Ingegneria della piattaforma e protocollo sperimentale per la progettazione e la valutazione di un Powered transfemorale protesi neurale controllata

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

Interfacce Neural-macchina (NMI) sono stati sviluppati per identificare la modalità locomozione dell'utente. Questi INM sono potenzialmente utili per il controllo neurale delle gambe artificiali alimentati, ma non sono stati pienamente dimostrato. Questo documento presentato (1) la nostra piattaforma di ingegneria progettato per una facile attuazione e lo sviluppo del controllo neurale per alimentati protesi di arto inferiore e (2) un setup sperimentale e il protocollo in un ambiente di laboratorio per valutare gambe artificiali neuro-controllato su pazienti con amputazioni degli arti inferiori in modo sicuro ed efficiente.

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

Per abilitare il funzionamento intuitivo di gambe artificiali alimentati, una interfaccia tra utente e protesi in grado di riconoscere il movimento intento dell'utente si desidera. Una nuova interfaccia neurale-macchina (NMI) sulla base neuromuscolare-meccanico fusione sviluppato nel nostro studio precedente ha dimostrato un grande potenziale per identificare con precisione il movimento previsto di utenti transfemorali. Tuttavia, questa interfaccia non è ancora stato integrato con una protesi della gamba alimentato per un vero controllo neurale. Questo studio ha lo scopo di segnalare (1) una piattaforma flessibile per implementare e ottimizzare il controllo neurale della alimentato protesi di arto inferiore e (2) un setup sperimentale e il protocollo per valutare il controllo protesi neurale su pazienti con amputazioni degli arti inferiori. In primo luogo una piattaforma basata su un PC e un ambiente di programmazione visuale sono stati sviluppati per implementare gli algoritmi di controllo protesi, tra cui l'algoritmo NMI formazione, algoritmo di test online NMI, e algoritmo di controllo intrinseco. Per dimostrare lafunzione di questa piattaforma, in questo studio il NMI basato su neuromuscolare-meccanico fusione era gerarchicamente integrato con controllo intrinseco di una protesi transfemorale prototipo. Un paziente con amputazione transfemorale unilaterale è stato reclutato per valutare il nostro controller neurale implementato durante l'esecuzione di attività, come ad esempio in piedi, piano terra walking, rampa di salita e rampa di discesa continuamente in laboratorio. Un setup sperimentale romanzo e il protocollo sono stati sviluppati al fine di testare il nuovo controllo protesi modo sicuro ed efficiente. La piattaforma presentata proof-of-concept e setup sperimentale e il protocollo potrebbero aiutare il futuro sviluppo e l'applicazione di gambe artificiali alimentati neuro-controllate.

Introduction

Powered protesi degli arti inferiori hanno acquisito una crescente attenzione sia nel mercato commerciale 1.2 e comunità di ricerca 3-5. Rispetto alle gambe passive tradizionali protesi, protesi articolari motorizzati hanno il vantaggio di consentire amputati di arto inferiore per eseguire in modo più efficiente attività che sono difficili o impossibili quando indossa dispositivi passivi. Tuttavia, attualmente, transizione graduale e senza soluzione di continuità l'attività (ad esempio, dal piano terra a piedi da scale di risalita) è ancora un problema difficile per gli utenti alimentati protesi della gamba. Questa difficoltà è dovuta principalmente alla mancanza di una interfaccia utente-macchina in grado di "leggere" movimento intento dell'utente e prontamente regolare i parametri di controllo protesi al fine di consentire agli utenti di passare facilmente alla modalità attività.

