Plate-forme d'ingénierie et de protocole expérimental pour la conception et l'évaluation d'un Propulsé Transfemoral Prothèse Neurally contrôlée

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

Interfaces Neural-machine (INM) ont été développés pour identifier le mode de locomotion de l'utilisateur. Ces laboratoires nationaux de métrologie sont potentiellement utiles pour le contrôle neural de jambes artificielles alimentées, mais n'ont pas été pleinement démontrée. Ce document présenté (1) notre plate-forme d'ingénierie conçu pour la mise en œuvre facile et le développement du contrôle neuronal pour motorisés prothèses des membres inférieurs et (2) un dispositif expérimental et protocole dans un environnement de laboratoire pour évaluer jambes artificielles neurale contrôlées chez les patients avec des amputations des membres inférieurs en toute sécurité et efficacement.

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

Pour permettre une utilisation intuitive de jambes artificielles alimentées, une interface entre l'utilisateur et la prothèse qui peut reconnaître le mouvement de l'intention de l'utilisateur est souhaitée. Une interface neuronale machine roman (NMI) basé sur la fusion neuromusculaire-mécanique développé dans notre étude précédente a démontré un grand potentiel d'identifier avec précision le mouvement prévu du amputés transfémoraux. Cependant, cette interface n'a pas encore été intégré à une prothèse de jambe motorisée pour un véritable contrôle neural. Cette étude visait à signaler (1) une plate-forme flexible pour mettre en œuvre et optimiser le contrôle neuronal des alimenté prothèse de membre inférieur et (2) un dispositif expérimental et protocole pour évaluer le contrôle de prothèse neurale chez des patients ayant subi une amputation d'un membre inférieur. D'abord une plate-forme basée sur un PC et un environnement de programmation visuelle ont été développés pour mettre en œuvre les algorithmes de contrôle de la prothèse, y compris algorithme NMI de formation, NMI algorithme de test en ligne, et l'algorithme de contrôle intrinsèque. Pour démontrer l'fonction de cette plate-forme, dans cette étude, le NMI basé sur la fusion neuromusculaire-mécanique a été hiérarchiquement intégré avec contrôle intrinsèque d'une prothèse transfémorale prototype. Un patient avec une amputation transfémorale unilatérale a été recruté pour évaluer notre contrôleur neuronal mis en œuvre lors de l'exécution des activités, telles que la capacité, au niveau du sol marche, rampe montée, et la rampe de descente en continu dans le laboratoire. Un roman expérimental et protocole ont été élaborées afin de tester le nouveau contrôle de la prothèse en toute sécurité et efficacement. La plate-forme présentée la preuve de concept et expérimental et protocole pourraient aider au développement et à l'application future de jambes artificielles alimentées neurale contrôlées.

Introduction

Propulsé prothèses des membres inférieurs ont gagné une attention croissante à la fois dans le marché commercial de 1,2 et de la recherche 3-5. Par rapport à des prothèses de jambes passives traditionnelles, les prothèses articulaires motorisées ont l'avantage de permettre amputés des membres inférieurs de fonctionner plus efficacement des activités qui sont difficiles ou impossibles lorsque l'on porte des dispositifs passifs. Toutefois, actuellement, la transition sans heurt activité (par exemple, du niveau de rez-de-pied de l'escalier montée) est toujours une question difficile pour les motorisés utilisateurs de prothèse de jambe. Cette difficulté est due principalement à l'absence d'une interface homme-machine qui peut «lire» le mouvement de l'intention de l'utilisateur et rapidement ajuster les paramètres de contrôle de la prothèse afin de permettre aux utilisateurs de basculer de façon transparente le mode d'activité.

