rampen oppstigning, og rampe avstamning) når man bærer drevet protese etappe. Denne prosedyren fortsetter til faget føler seg trygg på å gå med den strømførende enhet og konsistent gangmønster i hver aktivitet ytelse.
  4. Trening datainnsamling for Trening av Classifiers i NMI
    1. Be faget til å stå på startposisjonen til en forhåndsdefinert gangbanen, slik det er vist i figur 3..
    2. Slå på drevet protese og laste parameterne i den iboende kontrolleren.
    3. Kjør en trening datainnsamling comPUTER program og sette den iboende kontroll til stående modus ved å klikke på "Standing"-knappen på det grafiske brukergrensesnittet (GUI).
    4. Begynn datainnsamling ved å klikke på "Start Recording"-knappen på GUI. Instruere underlagt bo i stående stilling for 5 sek.
    5. Instruere emnet å gå over nivået bakken på hans / hennes selvvalgte behagelig gangfart; samtidig, klikker du på "Walking"-knappen på GUI før toe-off av de ledende etappe av faget og sette den iboende kontrollen til nivå-bakken gangmodus.
    6. Når motivet nærmet til kanten av rampen oppstigning, klikk på "Ramp Ascent"-knappen på GUI før tå-off av benprotesen tråkke på rampen og slå den iboende kontroll til rampen oppstigningen modus. For sikkerhets skyld, at motivet for å bruke et håndtak når du går på en rampe.
    7. Når motivet kommer til enden av rampen, klikk på "Walking"-knappenigjen før hælen streik av protese etappe stepping på nivå plattform og bytte protesen iboende kontrollen til nivå-bakken gangmodus.
    8. Ved slutten av gangbanen, instruere faget for å stoppe og holde seg i stående stilling. Samtidig, klikker du på "Standing"-knappen før den doble holdning fase og slå den iboende kontrollen tilbake til stående modus.
    9. Etter rundt fem sekunder, avslutte datainnsamlingen ved å klikke på "Stopp"-knappen. Etiketten samlet inn data som "treningsdata satt en".
    10. Gjenta prosedyren 3.4.4-3.4.9 når motivet går i en motsatt rute tilbake til startposisjonen; den eneste forskjellen er å bytte den iboende kontroll til rampen nedstigningen modus når motivet går på rampen ned.
    11. Gjenta 3.4.4-3.4.10 inntil ti komplette trenings datasett er samlet. Undersøk signalkvaliteten oppsamlet treningsdatasettet.
    12. At motivet for å ha en hvileperiode etter the datainnsamling økten.
    13. Trene mønstergjenkjenning klassifiserere i NMI via offline opplæringsmodul (Figur 1). Bruk samlet inn EMG og mekaniske signaler, aktivitetsmoduser (klasser) merket under treningen prosedyren, og oppdaget faser for å bygge faseavhengig mønster klassifiserere. Lagre parametere av klassifiserere automatisk for senere online testing økten.
  5. Online Testing av Neural Kontroll av Powered transfemoral protese
    1. Instruere underlagt stå ved startpunktet for tursti.
    2. Slå på drevet protese. Laste trent klassifikator til online testing modul og parameterne til den iboende kontrolleren.
    3. Instruere underlagt begynne testforsøk i en stående posisjon, deretter kontinuerlig overgang til nivå-bakken gang, rampe gang, nivå-bakken gang, og til slutt stoppe opp og fullføre denne rettssaken i slutten av tursti. Instruere lagtutføre hver aktivitet i et behagelig tempo. Tillat hvileperioder mellom forsøk for å unngå tretthet.
    4. Under hver testing rettssaken, viser aktivitets moduser av protesen og kneleddet vinkel målingene på en TV-skjerm. Lagre alle målinger og styreutganger for senere evaluering formål.
    5. Gjenta trinn 3.5.1-3.5.4 inntil ti komplett testing forsøkene er ferdig.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 4a viser syv kanaler av overflate EMG signaler målt fra lårmusklene av motivets stumpen når han utførte hoftefleksjon / utvidelse, slik det er beskrevet i protokoll 3.2.6. Figur 4b viser seks ganglag sykluser av EMG-signaler registrert når motivet gikk på et nivå bakken tursti, under protokoll 3.3.4. Fra denne figuren kan det sees at det nye utformet EMG elektrode-socket-grensesnitt kan gi god kvalitet av overflate EMG-signalmålinger.