Per affrontare queste sfide, sono stati esplorati vari approcci nella progettazione di interfaccia utente-macchina. In cui NMI basa su elettromiografico (EMG) segnali ha dimostrato un grande potenziale per consentire il controllo intuitivo del alimentati protesi degli arti inferiori. Due recenti studi hanno riportato 6,7 decodificare il movimento previsto del ginocchio mancante degli amputati transfemorali monitorando i segnali EMG registrati dai muscoli residui durante una posizione seduta. Au et al. 5 utilizzati segnali EMG misurati dai muscoli tibia residui di identificare due modalità di locomozione (a piedi piano terra e la scala discesa) di un amputato transtibiale. Huang et al. 8 proposto un EMG approccio pattern recognition fase-dipendente in grado di riconoscere sette modalità di attività con circa il 90% di precisione come dimostrato su due amputati transfemorali. Per migliorare le prestazioni migliori intento di riconoscimento, un NMI sulla base neuromuscolare-meccanico di fusione è stato progettato nel nostro gruppo 9 e on-line valutata utenti transfemorali che indossano protesi alle gambe passivi per il riconoscimento intento 10,11. Questo NMI può identificare con precisioneattività volte dell'utente e prevedono le transizioni di attività 9, che era potenzialmente utile per il controllo neurale di gambe artificiali alimentati.

Il problema attuale ci troviamo ad affrontare è come integrare il nostro NMI nel sistema di controllo protesi al fine di consentire il funzionamento della protesi intuitivo e garantire la sicurezza dell'utente. Lo sviluppo di vere e proprie gambe artificiali neuro-controllate richiede una piattaforma flessibile in laboratorio per una facile implementazione e l'ottimizzazione di algoritmi di controllo protesi. Pertanto, l'obiettivo di questo studio è quello di segnalare una piattaforma di progettazione flessibile sviluppato nel nostro laboratorio per testare e ottimizzare gli algoritmi di controllo protesi. Inoltre, il nuovo setup sperimentale e il protocollo sono presentate per la valutazione dei alimentati protesi transfemorale neuro-controllato su pazienti con amputazioni degli arti inferiori in modo sicuro ed efficiente. La piattaforma e il disegno sperimentale presentato in questo studio potrebbero trarre beneficio futuro sviluppo di veri neuro-controllati, alimentati gambe artificiali.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Piattaforma per l'attuazione del controllo neurale del Powered transfemorale Protesi

Una piattaforma di ingegneria è stato sviluppato in questo studio per implementare e valutare controllo neurale delle gambe artificiali alimentati. L'hardware comprendeva un PC desktop con CPU da 2,8 GHz e 4 GB di RAM, una scheda di acquisizione dati multi-funzionale con entrambe analogico-digitali (ADC) e convertitori digitali-analogici (DAC), un controller del motore, io digitale / O, e un prototipo di protesi transfemorale motorizzata dotata nel nostro gruppo 12. Gli ingressi dei sensori analogici sono stati digitalizzati dai ADC e in streaming sul PC desktop per l'elaborazione del segnale. Il DAC è stato utilizzato per l'uscita di controllo per azionare il motore a corrente continua in protesi attraverso un controllo del motore. Digital I / O sono stati usati per attivare / disattivare il controller del motore. La protesi è stata alimentata legato al PC desktop e alimentato da un alimentatore a 24 V.

Il software è stato programmato in annuncioviluppo ambiente adatto per strumentazione virtuale in esecuzione sul PC desktop. L'ambiente di sviluppo è basata su strumentazione virtuale, che combina efficacemente entrambi i software definito dall'utente e hardware per implementare la piattaforma personalizzata. Utilizzando la struttura di un diagramma a blocchi grafica, diversi nodi di funzione modulare possono essere facilmente ed efficacemente attuato e aggiornato. Al fine di dimostrare la funzione di piattaforma per il controllo in linea di gambe artificiali alimentati, controllo protesi preliminarmente progettato è stato realizzato su questa piattaforma. Il sistema di controllo includeva un controllore neurale ed un controllore intrinseca. Il controllore neurale consisteva nostra precedente NMI progettato sulla base neuromuscolare-meccanico fusione, che riconosce la modalità attività dell'utente. Il controllore neurale come controller di alto livello è stato gerarchicamente collegato con il controllo intrinseco per alimentata inferiori controllo protesi di arto.