Pour relever ces défis, diverses approches dans la conception de l'interface homme-machine ont été explorées. Dans lequel NMI basé sur électromyographique (ESignaux MG) ​​a démontré un grand potentiel pour permettre un contrôle intuitif de motorisés prothèses des membres inférieurs. Deux études récentes ont rapporté 6,7 décoder le mouvement prévu du genou manquant d'amputés transfémoraux en surveillant les signaux EMG enregistrées à partir de muscles résiduels au cours d'une position assise. Au et al. 5 utilisé signaux EMG mesurés à partir de muscles de jambe résiduels d'identifier deux modes de locomotion (marche au niveau du sol et escalier de descente) d'un amputé tibial. Huang et al. 8 a proposé un modèle EMG approche de reconnaissance dépendant de la phase qui peut reconnaître sept modes d'activité avec environ 90% de précision comme l'a démontré sur deux amputés transfémoraux. Pour mieux améliorer la performance intention de reconnaissance, une NMI basé sur la fusion neuromusculaire-mécanique a été conçu dans notre groupe 9 et en ligne une évaluation sur amputés transfémoraux portant des prothèses de jambes passives de reconnaissance intention 10,11. Cette NMI peut identifier avec précisionLes activités prévues de l'utilisateur et de prédire les transitions d'activité 9, ce qui est potentiellement utile pour le contrôle neural de jambes artificielles alimentées.

La question actuelle nous sommes confrontés est de savoir comment intégrer notre NMI dans le système de contrôle de la prothèse afin de permettre le fonctionnement de la prothèse intuitive et assurer la sécurité de l'utilisateur. Développer des jambes artificielles neurale contrôlées véritables nécessite une plate-forme flexible dans le laboratoire pour la mise en œuvre et l'optimisation des algorithmes de contrôle de la prothèse facile. Par conséquent, l'objectif de cette étude est de rapporter une plate-forme d'ingénierie souple développée dans notre laboratoire pour tester et optimiser les algorithmes de contrôle de la prothèse. En outre, le nouveau dispositif expérimental et protocole sont présentées pour évaluer les prothèses transfémoraux alimentés neurale contrôlées chez les patients ayant subi une amputation des membres inférieurs en toute sécurité et efficacement. La plate-forme et la conception expérimentale présentée dans cette étude pourraient bénéficier le déve avenirment de jambes artificielles, véritables neurale contrôlées alimentés.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Plate-forme pour la mise en œuvre de Neural contrôle des Propulsé Prothèses transfémoraux

Une plate-forme d'ingénierie a été développé dans cette étude pour mettre en œuvre et évaluer le contrôle neural de jambes artificielles alimentées. Le matériel comprenait un PC de bureau avec 2,8 GHz et 4 Go de RAM, une carte d'acquisition de données multi-fonctionnel avec deux convertisseurs analogique-numérique (CAN) et les convertisseurs numérique-analogique (DAC), un contrôleur de moteur, je numérique / S, et une prothèse transfémorale alimenté prototype conçu dans notre groupe 12. Les entrées de capteurs analogiques ont d'abord été numérisées par les ADC et diffusés dans le PC de bureau pour le traitement du signal. Le CMV a été utilisé pour la sortie de commande pour entraîner le moteur à courant continu dans la prothèse à travers un contrôleur de moteur. E / S numériques ont été utilisés pour activer / désactiver le contrôleur de moteur. La prothèse a été effectuée attaché à l'ordinateur de bureau et alimenté par une alimentation de 24 V.

Le logiciel a été programmé en annonceenvironnement de éveloppement approprié pour l'instrumentation virtuelle s'exécutant sur le PC de bureau. L'environnement de développement est basée sur l'instrumentation virtuelle, qui combine efficacement les logiciels et le matériel défini par l'utilisateur à mettre en œuvre la plate-forme personnalisée. En utilisant la structure d'un bloc-diagramme graphique, les différents noeuds de fonction modulaire peut être facilement et efficacement mis en oeuvre et mis à jour. Afin de démontrer la fonction de plate-forme pour le contrôle en ligne des jambes artificielles motorisés, préalablement conçu un contrôle de la prothèse a été mise en œuvre sur cette plate-forme. Le système de commande comprend un contrôleur de neurones et un contrôleur intrinsèque. Le contrôleur neuronal est composée de notre précédente NMI conçu sur la base neuromusculaire mécanique fusion, qui a reconnu le mode de l'activité de l'utilisateur. Le contrôleur de neurones en tant que contrôleur de haut niveau a été hiérarchiquement connecté avec le contrôle intrinsèque pour alimenté inférieure contrôle de prothèse de membre.