Figur 5 viser kontrollmodi, oppdaget faser, og resulterte kneleddet vinkel på nevralt-kontrollerte motordrevne transfemoral protese i én representant online testing rettssaken. Faget ble bedt om å begynne i en stående posisjon, overgang til nivå-bakken gang, rampe oppstigning, nivå-bakken gang, og deretter stoppe på slutten av tursti. Emnet deretter tilbake til den opprinnelige startpunktet langs than reversere ruten. Som vist i figur 5, med det nevrale kontroll, rekruttert emnet var i stand til problemfritt skifte drevet transfemoral protesen kontrollmodus basert på sine tilsiktede aktivitet modi. Den røde stiplede linjen indikerte vår definerte kritisk tidspunkt for hver aktivitet modus overgang. For overgangen fra nivå bakken vandre til rampe opp / ned og fra stående til turgåing, ble den kritiske timing begynnelsen av swing fase (dvs. toe off) i overgangsperioder; for overgang fra rampe opp / ned til nivå-bakken gåing og gåing til stående, den kritiske tidspunktet var i begynnelsen av vekt aksept (dvs. hæl kontakt) på flat mark. Ca 18 sekunder inn i denne representant rettssaken, protesen feilaktig byttet til rampe oppstigningen modus når motivet gikk på nivå-bakken på grunn av den feilaktige anerkjennelse av brukerens hensikt ved NMI. Disse feilene avdekket ikke vesentlige endringer i gang kinematikk av sumne og ikke ble oppfattet av faget. Men vi fikk observere noen feil som forstyrret motivets gangart stabilitet i enkelte testforsøk. Men ingen av disse feilene forårsaket faget til å falle.

Figur 1
Figur 1. Arkitekturen av administrerende programvare på testing plattform for evaluering av online neural kontroll av en prototypisk drevet transfemoral protese. Vennligst klikk her for å se en større versjon av dette tallet.

Fig. 2
Figur 2. A) Frontal og sagittal visning av subject iført drevet transfemoral protese med EMG og mekanisk måleoppsett;. b) Datainnsamling cart med stasjonær PC, trådløse EMG basestasjon, multifunksjonelle DAQ bord, og strømforsyningen Vennligst klikk her for å se en større versjon av dette tallet.

Figur 3
Fig. 3. Experimental hindring naturligvis bygget i laboratoriemiljø.

Figur 4
Figur 4 Rå EMG signaler registrert fra lårmusklene av motivets stumpen, når motivet (en. (B) gikk på et nivå-bakken tursti.

Figur 5
Figur 5. Eksempel på kontrollmoduser, oppdaget faser, og resulterer drevet kneleddet vinkel på nevralt-kontrollerte motordrevne transfemoral protese i én representant online testing rettssaken. Den røde stiplede linjen viser den definerte kritisk tidspunkt for hver aktivitet modus overgang.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En ingeniør plattformen ble utviklet i denne studien for enkelt å implementere, optimalisere og utvikle sann neural kontroll av motoriserte proteser. Hele plattformen ble programmert i en virtuell instrumentering basert utviklingsmiljø og gjennomføres på en stasjonær PC. Kontrollen programvare ble sammensatt av flere selvstendige og utskiftbare moduler, i hver av hvilke en bestemt funksjonalitet ble utført (dvs. NMI hensikt anerkjennelse, og indre kontroll). Fordelen med denne modulkonstruksjon er at hver funksjonsblokk kan lett rettet kan modifiseres, og oppdatert. I tillegg kan legge til eller slette funksjoner eller endrer noen koblinger mellom moduler kan enkelt gjøres i dette dataprogrammet. Derfor kan plattformen lett brukes til å implementere andre NMI basert på ulike nevrale kontroll informasjon eller basert på ulike brukergrupper hensikt anerkjennelse teknikker. For eksempel, når en EEG-baserte neural-maskin-grensesnitt er utviklet, kan den lett gjenerte på denne plattformen ved å endre datainnsamlingsmodul og hensikt anerkjennelse modul; når et neural-maskin-grensesnitt basert på en ny hensikt dekodingsmetode er utviklet, kan den påføres ved rett og slett å bytte ut den hensikt gjenkjennelse modulen. Imidlertid bør det bemerkes at programvaren i denne teknikk plattformen ble utformet basert på en hierarkisk struktur, som er tilkoblet et høyt-nivå hensikt gjenkjennelse modul med et lavnivå protese kontrolleren. Derfor kan bare neural-maskin-grensesnitt som kan dekode og utgang brukerens bevegelser hensikt lett brukes på denne plattformen. I tillegg oppmerksom på at denne plattformen brukes kun for å bevise konseptet. Når det nevrale styring av motordrevne kunstige ben er ferdiggjort, i det vesentlige kontrollerne bør gjennomføres på en kraftig forankret datasystem og integrert i protesen for å foreta de kunstige ben praktisk og portabel for bruk på daglig baser.