L'architettura di contsoftware rol sulla piattaforma è illustrato in Figura 1 Il NMI contiene due parti:. modulo di formazione in linea e modulo test online. Il modulo di formazione in linea è stato progettato per raccogliere dati di allenamento e costruire classificatori in NMI. Le multicanale segnali EMG di superficie raccolti e misure meccaniche sono stati pre-elaborati e suddivisi in finestre scorrevoli continui. In ogni finestra, caratteristiche che caratterizzano i modelli di segnale sono stati estratti e poi fusi in una funzione vettoriale. Il vettore funzionalità in ogni finestra è stato etichettato con modalità di attività (classi) e l'indice di fase in base alle attività degli utenti che effettuano protesi e gli stati di protesi durante la raccolta dei dati di allenamento. La funzione vettori marcati sono stati poi utilizzati per costruire un modello di classificatore fase-dipendente, che contiene più sotto-classificatori correlati con fasi individualmente. Il classificatore creato è stato salvato e trasferito al modulo di test on-line per la successiva valutazione in linea. </ P>

Il modulo di test online è stato utilizzato per riconoscere il movimento on-line l'intento dell'utente e cambiare le modalità di attività nel regolatore intrinseco. Il neuromuscolare multicanale e le misure meccaniche sono state simultaneamente in streaming nel modulo di test online e trasformate in vettori di feature. Poi i vettori di feature sono stati inseriti nel classificatore fase-dipendente che è stato già costruito nel modulo di formazione in linea. Sulla base della fase attuale regolatore intrinseco, il corrispondente sub-classificatore è stato acceso e utilizzato per riconoscere l'intenzione dell'utente. L'uscita classificazione è stata ulteriormente post-elaborato e inviato al regolatore intrinseco di cambiare modalità di attività.

Controllore di impedenza Una macchina a stati finiti (FSM) basato stata effettuata per il controllo intrinseco di gambe artificiali alimentati. Il controller impedenza generato desiderata uscita di coppia sulle articolazioni del ginocchio. La macchina a stati finiti regolare l'impedenza giunto secondolo stato attuale dell'attività esecuzione. Per le attività di locomozione (cioè camminare piano terra e la rampa di salita / discesa), il FSM consisteva in cinque stati corrispondenti a cinque fasi del passo: la posizione di flessione (STF), ampliamento posizione (STE), pre-altalena (PSW), altalena flessione ( SWF), e l'estensione oscillazione (SWE); per stare in piedi statica, il FSM ha incluso due fasi: cuscinetto di peso (WB) e non peso cuscinetto (NWB). Le transizioni tra gli stati sono stati innescati dalla forza di reazione al suolo e il ginocchio posizione comune. Il passaggio tra le modalità di attività è stato comandato dall'uscita dal modulo di test online. Per tutti e tre i moduli di cui sopra, l'interfaccia utente grafica (GUI) sono stati costruiti, che ha permesso sperimentatori nel laboratorio di regolare facilmente i parametri di controllo, le prestazioni del sistema monitor, e condurre esperimenti di valutazione.