L'architecture de suitelogiciel rol sur la plate-forme est illustrée dans la Figure 1 Le NMI comprend deux parties:. déconnecté modules de formation et des modules de test en ligne. Le module de formation en ligne a été conçue pour recueillir des données de formation et de construire les classificateurs dans NMI. Les signaux multicanaux EMG de surface prélevés et mesures mécaniques ont d'abord été prétraitées et segmentés en fenêtres coulissantes en continu. Dans chaque fenêtre, traits qui caractérisent les modèles de signaux ont été extraites et ensuite fusionnés en un vecteur de caractéristiques. Le vecteur de caractéristique dans chaque fenêtre a été marqué avec les modes d'activité (classes) et l'indice de phase sur la base des activités du spectacle de l'utilisateur de la prothèse et les états de la prothèse lors de la collecte de données de formation. Les vecteurs de caractéristiques marquées ont été ensuite utilisées pour construire un modèle de classification dépendant de la phase, qui contient plusieurs sous-classificateurs corrélés avec des phases individuellement. Le classificateur créé a été enregistré et transféré au module de test en ligne pour l'évaluation en ligne plus tard. </ P>

Le module d'essai en ligne a été utilisée pour reconnaître ligne mouvement l'intention de l'utilisateur et changer les modes d'activité en contrôleur intrinsèque. Le neuromusculaire multicanal et mesures mécaniques ont été diffusées simultanément dans le module d'essai en ligne et transformés en vecteurs de caractéristiques. Ensuite, les vecteurs de caractéristiques ont été introduits dans le séparateur de phase-dépendants qui a déjà été construite dans le module d'entraînement hors-ligne. Sur la base de la phase actuelle de contrôleur intrinsèque, le sous-classificateur correspondant a été allumé et utilisé pour reconnaître l'intention de l'utilisateur. La sortie de classification a en outre été post-traitée et envoyée au contrôleur intrinsèque de changer de mode d'activité.

Contrôleur d'impédance Une machine à états finis (FSM) a été mis en fonction pour le contrôle intrinsèque de jambes artificielles alimentées. Le contrôleur d'impédance souhaitée générée sortie de couple sur l'articulation du genou. La machine à états finis ajustée à l'impédance d'articulation selon l'l'état actuel de l'activité du spectacle. Pour les activités de locomotion (c'est à dire de marche au niveau du sol et la rampe de montée / descente), le FSM est composée de cinq états correspondant à cinq phases de la démarche: la position de flexion (STF), l'extension de la position (STE), pré-battantes (PSW), balançoire flexion ( SWF), et l'extension de swing (SWE); pour debout statique, le FSM comprenait deux phases: palier de poids (BM) et non-port de poids (NWB). Transitions entre les états ont été déclenchées par la force de réaction du sol et la position du genou. La transition entre les modes d'activité a été commandé par la sortie du module de test en ligne. Pour les trois modules évoqués ci-dessus, l'interface utilisateur graphique (GUI) ont été construits, ce qui a permis expérimentateurs dans le laboratoire d'ajuster facilement les paramètres de contrôle, les performances du système de surveillance, et mener des expériences d'évaluation.