En erfaringrimental oppsett er designet for å teste den nevrale kontrolleren for drevne kunstige ben på pasienter med transfemoralt amputasjoner. To viktige aspekter i våre oppsett er uthevet. Først sikre sikkerheten til rekruttert faget er nødvendig. Dette er fordi feilklassifiseringer i NMI (som et eksempel vist i figur 5) eller feil ved intrinsic kontroll kan skje i utgangspunktet utformet protesen kontroll, noe som kan forstyrre brukeren protesen er vandre stabilitet (observert i denne studien, selv om ikke alle de NMI feil forstyrre vandre stabilitet), føre til fall, og trusselen deres sikkerhet. Derfor ble det i våre oppsett hånd rekkverk installert for ujevnt terreng. I tillegg ble en tak-bjelkesystem med en fallsperre sele bygget, som omfattet hele forsøksområdet i laboratoriet og ble påført på maksimalt beskytte faget sikkerhet. For det andre er det viktig å utvikle en komfort og pålitelig EMG elektroder-socket-grensesnittet. Sette sensorer i prosthEtic stikkontakter kan bygge høyt trykk eller friksjon mot visse regioner av rest lemmer, noe som fører til ubehag i gang og dårlig ganglag mønster i faget. Tilnærminger som reduserer trykket / friksjon kan imidlertid føre til dårlige kontakten mellom elektrodene og den gjenværende lem, noe som resulterer i støy EMG-opptak. I denne studien, presenterte vi en ny elektrode-socket grensesnittet basert på trådløse EMG elektroder, som ga høy kvalitet i EMG-signaler for nøyaktig hensikt anerkjennelse (som vist i Figur 4), tett socket suspensjon, og god brukerkomfort. Selv om noen kryss-forhandlingene ble observert i noen få kanaler (dvs. Kanal 3 og 6 i figur 4b), de har liten innvirkning på ytelsen til NMI. Det er fordi mønstergjenkjenningsalgoritme som er utformet i NMI søker aktiverings mønstre av flere muskler til å gjenkjenne aktiviteten modus. Dette oppsettet kan også ha nytte andre forsknings eller kliniske grupper, som planlegger å undersøke muscle eiendom eller funksjon i rest lemmer av underekstremiteter amputerte.

For effektivt å evaluere nevralt-kontrollerte kunstige ben, ble eksperimentelle studier utformet for å inkludere alle de studerte aktivitetsmodus og modus overganger. Det er bemerkelsesverdig at gangart og balansetrening av underekstremiteter amputerte i å bruke motoriserte proteser er nødvendig før den presenteres eksperiment for å gjøre NMI nøyaktige i å gjenkjenne brukerens aktivitetsmodus. Dette er fordi mønstergjenkjenning benyttes i våre NMI, som gjenkjenner forskjellige aktivitet-modus ved å søke i EMG-og mekaniske signaler mønster som er konsistent for en aktivitet modus, men forskjellig fra de andre modusene. De treningene sikre brukerne å tilpasse seg de drevne enheter som redefinerer sine dynamikk i gang og produsere konsekvent gangart mønster når du utfører den samme aktiviteten. I tillegg, for samme formål, subjektet bør bli gitt tidspunkt ved begynnelsen av den experiment å akklimatisere seg til den drevne protese og oppnå en jevn og konsistent gangmønster.

Til slutt ønsker vi å understreke at den fleksible testing plattform, eksperimentelle oppsettet, og eksperimentell protokoll som presenteres i denne studien var nyttig for laboratorie utvikling og evaluering av neural kontroll for drevne kunstige ben. For å gjøre sluttførte nevralt-kontrollerte kunstige ben praktisk for daglig bruk, utvikling av embedded prosjektering plattform og brukervennlig kalibreringen og evaluering i realist miljøer er nødvendig i fremtiden. I tillegg er det nevrale kontroll som presenteres i denne undersøkelse foreløpig og brukt til å demonstrere funksjon av vår testing plattform og eksperimentell design bare; det er ikke den endelige kontrollen for drevne enheter som vi fikk observere feil i NMI som forstyrrer gangmønster av lavere lem amputerte, som bør fjernes. Vår rapportert plattform og evaluering oppsett og protokoll gitt convenient verktøy for å ytterligere optimalisere den nevrale kontrolleren og indre kontroll og utvikle en ekte Bionic lavere lem protese som kan betjenes av brukerne enkelt, pålitelig, og intuitivt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter erklært.

Acknowledgements

Dette arbeidet ble støttet delvis av National Institutes of Health i henhold Grant RHD064968A, i en del av National Science Foundation i henhold Grant 0.931.820, Grant 1.149.385, og Grant 1.361.549, og i en del av National Institute on Disability and Rehabilitation Forskningen under Grant H133G120165. Forfatterne takker Lin Du, Ding Wang og Gerald Hefferman ved University of Rhode Island, og Michael J. nonnekloster på nonneklosteret Orthotic og Prosthetic Technology, LLC, for deres gode forslag og hjelp i denne studien.

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