2. Setup sperimentale

  1. Elettromiografia di superficie (sEMG)
    Segnali EMG di superficie dei muscoli della coscia del amputato subjectR17; s moncone sono registrate da un sistema di acquisizione EMG wireless. I muscoli della coscia mirati inclusi il retto femorale (RF), laeralis vasto (VL), vasto mediale (VM), il bicipite femorale lungo (BFL), Sartorius (SAR), semitendinoso (SEM), e adduttore (ADM). È interessante notare che mira precisamente il muscolo specifico non è necessario 8 perché l'algoritmo di riconoscimento di pattern utilizzato in NMI ricerche pattern di attivazione di muscoli multipli di riconoscere la modalità attività. Finché le informazioni di controllo neuromuscolare misurato per anca e ginocchio controllo è sufficiente, incrociati colloqui tra EMG hanno un impatto minimo sulle prestazioni NMI.
    1. Chiedere al soggetto di eseguire hip flessione / estensione, adduzione / abduzione, e il tentativo di flettere / estendere il ginocchio amputato quando è in posizione eretta.
    2. Approssimative e determinare le posizioni di posizionamento degli elettrodi dal muscolo palpazione und esame delle registrazioni EMG.
    3. Incorporare gli elettrodi in una nuova EMG interfaccia elettrodo-presa creazione, come mostrato nella Figura 2, sia il comfort del soggetto e del contatto elettrodo-pelle affidabili.
  2. Misure meccaniche da protesi Powered
    Le forze di reazione del terreno meccaniche e momenti misurati mediante una cella di carico 6-DOF dal pilone protesica sono fusi con segnali EMG riconoscere movimento intento del soggetto. Inoltre, un potenziometro è strumentato sul ginocchio per misurare l'angolo ginocchio e un encoder è collegato al motore DC per calcolare la velocità angolare del ginocchio. Queste misurazioni sono usati come segnali di retroazione per il controllo intrinseco.
    1. Montare una cella di carico a sei gradi di libertà sul pilone protesica.
    2. Allineare asse X, Y, e Z della cella di carico con direzione medio-laterale, direzione antero-posteriore, e la direzione superoinferior della protesi, rispettivaly.
  3. Laboratorio Ambiente di installazione
    Per valutare il controllo neurale della alimentati gambe artificiali su utenti transfemorali, un percorso ad ostacoli stato costruito in laboratorio, come mostrato nella Figura 3. Dell'ambiente di test includeva 5 m passerella rettilineo, lungo una rampa 4 m con un'inclinazione angolo di 8 °, ed una piattaforma di livello con la rampa fissato saldamente. Lungo la rampa, inferriate della mano sono stati installati per migliorare la sicurezza del soggetto. Inoltre, un sistema di guida a soffitto con un'imbracatura anticaduta state fornite per proteggere la persona caduta durante l'esperimento.

3. Protocollo sperimentale

Questo studio è stato condotto con l'approvazione di Institutional Review Board (IRB) all'Università di Rhode Island e con il consenso informato del soggetto assunto. Un maschio transfemorale unilaterale amputato (causa di amputazione: trauma, l'età: 57 anni, la durata di amputazione: 32 annis) è stato reclutato in questo studio. Il rapporto tra la lunghezza del moncone (misurata dalla tuberosità ischiatica all'estremità distale del moncone) alla lunghezza del lato non alterata (misurata dalla tuberosità ischiatica all'epicondilo femorale) era del 51%. Il soggetto indossa una protesi di ginocchio microprocessore attraverso una presa di sospensione di aspirazione nella sua vita quotidiana. Prima dell'esperimento in questo studio, questo soggetto ha ricevuto varie sessioni guidati da un fisioterapista per permettere al soggetto di adattarsi al dispositivo alimentato e calibrare l'impedenza desiderato in ogni modo l'attività.