2. Installation expérimentale

  1. électromyographie de surface (EMG de surface)
    signaux d'EMG de surface des muscles de la cuisse de l'amputé subjectR17; s moignon sont enregistrées par un système d'acquisition sans fil EMG. Les muscles de la cuisse ciblées inclus le droit antérieur (RF), laeralis vaste externe (VL), vaste médial (VM), biceps fémoral longue (BFL), couturier (SAR), magnus-tendineux (SEM), et adducteurs (ADM). Il est à noter que le ciblage précisément le muscle spécifique n'est pas nécessaire, car 8 l'algorithme de reconnaissance de formes utilisé dans les recherches sur NMI modèles d'activation de plusieurs muscles à reconnaître le mode d'activité. Tant que les informations de contrôle neuromusculaire mesurée pour la hanche et le genou commande est suffisante, croisées pourparlers entre les enregistrements EMG ont peu d'impact sur la performance de la MNI.
    1. Demandez au sujet de réaliser hanche flexion / extension, la hanche en adduction / abduction, et tenter de fléchir / étendre l'articulation du genou amputé quand il est en position debout.
    2. Rapprocher et déterminer les emplacements de positionnement des électrodes par le muscle palpation uned examen des enregistrements EMG.
    3. Incluez les électrodes dans une nouvelle interface électrode-socket EMG conçu, comme le montre la figure 2, pour le confort du sujet et fiable de contact électrode-peau.
  2. Mesures mécaniques de la prothèse Powered
    Les forces de réaction au sol et les moments mécaniques mesurées par un capteur à 6 degrés de liberté à partir du pylône prothétique sont fusionnées avec des signaux EMG de reconnaître le mouvement de l'intention du sujet. En outre, un potentiomètre est instrumenté sur l'articulation du genou pour mesurer l'angle d'articulation de genou et d'un codeur est relié au moteur à courant continu pour calculer la vitesse angulaire du genou. Ces mesures sont utilisées comme signaux de retour pour le contrôle intrinsèque.
    1. Monter une cellule de charge à six degrés de liberté sur le pylône prothétique.
    2. Aligner l'axe X, l'axe Y et l'axe Z de la cellule de charge avec la direction médio-latérale, de la direction antéro-postérieure et la direction superoinferior de la prothèse, respectivementment.
  3. Laboratoire de l'environnement d'installation
    Afin d'évaluer le contrôle neural de jambes artificielles alimentées sur amputés transfémoraux, un parcours d'obstacles a été construit dans le laboratoire, comme le montre la figure 3. L'environnement de test inclus 5 m passerelle droite, une longue rampe de 4 m avec une inclinaison angle de 8 °, et une plate-forme au niveau de la rampe solidement fixé. Le long de la rampe, garde-corps ont été installés pour améliorer la sécurité de l'objet. En outre, un système de rail de plafond avec un harnais antichute a été prévu pour protéger l'objet de tomber pendant l'expérience.

3. Protocole expérimental

Cette étude a été réalisée avec l'approbation de l'Institutional Review Board (IRB) de l'Université de Rhode Island et avec le consentement éclairé du sujet recruté. Un mâle transfémoral unilatérale amputé (cause de l'amputation: traumatisme, âge: 57 ans, la durée de l'amputation: 32 annéess) a été recruté dans cette étude. Le rapport entre la longueur du membre résiduel (mesuré à partir de la tubérosité ischiatique à l'extrémité distale du membre résiduel) à la longueur de la partie non réduite (mesurée à partir de la tubérosité ischiatique de l'épicondyle fémoral) était de 51%. Le sujet porte une prothèse du genou microprocesseur par une prise de suspension d'aspiration dans sa vie quotidienne. Avant l'expérience dans cette étude, ce sujet a reçu plusieurs sessions de formation dirigées par un physiothérapeute afin de laisser le sujet à s'adapter à l'appareil sous tension et calibrer l'impédance souhaitée dans chaque mode d'activité.

  1. Préparation Objet
    1. Mesurer le poids, la hauteur de l'objet, et enregistrer son sexe et l'âge.
    2. Demandez au sujet de mettre sur ses propres courts métrages dans une salle de préparation privé.
    3. Mettez un harnais antichute de taille équipée sur le sujet et l'attacher au système de rail de plafond.
  2. Préparation pour l'enregistrement EMG
    1. Sélectionner sept capteurs EMG sans fil à pleine charge et allumez-les.
    2. Placez les capteurs EMG dans la prise d'aspiration adapté à des emplacements préparés. Notez le numéro de commande des capteurs et les associer à des endroits EMG.
    3. Nettoyer la peau de moignon de sujet avec des tampons d'alcool isopropylique.
    4. Aider le sujet à enfiler la prise d'aspiration et vérifiez que la prise est fermement attaché à moignon du sujet.
    5. Mettez le logiciel en temps réel des données EMG analogique en streaming.
    6. Demandez au sujet de réaliser hanche flexion / extension, la hanche en adduction / abduction, et le genou flexion / extension et examiner signaux EMG pour vérifier EMG contact des électrodes et la transmission de données.
  3. Alignement et étalonnage initial de prothèse de jambe Powered
    1. Demandez le sujet à rester dans une position debout tout en maintenant un marcheur assistance.
    2. Fixer la prothèse motorisée à la prise d'aspiration avec une adaptation de la pyramideteur. Ajuster un ensemble de vis à rotation sur l'adaptateur jusqu'à ce que la position de la prothèse est géométriquement aligné avec la douille. Cette procédure a été réalisée par un prothésiste.
    3. Demandez au sujet de soulever la prothèse sur le sol et de calibrer la cellule de charge sur le pylône prothétique.
    4. Demandez le sujet à pratiquer la marche sur des terrains différents (par exemple, au niveau du sol, rampe montée, et la rampe de descente) en portant la prothèse de jambe motorisée. Cette procédure se poursuit jusqu'à ce que le sujet se sent en confiance à marcher avec l'appareil sous tension et les rendements schéma de marche cohérente dans chaque représentation de l'activité.
  4. Formation Collecte de données pour les classificateurs Formation en NMI
    1. Charger l'objet à monter sur le lieu de départ d'un chemin de marche prédéfini, comme le montre la figure 3.
    2. Mettez la prothèse motorisée et charger les paramètres dans le contrôleur intrinsèque.
    3. Exécuter une collecte de données de formation comprogramme informatique et définir le contrôle intrinsèque au mode debout en cliquant sur le bouton "Debout" sur l'interface utilisateur graphique (GUI).
    4. Commencer la collecte de données en cliquant sur le bouton "Start Recording" dans l'interface graphique. Demandez le sujet à rester en position debout pendant 5 sec.
    5. Demandez l'objet de marcher sur un sol de niveau à son / sa vitesse de marche auto-sélectionné; en même temps, cliquez sur le bouton "marche" sur l'interface graphique avant décollement des orteils de la jambe de premier plan du sujet et réglez la commande intrinsèque au mode de marche niveau-sol.
    6. Lorsque le sujet a été s'approche du bord de la rampe ascension, cliquez sur le bouton "Montée rampe" sur l'interface graphique avant le décollement des orteils de la jambe prothétique de marcher sur la rampe et passer le contrôle intrinsèque à la rampe mode montée. Par mesure de sécurité, laisser le sujet à utiliser une main courante lors de la marche sur une rampe.
    7. Lorsque le sujet est à la fin de la rampe, cliquez sur le bouton "marche"nouveau avant la grève de talon de la jambe prothétique de monter sur la plate-forme de niveau et passer le contrôle intrinsèque de la prothèse en mode de marche au niveau du sol.
    8. A la fin de la trajectoire de marche, donne instruction au sujet de s'arrêter et de rester en position debout. Dans le même temps, cliquez sur le bouton "permanent" avant la phase à double position et passer le contrôle intrinsèque revenir au mode debout.
    9. Après environ 5 secondes, mettre fin à la collecte de données en cliquant sur le bouton "Stop". Étiquette de recueillir des données comme des «données de formation mis en 1".
    10. Répétez la procédure 3.4.4-3.4.9 lorsque le sujet marche dans un chemin inverse de retour au point de départ; la seule différence est de changer le contrôle intrinsèque à la rampe mode de descente lorsque le sujet marche sur la rampe vers le bas.
    11. Répétez jusqu'à ce que 3.4.4-3.4.10 dix ensembles de données complets de formation sont collectées. Examiner la qualité des données collectées formation ensemble de signaux.
    12. Permettre à la personne d'avoir une période de repos après ee collecte de données session.
    13. Former les classificateurs de reconnaissance de formes dans NMI via déconnecté module de formation (figure 1). Utilisez l'EMG recueillis et signaux mécaniques, les modes d'activité (classes) marqués au cours de la procédure de formation, et détecté phases de construire les classificateurs de modèle dépendant de la phase. Sauvegarder les paramètres des classificateurs automatiquement plus tard séance de tests en ligne.
  5. Tests en ligne de Contrôle neural de Powered Transfemoral Prothèse
    1. Demandez le sujet à se tenir au point de la trajectoire de la marche de départ.
    2. Mettez la prothèse motorisée. Chargez le classificateur formés au module d'essai en ligne et les paramètres de la commande intrinsèque.
    3. Demandez le sujet pour commencer les essais de test dans une position debout, puis la transition continue de la marche au niveau du sol, rampe marche, au niveau du sol marche, et finalement arrêter et terminer cet essai à la fin du chemin à pied. Demandez le sujeteffectuer chaque activité à un rythme confortable. Permettent des périodes de repos entre les essais pour éviter la fatigue.
    4. Au cours de chaque essai de test, voir les modes d'activité de la prothèse du genou et des lectures d'angle commune sur un écran de télévision. Enregistrer toutes les mesures et les sorties de contrôle à des fins d'évaluation plus tard.
    5. Répétez les étapes 3.5.1-3.5.4 jusqu'à dix essais de tests complets sont finis.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La figure 4a montre sept canaux de signaux EMG de surface mesurés à partir des muscles de la cuisse du membre résiduel du sujet quand il a exécuté la hanche flexion / extension, tel que décrit dans le protocole 3.2.6. Figure 4b montre six cycles démarche de signaux EMG enregistrées lorsque le sujet marche sur un chemin de marche au niveau du sol, au cours de protocole 3.3.4. De cette figure, on peut voir que la nouvelle interface électrode-socket EMG conçu peut fournir une bonne qualité de mesures de signaux EMG de surface.