  1. Oggetto Preparazione
    1. Misurare il soggetto di peso, l'altezza e registrare il suo sesso ed età.
    2. Chiedere al soggetto di mettere sui propri corti in una stanza di preparazione privata.
    3. Mettere un imbracatura anticaduta size-montato sul soggetto e collegarlo al sistema ferroviario soffitto.
  2. Preparazione per la registrazione EMG
    1. Selezionare sette sensori EMG wireless completamente cariche e accenderli.
    2. Posizionare i sensori EMG nella presa di aspirazione personalizzato in luoghi preparati. Annotare il numero d'ordine dei sensori e associarli con sedi EMG.
    3. Pulire la pelle del moncone del soggetto con tamponi imbevuti di alcool isopropilico.
    4. Assistere il soggetto indossare la presa di aspirazione e verificare che la presa sia saldamente attaccato al moncone del soggetto.
    5. Accendere il software di streaming di dati EMG analogico in tempo reale.
    6. Chiedere al soggetto di eseguire hip flessione / estensione, adduzione / abduzione, e del ginocchio flessione / estensione ed esaminare i segnali EMG per verificare EMG elettrodo di contatto e la trasmissione dei dati.
  3. Allineamento e calibrazione iniziale delle Powered Protesica Leg
    1. Istruire il soggetto di rimanere in posizione eretta mentre si tiene un camminatore assistive.
    2. Fissare la protesi alimentato alla presa di aspirazione con un adattatore piramidetor. Regolare una serie di viti rotazione sull'adattatore finché la posizione della protesi è geometricamente allinei con la presa. Tale procedura è stata eseguita da un tecnico ortopedico.
    3. Chiedere al soggetto di sollevare la protesi da terra e calibrare la cella di carico sul pilone protesica.
    4. Istruire il soggetto di praticare camminare su terreni diversi (ad esempio, piano terra, rampa di salita e rampa di discesa) quando si indossa la protesi della gamba alimentato. Questa procedura continua fino a quando il soggetto si sente sicuro nel camminare con il dispositivo alimentato e rese coerenti schema del passo in ogni performance attività.
  4. Formazione Raccolta dati per la formazione dei Classificatori in NMI
    1. Istruire il soggetto di stare sulla posizione iniziale di un percorso predefinito piedi, come mostrato nella Figura 3.
    2. Accendere la protesi alimentato e caricare i parametri nel controllore intrinseca.
    3. Eseguire un com raccolta dati formazioneprogramma di computer e impostare il controllo intrinseco al modo in piedi facendo clic sul pulsante "Standing" sull'interfaccia utente grafica (GUI).
    4. Inizia la raccolta dei dati cliccando sul pulsante "Start Recording" a GUI. Istruire il soggetto di rimanere in posizione eretta per 5 sec.
    5. Istruire il soggetto di camminare in piano al suo / la sua comoda velocità di auto-selezionati a piedi; allo stesso tempo, fare clic sul pulsante "Walking" sulla GUI prima punta-off della gamba leader del soggetto e impostare il controllo intrinseco di modalità a piedi livello-terra.
    6. Quando il soggetto si stava avvicinando al bordo della rampa di salita, fare clic sul pulsante "Rampa Salita" sulla GUI prima punta-off della protesi della gamba salire sulla rampa e passare il controllo intrinseco alla rampa modalità di salita. Per motivi di sicurezza, permettono al soggetto di utilizzare una ringhiera mano quando si cammina su una rampa.
    7. Quando il soggetto arriva alla fine della rampa, fare clic sul pulsante "Walking"ancora prima che il tallone di protesi della gamba passo sulla piattaforma di livello e passare il controllo intrinseco protesi modalità a piedi livello del suolo.
    8. Alla fine del percorso a piedi, istruire il soggetto di fermarsi e rimanere in posizione eretta. Allo stesso tempo, fare clic sul pulsante "permanente" prima della fase di doppio appoggio e passare il controllo intrinseco alla modalità in piedi.
    9. Dopo circa 5 secondi, terminare la raccolta di dati facendo clic sul pulsante "Stop". Etichetta dati raccolti come "set di dati di training 1".
    10. Ripetere la procedura 3.4.4-3.4.9 quando il soggetto entra in un percorso inverso verso la posizione di partenza; l'unica differenza sta passando il controllo intrinseco di rampa modalità di discesa quando il soggetto cammina sulla rampa verso il basso.
    11. Ripetere 3.4.4-3.4.10 fino a dieci serie complete dei dati di allenamento vengono raccolti. Esaminare la qualità di raccolta set di dati di training segnale.
    12. Permettere al soggetto di avere un periodo di riposo dopo the sessione di raccolta dei dati.
    13. Formare i classificatori di pattern recognition in NMI tramite modulo di formazione in linea (Figura 1). Utilizzare la raccolta EMG e segnali meccanici, i modi di attività (classi) etichettati durante la procedura di formazione, e rilevato fasi per costruire le classificatori modello fase-dipendente. Salvare i parametri dei classificatori automaticamente per la successiva sessione di test online.
  5. Test on-line di Neural controllo Powered transfemorale Protesi
    1. Istruire il soggetto di stare al punto di partenza del percorso a piedi.
    2. Accendere la protesi alimentato. Caricare il classificatore addestrato per il modulo di test online ed i parametri al controller intrinseca.
    3. Istruire il soggetto per iniziare le prove di collaudo in posizione eretta, poi la transizione continuamente a camminare piano terra, rampa a piedi, livello del suolo a piedi, e finalmente smettere e finire questo processo alla fine del percorso a piedi. Istruire il soggetto asvolgere ogni attività ad un ritmo confortevole. Consentire periodi di riposo tra prove per evitare l'affaticamento.
    4. Durante ogni prova test, visualizzare i modi di attività della protesi del ginocchio e letture angolari comune su un monitor TV. Salvare tutte le misure e le uscite di controllo fini successiva valutazione.
    5. Ripetere i passaggi 3.5.1-3.5.4 fino a dieci prove di collaudo complete sono finiti.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figura 4a mostra sette canali di segnali EMG di superficie misurata dai muscoli della coscia dell'arto residuo del soggetto quando si è esibito hip flessione / estensione, come descritto nel protocollo 3.2.6. Figura 4b mostra sei cicli del passo di segnali EMG registrati quando il soggetto calpestato un percorso piano terra a piedi, durante il protocollo 3.3.4. Da questa figura, si può notare che il nuovo EMG interfaccia elettrodo-presa progettato può fornire una buona qualità di superficie EMG misure di segnale.