Figure 5 montre les modes de contrôle, détecté phases, et entraîné genou angle de l'articulation de la prothèse transfémorale alimenté neurale contrôlé dans un essai de test en ligne représentant. On a demandé au sujet de commencer dans une position debout, la transition à la marche au niveau du sol, rampe montée, au niveau du sol marche, puis s'arrête à la fin du chemin à pied. Le sujet est ensuite retourné au point de départ initial long til inverse la route. Comme le montre la Figure 5, avec le contrôle neural, le sujet était recruté en mesure de passer en douceur du mode de commande de la prothèse transfémorale motorisé sur la base de ses modes d'activité prévue. La ligne en trait rouge indique notre timing critique définie de chaque transition de mode de l'activité. Pour la transition du niveau de la marche au sol à la rampe de montée / descente et de se présenter à la marche, le moment critique commençait de la phase d'oscillation (c.-à-orteil) dans les périodes de transition; pour la transition de la rampe de montée / descente à niveau du sol et la marche à pied à la station debout, le moment critique fut le début de poids acceptation (talon de contact) sur le terrain de niveau. Environ 18 secondes après cet essai représentant, la prothèse mal passés à rampe mode montée lorsque le sujet marchait au niveau du sol en raison de la reconnaissance erronée de l'intention de l'utilisateur par le NMI. Ces erreurs n'ont pas suscité de changement significatif dans la cinématique de marche de la subject et n'ont pas été perçue par le sujet. Cependant, nous avons remarqué quelques erreurs qui troublaient la stabilité de la marche du sujet dans certains essais de contrôle. Mais aucune de ces erreurs a causé le sujet à l'automne.

Figure 1
Figure 1. L'architecture du logiciel de contrôle sur la plate-forme d'essai pour l'évaluation du contrôle neuronal en ligne d'une prothèse transfémorale alimenté prototype. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 2
Figure 2. A) frontal et sagittal vue des sous porter la prothèse transfémorale alimenté avec l'EMG et la configuration de mesure mécanique;. b) la collecte de données panier avec le PC de bureau, station de base sans fil EMG, multifonctionnel carte DAQ et l'alimentation S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 3
Figure 3. Parcours du combattant expérimentale construite dans l'environnement de laboratoire.