Figura 5 illustra le modalità di controllo, le fasi rilevato, e ha portato l'angolo del ginocchio congiunta delle alimentato protesi transfemorale neuro-controllato in uno studio rappresentativo test online. Il soggetto è stato chiesto di iniziare in posizione eretta, la transizione a camminare piano terra, rampa di salita, piano terra a piedi, e poi si ferma alla fine del percorso a piedi. Il soggetto poi tornato al punto di partenza originale lungo tegli invertire rotta. Come mostrato in figura 5, con il controllo neurale, il soggetto assunto era in grado di passare agevolmente la modalità di controllo protesi transfemorale alimentato sulla base delle sue modalità attività previste. La linea tratteggiata rossa indica la nostra tempistica definita critica di ogni attività modalità di transizione. Per il passaggio dal livello del suolo a piedi la rampa di salita / discesa e da in piedi a camminare, la tempistica critica cominciava della fase di oscillazione (ad esempio, punta off) nei periodi di transizione; per il passaggio da rampa di salita / discesa per livellare terra camminare e camminare a piedi, il momento critico è stato l'inizio di peso accettazione (ad esempio, il contatto del tallone) in piano. Circa 18 secondi in questo processo rappresentativo, la protesi non correttamente passati a rampa modalità di salita quando il soggetto camminava al piano terra a causa del riconoscimento erroneo di intenti dell'utente dal NMI. Questi errori non suscitano significativo cambiamento nella cinematica piedi del SuCon riserva e non sono stati percepiti dal soggetto. Tuttavia, abbiamo osservato alcuni errori che turbavano la stabilità andatura del soggetto in alcune prove di collaudo. Ma nessuno di questi errori ha causato il soggetto a cadere.

Figura 1
Figura 1. L'architettura del software di controllo sulla piattaforma di prova per la valutazione di controllo on-line neurale di un prototipo alimentato protesi transfemorale. cliccate qui per vedere una versione più grande di questa figura.

Figura 2
Figura 2. A) frontale e sagittale delle sonformemente indossa la protesi transfemorale alimentato con l'EMG e la configurazione di misurazione meccanica;. b) La raccolta dei dati di acquisto con il PC desktop, stazione base EMG wireless, scheda DAQ multifunzione e alimentazione Cliccare qui per vedere una versione più grande di questa figura.