Figure 4
Figure 4. Signaux EMG brutes enregistrées par les muscles de la cuisse du membre résiduel du sujet, lorsque le sujet (un (B) marcher sur un sentier au niveau du sol.

Figure 5
Figure 5. Exemple de modes de contrôle, détecté phases, et résultant angle d'articulation de genou à moteur de la prothèse transfémorale alimenté neurale contrôlé dans un essai de test en ligne représentant. La ligne en trait rouge indique le moment critique définie de chaque transition de mode de l'activité.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Une plate-forme d'ingénierie a été développé dans cette étude pour mettre en œuvre facilement, optimiser et développer un véritable contrôle neuronal des prothèses actives. L'ensemble de la plate-forme a été programmé dans un environnement de développement basé sur l'instrumentation virtuelle et mis en œuvre sur un PC de bureau. Le logiciel de commande est composé de plusieurs modules indépendants et interchangeables, dans chacune desquelles une fonctionnalité spécifique a été exécuté (à savoir la reconnaissance intention NMI, et le contrôle intrinsèque). L'avantage de cette conception modulaire est que chaque bloc fonctionnel peut être facilement déboguer, modifié et mis à jour. En outre, l'ajout ou la suppression de fonctions ou de modifier les connexions entre les modules peut être facilement fait dans ce programme informatique. Par conséquent, la plate-forme peut être facilement appliquée à mettre en œuvre d'autres INM sur la base de différentes informations de contrôle neural ou basé sur différentes techniques de reconnaissance intention de l'utilisateur. Par exemple, quand une interface neurale-linge à base d'EEG est développé, il peut être facilement miseœuvre sur cette plate-forme en modifiant le module d'acquisition de données et le module de reconnaissance intention; quand une interface neurale-machine basée sur un nouveau procédé de décodage intention est développé, il peut être appliqué par simple remplacement du module de reconnaissance intention. Toutefois, il convient de noter que le logiciel de cette plate-forme d'ingénierie a été conçu sur la base d'une structure hiérarchique qui relié un module de reconnaissance intention de haut niveau avec un dispositif de commande de prothèse de bas niveau. Par conséquent, seule l'interface neurale machine capable de décoder et de sortie mouvement l'intention de l'utilisateur peut être facilement appliquée sur cette plate-forme. En outre, notez que cette plate-forme est utilisée uniquement pour prouver le concept. Une fois le contrôle neural de jambes artificielles alimentées a été finalisé, essentiellement les contrôleurs doivent être mises en œuvre sur un système informatique embarqué puissant et intégrés dans la prothèse afin de rendre les jambes artificielles pratique et portable pour une utilisation sur des bases quotidiennes.

Une expéconfiguration rimentale a été conçu pour tester le contrôleur neuronal pour des jambes artificielles alimentées sur des patients ayant subi une amputation transfémoraux. Deux aspects importants de notre installation sont mis en évidence. Tout d'abord, assurer la sécurité de la personne recrutée est nécessaire. C'est parce que les erreurs de classification dans NMI (comme un exemple de la figure 5) ou des erreurs dans le contrôle intrinsèque peuvent se produire dans le contrôle de la prothèse initialement conçu, qui pourrait perturber la stabilité de marche de l'utilisateur de la prothèse (observée dans cette étude, bien que pas toutes les erreurs NMI perturbent la marche stabilité), provoquer des chutes, et menace leur sécurité. Ainsi, dans nos garde-corps d'installation ont été installés pour les terrains irréguliers. En outre, un système de rail de plafond avec un harnais antichute a été construit, qui couvrait l'ensemble de la zone d'expérimentation en laboratoire et a été appliqué pour protéger au maximum la sécurité de l'objet. Deuxièmement, il est essentiel d'élaborer un confort et une interface électrode-socket fiable EMG. Insertion des capteurs dans prosthprises étiques peuvent construire haute pression ou de frottement contre certaines régions du moignon, ce qui conduit à une gêne à la marche et le motif de la marche pauvres dans le sujet. Approches qui atténuent la pression / friction peuvent toutefois provoquer un contact lâche entre les électrodes et le moignon, pour des enregistrements EMG bruyants. Dans cette étude, nous avons présenté une nouvelle interface électrode-prise sur la base des électrodes EMG sans fil, qui a fourni de haute qualité dans les signaux EMG pour une reconnaissance précise intention (comme le montre la figure 4), serré prise suspension, et un bon confort de l'utilisateur. Bien que certains croisées pourparlers ont été observés dans quelques canaux (c.-à-Canal 3 et 6 sur la figure 4b), ils ont peu d'impact sur ​​la performance de la MNI. C'est parce que l'algorithme de reconnaissance de motif destiné à NMI recherches sur des modèles d'activation de plusieurs muscles à reconnaître le mode d'activité. Cette configuration peut également profiter à d'autres groupes de recherche ou cliniques, qui ont l'intention d'enquêter sur le mpropriété uscle ou fonction dans moignons des amputés des membres inférieurs.

Afin d'évaluer efficacement les jambes artificielles neurale sous contrôle, des essais expérimentaux ont été conçus pour inclure tous les modes d'activité étudiés et les transitions de mode. Il est à noter que la démarche et de l'équilibre des amputés des membres inférieurs à l'aide de prothèses motorisées est nécessaire avant l'expérience présentée afin de rendre le NMI précis à reconnaître le mode de l'activité de l'utilisateur. En effet, la reconnaissance de formes est utilisée dans notre NMI, qui reconnaît le mode d'activité différent en recherchant la configuration de l'EMG et de signaux mécaniques qui soit conforme à un mode d'activité, mais différente de celle des autres modes. Les sessions de formation assurent aux utilisateurs d'adapter les dispositifs alimentés qui redéfinissent leur dynamique en marche et produisent schéma de marche cohérente lors de l'exécution de la même activité. En outre, dans le même but, le sujet doit avoir le temps au début de l'experiment pour s'acclimater à la prothèse motorisée et obtenir un schéma de marche souple et cohérente.

Enfin, nous tenons à souligner que la plate-forme flexible d'essai, expérimental, et protocole expérimental présenté dans cette étude ont été utiles pour le développement de laboratoire et l'évaluation du contrôle neuronal pour des jambes artificielles alimentées. Afin de rendre les jambes artificielles neurale contrôlées finalisés pratique pour une utilisation quotidienne, le développement de la plate-forme d'ingénierie intégrée et la procédure d'évaluation et d'étalonnage convivial dans des environnements réalistes sont nécessaires dans l'avenir. En outre, le contrôle neural présentée dans cette étude est préliminaire et utilisé pour démontrer la fonction de notre plate-forme de test et la conception expérimentale seulement; ce n'est pas le contrôle final pour les appareils alimentés que nous n'avons erreurs dans NMI qui perturbent le schéma de marche des amputés des membres inférieurs, qui devrait être éliminé observons. Notre plate-forme et l'évaluation configuration et le protocole rapporté condition coutils onvenient pour optimiser encore le contrôleur neuronal et contrôle intrinsèque et développent une véritable bionique prothèse de membre inférieur qui peut être exploité par les utilisateurs simple, fiable et intuitive.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Aucun conflit d'intérêt déclaré.

Acknowledgements

Ce travail a été financé en partie par les Instituts nationaux de la santé en vertu de Grant RHD064968A, en partie par la National Science Foundation sous Grant 0931820, 1149385, Grant et Grant 1361549, et en partie par l'Institut national de recherche sur le handicap et la réadaptation, subvention H133G120165. Les auteurs remercient Lin Du, Wang Ding et Gerald Hefferman à l'Université de Rhode Island, et Michael J. couvent au couvent Orthèses et prothèses Technology, LLC, pour leur excellente suggestion et de l'aide dans cette étude.

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