Figura 3
Figura 3. Ostacolo corso sperimentale costruito in ambiente di laboratorio.

Figura 4
Figura 4. Segnali EMG prime registrati dai muscoli della coscia dell'arto residuo del soggetto, quando il soggetto (un (B) camminato su un percorso a piedi livello del suolo.

Figura 5
Figura 5. Esempio di modalità di controllo, le fasi rilevata e conseguente alimentato ginocchio angolo congiunta di potenza protesi transfemorale neuro-controllato in uno studio rappresentativo test online. La linea tratteggiata rossa indica la tempistica definita critica di ogni attività modalità di transizione.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Una piattaforma di ingegneria è stato sviluppato in questo studio per implementare facilmente, ottimizzare e sviluppare la vera controllo neurale delle protesi alimentati. L'intera piattaforma è stata programmata in un ambiente di sviluppo basato su strumentazione virtuale e implementato su un PC desktop. Il software di controllo era costituito da diversi moduli indipendenti e intercambiabili, in ciascuna delle quali una specifica funzionalità viene eseguita (cioè NMI riconoscimento intento e controllo intrinseco). Il vantaggio di questo disegno modulare è che ogni blocco funzione può essere facilmente debug, modificato e aggiornato. Inoltre, aggiungendo o eliminando funzioni o modificare i collegamenti tra i moduli può essere fatto facilmente in questo programma per computer. Pertanto, la piattaforma può essere facilmente applicato per implementare altri NMI base delle informazioni di controllo neurale differente o secondo differenti tecniche di riconoscimento intenti utente. Ad esempio, quando un'interfaccia neurale-macchina basata-EEG è sviluppato, può essere facilmente attuatato su questa piattaforma modificando il modulo di acquisizione dati e modulo di riconoscimento intento; quando si sviluppa un'interfaccia neurale-macchina basata su un nuovo metodo di decodifica intento, può essere applicata la semplice sostituzione del modulo di riconoscimento intento. Tuttavia, va notato che il software di questa piattaforma ingegneria è stato progettato sulla base di una struttura gerarchica che collegato un modulo di riconoscimento intento di alto livello con un controller protesi di basso livello. Pertanto, solo l'interfaccia neurale-macchina che può decodificare e uscita movimento intento dell'utente può essere facilmente applicato su questa piattaforma. Inoltre, si noti che questa piattaforma è utilizzata solo per dimostrare il concetto. Una volta che il controllo neurale delle gambe artificiali alimentati è stato finalizzato, in sostanza, i controllori devono essere attuate in un potente sistema di computer embedded e integrati all'interno della protesi, al fine di rendere le gambe artificiali pratico e portatile per l'utilizzo su basi giornaliere.

Un espeImpostazione rimental è stato progettato per testare il controller neurale per alimentati gambe artificiali su pazienti con amputazioni transfemorali. Due aspetti importanti della nostra impostazione sono evidenziati. Primo, garantire la sicurezza del soggetto assunto è necessario. Questo perché errori di classificazione in NMI (come nell'esempio mostrato nella Figura 5) o errori nel controllo intrinseco possono verificarsi nel controllo protesi inizialmente progettato, che potrebbe disturbare la stabilità piedi dell'utente protesi (osservati in questo studio, anche se non tutti gli errori NMI disturbano cammina stabilità), portare a cadute e minaccia la loro sicurezza. Quindi, nelle nostre inferriate della mano di installazione sono stati installati per terreni irregolari. Inoltre, un sistema di guida a soffitto con un'imbracatura anticaduta stato costruito, che copriva l'intera area sperimentale in laboratorio ed è stato applicato per proteggere al massimo la sicurezza del soggetto. In secondo luogo, è fondamentale per sviluppare una comodità ed affidabile interfaccia elettrodo-presa EMG. Inserimento di sensori in prosthPrese etic possono costruire ad alta pressione o attrito contro alcune regioni della monconi, che porta a disagio nel camminare e poveri schema del passo nel soggetto. Approcci che mitigano la pressione / attrito possono tuttavia causare un contatto allentato tra gli elettrodi e il moncone, con conseguente rumorosi registrazioni EMG. In questo studio, abbiamo presentato una nuova interfaccia elettrodo-socket basato su elettrodi EMG wireless, che prevedeva di alta qualità in segnali EMG per il riconoscimento preciso intento (come dimostrato in figura 4), ​​la sospensione presa stretta, e un buon comfort. Anche se alcuni cross-colloqui sono stati osservati in alcuni canali (cioè Canale 3 e 6 nella figura 4b), hanno poco impatto sulle prestazioni di NMI. È perché l'algoritmo di pattern recognition progettato in NMI ricerche pattern di attivazione di muscoli multipli di riconoscere la modalità attività. Questa configurazione può beneficiare anche altri gruppi di ricerca o clinici, che hanno intenzione di indagare la mimmobili uscle o una funzione in monconi di amputati degli arti inferiori.

Per valutare efficacemente le gambe artificiali neuro-controllati, prove sperimentali sono stati progettati per includere tutti i modi di attività studiato e cambiamenti di stato. È interessante notare che la deambulazione e dell'equilibrio formazione di amputati degli arti inferiori utilizzando protesi alimentati è necessario prima dell'esperimento presentato al fine di rendere il NMI accurato nel riconoscere modalità attività dell'utente. Questo perché pattern recognition è utilizzato nel nostro NMI, che riconosce modalità diversa attività ricercando pattern EMG e segnali meccanici che è coerente per modalità dell'attività ma diverso dagli altri modi. Le sessioni di formazione garantiscono agli utenti di adattarsi ai dispositivi alimentati che ridefiniscono la loro dinamica in piedi e producono schema del passo coerente quando si esegue la stessa attività. Inoltre, per lo stesso scopo, il soggetto deve essere dato tempo all'inizio del experiment per ambientarsi alla protesi alimentato e realizzare un modello liscio e consistente a piedi.

Infine, vogliamo sottolineare che la piattaforma flessibile di test, setup sperimentale e protocollo sperimentale presentato in questo studio sono stati utili per lo sviluppo di laboratorio e la valutazione di controllo neurale per le gambe artificiali alimentati. Al fine di rendere finalizzati gambe artificiali neuro-controllate pratico per l'uso quotidiano, lo sviluppo della piattaforma di progettazione embedded e procedura di calibrazione user-friendly e la valutazione in ambienti realistici sono necessari in futuro. Inoltre, il controllo neurale presentata in questo studio è preliminare e utilizzato per dimostrare la funzione di una piattaforma di prova e solo disegno sperimentale; non è il controllo finale per i dispositivi alimentati, come abbiamo osservato errori di NMI che inficiano il modello a piedi amputati di arto inferiore, che dovrebbe essere eliminato. La nostra piattaforma e valutazione configurazione e il protocollo riportato forniti cstrumenti onvenient per ottimizzare ulteriormente il controllo neurale e controllo intrinseco e sviluppare una vera e propria protesi di arto inferiore bionico che può essere utilizzato dagli utenti in modo semplice, affidabile e intuitivo.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Nessun conflitto di interessi dichiarati.

Acknowledgements

Questo lavoro è stato supportato in parte dal National Institutes of Health nel quadro di Grant RHD064968A, in parte dalla National Science Foundation sotto Grant 0.931.820, Grant 1.149.385 e 1.361.549 di Grant, e in parte dal National Institute on Disability and Rehabilitation Research sotto Grant H133G120165. Gli autori ringraziano Lin Du, Wang Ding e Gerald Hefferman presso l'Università di Rhode Island, e Michael J. Convento presso il monastero Orthotic e Protesi Technology, LLC, per la loro grande suggestione e l'assistenza in questo studio.

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